一种基于航位推算协同的车联网定位精度提升系统及方法与流程

1.本发明涉及高精度协同定位技术领域，具体涉及一种基于航位推算协同的车联网定位精度提升系统及方法。


背景技术：

2.随着经济的发展和技术的进步，越来越多的人倾向于购买汽车，随之而来的是各种交通问题的出现，如交通拥堵、事故频发等问题，有鉴于此，智能交通系统应运而生，以改善车辆驾驶和运行环境，其中车辆驾驶安全是非常重要的，为了确保驾驶安全，防碰撞警告已被广泛应用。研究表明，如果司机能提前了解附近其他车辆的位置，就可以避免危险事故的发生。
3.现有的解决方案是：每个车辆通过车辆无线通信技术不断广播，通知临近车辆其位置，而车辆的定位精度在很大程度上取决于全球定位系统(gps)设备。全球定位系统是一种天基卫星导航系统，已被用于发展车辆导航。然而，gps设备仍然存在一些影响定位精度的因素，例如，gps信号可能被建筑物阻塞或受到来自对流层和电离层的大气的影响。一般来说，常规的gps可以在密集的城市环境中提供5-30米内的精度。显然，gps定位的精度水平不足以支持车辆安全驾驶。


技术实现要素：

4.本发明目的之一在于提供一种可提高gps定位精度的基于航位推算协同的车联网定位精度提升方法。
5.本发明一种基于航位推算协同的车联网定位精度提升方法，包括如下内容：
6.获取目标车辆和临近车辆的gps位置；
7.采用dr算法校正目标车辆和临近车辆的gps位置；
8.采用ipc算法对dr算法中的初始位置偏差进行校正。
9.本发明的有益效果如下：本发明技术解决了gps定位的传统技术在车辆对路边和车辆对车辆的方法等车辆安全应用中具有较低的精度定位能力的问题。通过ipc算法对dr算法中的初始位置偏差进行校正，将ipc算法和dr算法相结合，可以有效的减小定位误差，即使vanet中仅具有两个车辆节点也具有良好效果。此外，ipc算法不需要任何额外的信息，如城市数字地图。实验结果表明，在实际城市环境中，采用本方法平均定位精度提高了15％。
10.进一步，为了克服dr算法存在一些缺点，如误差积累和第一个参考点位置存在偏差，本发明设计了ipc算法，所述的ipc算法采用gps位置最大允许误差pg和两辆车之间的相对距离dv来对目标车辆和临近车辆的位置范围分别进行校正。
11.进一步，所述的ipc算法步骤如下：
12.步骤1：接收目标车辆和临近车辆的gps位置，测量目标车辆和临近车辆的相对距离dv和角度，获取临近车辆的id；
13.步骤2：对目标车辆和临近车辆均分别进行平行校正和竖直校正，判断是否在校正向量限制条件内，若是，采用gps位置最大允许误差pg和两辆车之间的相对距离dv估算两辆车的位置范围，计算真实误差半径；
14.步骤3：判断真实误差半径是否小于pg，若是，则对目标车辆和临近车辆的gps位置进行校正。
15.ipc算法不仅提高了gps的定位，也为dr算法提供了准确的初始位置输入。进一步，通过ipc算法对目标车辆和临近车辆的gps位置进行校正的方法具体如下：
16.目标车辆和一个临近车辆的真实位置分别定义为：c1：和c2：由于gps位置误差效应，目标车辆和一个临近车辆的位置漂移到g1：和g2：两辆车的相对距离为dv，两辆车之间的夹角为θv，分别进行平行校正和垂直校正，在平行校正中，和是g1和g2在经度轴上的投影，是dv在经度轴上的投影，表示如下：
[0017][0018]
两辆车的gps位置之间的距离为dg，dg在经度轴上的投影为pg为gps的最大允许误差，由于gps误差效应，真实位置必须在pg内，表示如下：
[0019][0020][0021]
分别采用校正向量一和校正向量二进行校正，校正向量一如下：
[0022][0023][0024]
校正向量二如下：
[0025][0026][0027]
按照同样的方式进行垂直校正，将垂直校正和平行校正结果相结合即为校正后的目标车辆和一个临近车辆的gps位置。
[0028]
ipc算法能够在两辆车协同的情况下良好运行，车辆协同节点增加则效果越好。ipc算法的核心是仅使用gps最大误差pg和两辆车之间的真实距离dv来限制其可能位置的范围。每个车辆vi都会检索其信息gps信息，包括它的纬度、经度、速度和航向，然后开始测量它和邻居之间的相对距离。最后，通过wave/dsrc通信与邻居共享其gps和测量信息，每个车辆vi将继续随机选择一个候选车辆(如前车辆、右前车辆或左前车辆)，使用ipc算法估计位置，直到其所有邻居都正确为止。
