非高斯環(huán)境下的車輛定位與狀態(tài)估計關(guān)鍵技術(shù)（英文版）.pdf

1、車輛狀態(tài)估計在許多與智能交通系統(tǒng)相關(guān)領(lǐng)域是基礎(chǔ)問題，在車輛定位、車輛導(dǎo)航和目標(biāo)跟蹤等應(yīng)用研究中得到了廣泛關(guān)注。準(zhǔn)確的車輛信息可以幫助司機和行人盡早獲得來自車載系統(tǒng)的安全警告，從而避免致命車輛碰撞或交通事故的發(fā)生。然而在工程界和研究界，車輛狀態(tài)（或車輛移動信息）的準(zhǔn)確實時檢測或準(zhǔn)確預(yù)測還存在許多挑戰(zhàn)。傳統(tǒng)的定位技術(shù)主要依賴全球衛(wèi)星導(dǎo)航系統(tǒng)(GNSS)和全球衛(wèi)星定位系統(tǒng)(GPS)，然而當(dāng)衛(wèi)星信號遭受高樓、山體遮擋、信道干擾或多徑反射干擾時，

2、定位精度會受到極大的影響。在實際的智能交通系統(tǒng)，當(dāng)車輛處于室內(nèi)環(huán)境GPS信號衰弱或者缺失時，這個問題變得尤為嚴(yán)重。針對這個問題，目前有一種融合GPS與慣性導(dǎo)航的系統(tǒng)被應(yīng)用于眾多領(lǐng)域，這是一種可選擇的多傳感器集成的導(dǎo)航系統(tǒng)。慣性導(dǎo)航系統(tǒng)不需要額外的基礎(chǔ)設(shè)施，僅通過計算機、運動傳感器（如加速度傳感器）和旋轉(zhuǎn)傳感器（如陀螺儀）進行連續(xù)的航位推測，即可計算出移動物體的位置、方向和速度。
　　根據(jù)GPS信號遮擋程度，上述具有挑戰(zhàn)的環(huán)境可以分

3、為GPS完全失效和GPS部分失效的兩種情況。其中，GPS完全失效是指GPS信號被完全遮擋，完全接收不到GPS信號的情況;GPS部分失效指的是可以收到部分衛(wèi)星的GPS信號，但接收到來自少于四顆衛(wèi)星的信號，此時將存在很高的幾何精度衰減因子(GDOP)。后者與衛(wèi)星的角度越小，得到的計算結(jié)果精度越高。不幸的是，由于噪聲干擾沒有被很好的應(yīng)對，目前許多車輛移動信息估計的方法在遭遇這些場景時存在不適用和不準(zhǔn)確的問題。這些技術(shù)主要面臨三個問題:復(fù)雜性、

4、非線性和運動模型不確定性。一般而言，這些挑戰(zhàn)使得這些技術(shù)在智能交通系統(tǒng)的應(yīng)用中難以達到精度要求。而且，車輛狀態(tài)的實時估計和短時預(yù)測仍然是一個具有挑戰(zhàn)的問題。實際上，這智能交通系統(tǒng)這些問題變得更具挑戰(zhàn)，比如在車輛移動在GPS完全失效或部分失效的場景時。本文將考慮GPS與慣性導(dǎo)航系統(tǒng)結(jié)合的車輛移動狀態(tài)估計。
　　另一方面，由于高斯模型比非高斯模型更加容易進行處理，研究者通常假定車輛狀態(tài)信息的處理和測量系統(tǒng)滿足均值為零的高斯白噪聲。盡管

5、如此，現(xiàn)有研究表明，在一些工程系統(tǒng)中噪聲一般服從非高斯分布。接下來，本文將針對這種噪聲符合非高斯的情況進行分析。此外，非高斯統(tǒng)計模型在其他研究領(lǐng)域，如工程學(xué)、信號處理、目標(biāo)跟蹤、天文學(xué)和生物醫(yī)學(xué)也是十分重要的。針對這兩項具有挑戰(zhàn)的工作，本文提出了三種在非高斯環(huán)境下的車輛狀態(tài)實時估計和預(yù)測技術(shù)。并利用基于智能手機的車輛感知模型，在真實環(huán)境下進行數(shù)據(jù)采集，對所提出的方法性能進行了實際驗證。本文的主要研究工作如下:
　　1>提出一種分層

6、約束的三目標(biāo)優(yōu)化方法(Hierarchical Constrained Tri-objective Optimization，HCTO)，可以實現(xiàn)提升車輛位置實時估計的精度。本方法的一個優(yōu)勢是可以把復(fù)雜問題的求解轉(zhuǎn)化為許多子問題進行簡化解決，由此降低了全局問題的計算開銷。而且，該方法不需要全局問題的完整信息，即可對問題進行分塊求解，并保證計算步驟的關(guān)鍵性能。在本方法第一個子問題的劃分是處理過程和測量過程中的噪聲非高斯性問題。一般來說，非