[0029]
进一步，为了识别出目标车辆测量的是邻近的哪辆车，本发明还包括对临近车辆的id进行识别，采用数字样本数据库来识别临近车辆id。事先在服务器中设置有数字样本数据库，以便于比对识别出邻近车辆id。
[0030]
进一步，还包括在各个车辆之间对车辆id进行共享，以节省图像处理时间。
[0031]
进一步，还包括对临近车辆进行信息识别，并比较识别信息与其他车辆共享的车辆身份证列表，来识别出临近车辆id。这样，图像识别软件就不会浪费时间来识别所有的汽
车号码。它只需要识别一些信息，然后比较其他车辆广播汽车身份证的列表。
[0032]
本发明的目的之二在于提供一种可提高gps定位精度的基于航位推算协同的车联网定位精度提升系统。
[0033]
本发明一种基于航位推算协同的车联网定位精度提升系统，包括gps接收模块，用于获取目标车辆自身的gps位置；
[0034]
通信模块，用于获取临近车辆的gps位置；
[0035]
gps位置校正模块，采用dr算法校正目标车辆和临近车辆的gps位置；
[0036]
dr初始位置校正模块，采用ipc算法对dr算法中的初始位置偏差进行校正。
[0037]
采用本发明的系统：系统架构使用dr算法，通过参考旧的旅行记录来校准任何跳跃的gps信号。这样，cp方法就可以过滤额外不合理的位置。
[0038]
为了克服dr算法存在一些缺点，如误差积累和第一个参考点必须正确的事实。系统设计了ipc算法，为gps提供比原始gps更大的精度来克服这些缺点。
[0039]
进一步，为了节省图像处理时间，所述的通信模块，还用于在各个车辆之间对车辆id进行共享。
[0040]
进一步，为了使图像识别软件就不会浪费时间来识别所有的汽车号码，它只需要识别一些信息，然后比较其他车辆广播汽车身份证的列表，还包括识别模块，所述识别模块用于识别临近车辆和目标车辆之间的相对距离以及夹角，还用于识别临近车辆的id；
[0041]
所述采用ipc算法对dr算法中的初始位置偏差进行校正步骤如下：
[0042]
步骤1：接收目标车辆和临近车辆的gps位置，测量目标车辆和临近车辆的相对距离dv和角度，获取临近车辆的id；
[0043]
步骤2：对目标车辆和临近车辆均分别进行平行校正和竖直校正，判断是否在校正向量限制条件内，若是，采用gps位置最大允许误差pg和两辆车之间的相对距离dv估算两辆车的位置范围，计算真实误差半径；
[0044]
步骤3：判断真实误差半径是否小于pg，若是，则对目标车辆和临近车辆的gps位置进行校正。
[0045]
ipc算法的核心是仅使用gps最大误差pg和两辆车之间的真实距离dv来限制其可能位置的范围。ipc算法不仅提高了gps的定位，也为dr算法提供了准确的初始位置，校正了dr算法的初始位置偏差，进而提高gps的定位精度。
附图说明
[0046]
图1为本发明一种基于航位推算协同的车联网定位精度提升方法实施例中dr航位推算方法的示意性原理图；
[0047]
图2为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例cp协同定位中的车对路边单元cp方法示意性原理图；
[0048]
图3为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例cp协同定位中的车对车cp方法示意性原理图；
[0049]
图4为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例中ipc算法的流程图；
[0050]
图5为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例中
以gps最大允许误差为pg来获得两辆车v1和v2各自的gps位置范围g1和g2；
[0051]
图6为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例中利用向量dv的右运动来限定的车辆v2的真实位置范围；
[0052]
图7为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例中利用向量dv的左运动来限定的车辆v1的真实位置范围；
[0053]
图8为本发明一种基于航位推算协同的车联网定位精度提升方法及系统实施例中两辆车修改后的位置范围；
[0054]
图9为本发明一种基于航位推算协同的车联网定位精度提升系统的示意性框图。
具体实施方式
[0055]
下面通过具体实施方式进一步详细说明：
[0056]
本实施例公开的一种基于航位推算协同的车联网定位精度提升方法，包括如下内容：
[0057]
获取目标车辆和临近车辆的gps位置；
[0058]
采用dr算法校正目标车辆和临近车辆的gps位置；
[0059]
采用ipc算法对dr算法中的初始位置偏差进行校正。
[0060]
由于gps系统可能是跳跃的，误差约为5-30米，本方法使用dr算法，通过参考旧的旅行记录来校正任何跳跃的gps信号。
[0061]
在重点阐述本实施例的方法和系统前，先来介绍下地理信息系统(gis)，地理信息系统(gis)是近年来集成所有地理数据和地理信息系统快速发展的系统。信息和通信技术经常应用于地理信息系统技术，以创建用于车辆导航的城市数字地图。采用gis定位，提高定位精度。这个技术是基于使用数字地图来限制车辆相对于道路的估计位置。通常采用三种不同类型的相关地图匹配技术：点曲线、曲线对曲线的距离和曲线对曲线的夹角。点对曲线的方法将gps点与最近的道路匹配，曲线对曲线的距离的方法根据两个末端gps点的总和将车辆与道路匹配。曲线角法将车辆与两端gps点和道路的最小角度相匹配。然而，地图匹配技术需要额外的硬件成本和时间来提前节省gis信息。
[0062]
在本实施例的方法中，dr算法，也即dr航位推算，其原理是：
[0063]
航位推算(dr dead reckoning)是一种使车辆能够用坏的gps信号来估计其当前位置的方法。使用这种技术，dr测量使用从惯性导航系统和参考位置获得的车辆驾驶数据(如速度和方向)来计算其下一次的位置。附图1显示了车辆行驶的二维平面空间。车辆在tk时刻(xk、yk)处的位置方程可以表示为：
[0064][0065][0066]
其中，(x0、y0)是车辆在t0时的初始位置，si和θi分别是车辆在时间间隔t期间的行驶距离和位移向量从车辆的位置(xi、yi)到ti 1时(xi 1、yi 1)的角度。该方法缺乏一种持续
的误差反馈校正机制，即无法对初始位置偏差进行校正。
[0067]
为了克服dr算法存在的一些缺点，如误差积累和第一个参考点(即初始位置)存在偏差的问题。本方法进一步采用ipc算法，采用ipc算法对dr算法中的初始位置偏差进行校正，提供比原始gps更高的精度来克服这些缺点。
[0068]
在详细介绍ipc算法之前，先介绍cp协同定位技术。
[0069]
cp协同定位：近年来，车辆网络中无线通信技术的快速发展，如wave/dsrc系统，
[0070]
使车辆应用的许多方面通过共享信息更加强大，wave/dsrc系统的通信协议为ieee802.11p(ieee1609)标准:利用wave/dsrc技术来解决车辆定位问题，它是一种可以利用无线通信技术来提高车辆定位精度的方法。一般来说，cp协同定位分为两种不同的方法：v2r和v2v，如图2和图3所示。前者使用参考的路边单位来提前通知车辆道路状况。后者使用多辆车辆共享其驾驶信息，以提高对其共同位置的认识。
[0071]
现有的cp协同定位在定位过程通常包括三个阶段：
[0072]
第一阶段：检测或测量阶段，通常为路边单元或车载单元(obu)而设计，以估计相对物体(即相对距离和物体id)的状况。
[0073]
第二阶段：数据共享阶段，在此期间，车辆向邻居传达驾驶信息或道路上发生的信息。
[0074]
第三阶段：通过数据融合进行位置更新，最后使用数学模型来更新车辆的状态。
[0075]
v2r，即车对路边单元cp方法，通常采用差分gps(即dgps)实现：dgps使用地面参考站来确定gps误差，通过比较已知的固定位置和gps位置，并广播此错误，以帮助附近的车辆确定其位置。另一种方法使用路边单元为车辆提供准确的位置。这可以更准确地提供初始dr位置，以帮助克服dr错误积累问题。