7、高斯噪聲比高斯噪聲更難處理，因此采用廣義誤差分布(Generalized Error Distribution，GED)對非高斯分布進行近似處理。GED的隨機變量的概率密度函數(shù)由三個參數(shù)表示:形狀參數(shù)、位置參數(shù)和規(guī)模參數(shù)，且假設(shè)形狀參數(shù)已知。并采用最大似然模型對估計樣本的參數(shù)進行估計，比如對處理過程和測量過程中噪聲的均值參數(shù)和方差（協(xié)方差）參數(shù)，由此可以降低全局問題的計算開銷。在本文工作中，證明了當(dāng)形狀參數(shù)趨近于零時，GED接近高斯分布

8、，這不僅迫使觀測的方差（協(xié)方差矩陣）增加也影響車輛狀態(tài)估計的精度。而且，為了獲得處理和測量噪聲的最優(yōu)解，通過估計參數(shù)的協(xié)方差矩陣獲得最小化的約束邊界，并用來作為噪聲序列。此外，依據(jù)半正定規(guī)劃(SDP)，通過線性不等式(LMI)的方法可以獲得估計狀態(tài)誤差的最優(yōu)解上界。本方法分別在高斯和非高斯分布的環(huán)境進行了比較，并與現(xiàn)存的非線性估計方法進行了比較，例如與粒子濾波(Particle Filter，PF)和無跡卡爾曼濾波(Unscented

9、Kalman Filter，UKF)在非高斯分布下進行了比較。并通過實際場景的實驗驗證本方法的有效性。測試車輛在湖南大學(xué)區(qū)域的不同道路采用不同的行駛速度進行了比較，行駛時間大約為5分鐘。實驗結(jié)果表明，針對車輛狀態(tài)估計，HCTO能夠?qū)崿F(xiàn)較高的估計精度和較低的均方根誤差(root mean-squareerror，RMSE)，尤其在噪聲分布符合非高斯分布的情況。
　　2>為提高極端環(huán)境下車輛運動狀態(tài)的估計精度，基于改進的粒子濾波(PF

10、)并結(jié)合無跡卡爾曼濾波(UKF)，提出一種非高斯均方根無跡卡爾曼濾波方法(nGSR-UPF)用于GPS/INS信息融合。在該方法中，利用稀疏高斯核密度估計來逼近非高斯概率密度分布，提出最小絕對收縮和選擇算子(Least absolute shrinkageand selection operator, LASSO)，用于降低nGSR-UPF計算核函數(shù)權(quán)值的計算復(fù)雜度。通過將權(quán)值向量的大部分元素置零，nGSR-UPF也能到優(yōu)化非高斯概率密

11、度分布。將nGSR-UPF用于GPS和慣性傳感器測量數(shù)據(jù)的融合過程，是出于三方面考慮:1）該方法使用無跡變換來計算經(jīng)歷非線性變換之后的隨機變量的統(tǒng)計值;2)非常適用于處理非高斯分布噪聲，因此是一種針對非線性/非高斯問題的非參數(shù)估計方法;3）對于滿足GPS衛(wèi)星可視條件的應(yīng)用場景，通過均方根無跡卡爾曼濾波(SR-UKF)來更新均值和協(xié)方差是基于GPS的觀測值，這使得nGSR-UPF具備了預(yù)測功能?？紤]到使用低成本慣性傳感器，會造成粒子分布的

12、偏移，基于SR-UKF的重要性密度能夠使得加權(quán)粒子分布集中于高概率區(qū)域。為驗證所提方法的性能，利用智能手機傳感器進行車載行駛數(shù)據(jù)收集的實測實驗。在GPS完全缺失的情況下，陀螺儀能夠持續(xù)不斷的提供行駛速度信息，為了測試方法在GPS信號中斷時的可靠性和魯棒性，在實驗中仍然使用GPS來提供位置與速度信息。對比實驗中選取的方法包括高斯和粒子濾波，擴展卡爾曼濾波，無跡卡爾曼濾波等方法，實驗結(jié)果表明對于GPS信號中斷或無中斷的場景，所提出的nGSR

13、-UPF能夠獲得最高的精度。同時，論證了通過結(jié)合LASSO，能夠進一步的降低nGSR-UPF的計算復(fù)雜度。
　　3>針對GPS信號部分或全部缺失的情況，利用以極大概率服從有限等距特性的稀疏隨機高斯矩陣作為測量模型建模，提出一種能夠在極端環(huán)境下持續(xù)預(yù)測車輛位置的新方法。為了應(yīng)對GPS信號無缺失、部分缺失和完全缺失的不同場景，提出一種高斯模型用于調(diào)整GPS信號傳播權(quán)值。提出稀疏隨機高斯預(yù)測(SRGP)方法，用于GPS信號無缺失和完全缺

14、失場景下的車輛位置預(yù)測。對于GPS信號部分缺失時，為提高位置預(yù)測的可靠性，在SRGP方法中結(jié)合貝葉斯推斷方法對GPS和INS的測量值輸入進行建模。選擇合適的滑動窗，用于控制GPS和INS的數(shù)據(jù)流大小。與本論文的第一個工作類似，將非高斯分布的測量噪聲建模為非零形狀的廣義噪聲分布模型。通過環(huán)繞湖南大學(xué)校區(qū)，進行了25分鐘的實際路測實驗，車輛行駛過程中經(jīng)過了GPS信號無缺失、部分缺失和完全缺失區(qū)域。分別用B-SRGP(gn)和B-SRGP(n