[0076]
由此可见，车对路边单元cp方法通常需要额外的硬件成本来提高位置精度。事实上，参考站的分布对v2rcp方法有巨大的影响，包括成本和确保任何车辆必须在vanet中一个参考站的覆盖范围内。
[0077]
v2v，即车对车cp方法，可以很容易地克服额外硬件设备成本这个问题，许多车辆都有能力通过雷达和视频传感器等obu设备来测量彼此相对的距离。目前有些技术利用无线电的特性测量车辆相对距离；然而，由于噪声和多路径干扰等环境影响，基于无线电的测距精度不足。还有使用两个方向相反的车辆之间的dsrc通信来基于多普勒频移测量相对速度的技术。然而，如果两辆车的相对速度较小，多普勒效应可能不明显。此外，多普勒频移偏移的分析需要额外的硬件来进行物理层的频率分析。此外，还有利用车辆视频记录器和车道级数字地图来帮助克服gps定位错误。当车辆收到gps位置时，它们将其位置与数字地图相匹配，以识别一个车道指数，称为gps车道。由于gps错误，他们的gps车道也可能包含一个错误。因此，使用视频图像来确定道路上的绝对车道指数，称之为视频车道。每辆车辆比较其gps车道和视频车道，以验证gps位置的准确性。最后，每个车辆都可以使用其邻居的验证值和其他车辆预测的位置来更新自己的位置。然而，在大多数城市还没有详细的车道级数字地图，gps误差向量在道路的垂直方向上发生漂移。
[0078]
总之，这些cp协同定位技术在实际交通环境中均存在一些应用困难。
[0079]
为进一步克服上述cp协同定位技术存在的问题，本发明实施例公开了一种ipc算法，所述的ipc算法采用gps位置最大允许误差pg和两辆车之间的相对距离dv来对目标车辆
和临近车辆的位置范围分别进行校正。
[0080]
进一步地，如附图4所示，所述的ipc算法步骤如下：
[0081]
步骤1：接收目标车辆和临近车辆的gps位置，测量目标车辆和临近车辆的相对距离dv和角度，获取临近车辆的id；
[0082]
本实施例中，如图4所示，若未获取到图像信息，则直接采用dr算法对gps位置进行更新。
[0083]
步骤2：对目标车辆和临近车辆均分别进行平行校正和竖直校正，判断是否在校正向量限制条件内，若是，采用gps位置最大允许误差pg和两辆车之间的相对距离dv估算两辆车的位置范围，计算真实误差半径；
[0084]
本实施例中，若未在校正向量限制条件内，则也是直接采用dr算法对gps位置进行更新。
[0085]
步骤3：判断真实误差半径是否小于pg，若是，则对目标车辆和临近车辆的gps位置进行校正，将校正后的gps位置作为dr算法的初始位置，即实现对dr算法的初始位置的校正。并基于校正后的gps位置更新gps定位。
[0086]
同样的，若真实误差半径大于或者等于pg，则也是直接采用dr算法对gps位置进行更新。
[0087]
ipc算法能够在两辆车协同的情况下良好运行，车辆协同节点增加则效果更好。ipc算法的核心是仅使用gps最大误差pg和两辆车之间的真实距离dv来限制两辆车的位置范围。每个车辆vi都会以每100ms检索其gps信息，包括它的纬度、经度、速度和航向，然后开始测量它和邻居车辆之间的相对距离。最后，通过wave/dsrc通信与邻居共享其gps和测量信息，目标车辆将继续随机选择一个临近车辆(如前车辆、右前车辆或左前车辆)，使用本实施公开的基于航位推算协同的车联网定位精度提升方法修正临近车辆的gps位置，直到目标车辆和所有临近车辆的gps位置都达到要求，本实施例所述的达到要求是指如每次通过向量校正后，收敛速度降低到指定程度。
[0088]
每辆车都会计算其gps信息，并准备为其临近车辆进行广播。当目标车辆通过dsrc通信接收到其邻近车辆的信息时，使用网络摄像头传感器来捕捉自己前面的视图，并使用这个图像来识别临近车辆的id和它们之间的相对距离。
[0089]
如果它成功地识别到此信息，即当目标车辆同时具有gps信息和相对距离时，ipc算法根据纬度和经度分别进行垂直校正和平行校正。然后根据表1中的校正向量修正定位误差。
[0090]
最后，ipc算法将垂直校正和平行校正后的位置作为新的定位位置，ipc算法不仅提高了gps的定位精度，也为dr算法提供了最准确的初始位置输入。
[0091]
更具体地，ipc算法的校正原理介绍如图5、图6、图7、图8所示：
[0092]
首先，如图5所示，假设该区域的最大gps误差为pg，两辆车v1和v2获得各自的gps位置g1和g2。可以认为vi的真实位置必须在圆的范围内，其中心在其gps位置，半径等于pg。因此，如图6所示，使用测量距离dv减小真实的位置范围，利用向量dv的右运动，可以确定出最大运动量受到v1和pg的限制。因此，车辆v2的真实位置仅被限制在图6中的圆圈内。同样地，在图7中，我们通过向左移动dv来限制v1的真实位置。然后，如图8所示，两个车辆的修改位置在圆圈内找到。
[0093]
通过ipc算法对目标车辆和临近车辆的gps位置进行校正的方法具体如下：
[0094]
目标车辆和一个临近车辆的真实位置分别定义为：c1：和c2：由于gps位置误差效应，目标车辆和一个临近车辆的位置漂移到g1：和g2：两辆车的相对距离为dv，两辆车之间的夹角为θv，分别进行平行校正和垂直校正，在平行校正中，和是g1和g2在经度轴上的投影，是dv在经度轴上的投影，表示如下：
[0095][0096]
两辆车的gps位置之间的距离为dg，可以通过比较其纬度和经度之间的差值来计算，dg在经度轴上的投影为直接由和之间的距离计算，如表1所示。ipc算法计算了修正值，它还必须确定修正方向。表1详细描述了真实位置与gps位置之间不同关系的四种情形，这四种情形的分类标准根据两个车辆gps位置和pg参数而定，然后利用限制条件来确定校正方向。
[0097][0098]
表1
[0099]
pg为gps的最大允许误差，pg值根据车辆的定位能力来决定，例如，当使用的定位技术是gps时，假设pg值为20-30m，如果将gps定位技术转换为广域增强系统或差分gps，pg值将更改为7或10m。
[0100]
由于gps误差效应，真实位置必须在pg内，表示如下：
[0101][0102][0103]
分别采用校正向量一和校正向量二进行校正，对于校正向量一，和在和的范围内；对于校正向量二，和超出了和的范围。
[0104]
属于校正向量一时，减少gps误差范围的公示如下：
[0105][0106]
[0107]
属于校正向量二时，减少gps误差范围的公示如下：
[0108][0109][0110]
按照同样的方式进行垂直校正，将垂直校正和平行校正结果相结合即为校正后的目标车辆和一个临近车辆的gps位置。
[0111]
本实施例中，还包括对临近车辆的id进行识别，采用数字样本数据库来识别临近车辆id。本实施例中车辆的id采用车牌，采用图像识别技术对车辆的id进行识别。为了减少图像的识别处理时间，图像可以分割成不同的数据段，比如原始图像像素为640
×
480，则可以将其分成300
×
480的小段。
[0112]
在另一些实施例中，还包括采用dsrc技术，在各个车辆之间对车辆id进行共享，因此在识别临近车辆id时，只需对临近车辆进行信息识别，并比较识别信息与其他车辆(如临近车辆)共享的车辆身份证列表，来识别出临近车辆id。例如，如果一辆车辆知道某个临近车辆的车牌，如4567ab，图像识别只需要识别一些数字，如4567，就可以直接识别出来，使图像处理时间更快。
[0113]
在本实施例中，与所述方法对应的，还提供了一种基于航位推算协同的车联网定位精度提升系统，如图9所示，包括gps接收模块，用于获取目标车辆自身的gps位置，gps接收模块采用gps接收器；
[0114]
通信模块，用于获取临近车辆的gps位置，通信模块采用wave/dsrc通信模块，wave/dsrc的通信协议分别为ieee802.119(ieee1609)标准；
[0115]
gps位置校正模块，采用dr算法校正目标车辆和临近车辆的gps位置；
[0116]
dr初始位置校正模块，采用ipc算法对dr算法中的初始位置偏差进行校正。
[0117]
本实施例中所述的通信模块，还用于在各个车辆之间对车辆id和位置信息进行共享，还包括识别模块，所述识别模块用于识别临近车辆和目标车辆之间的相对距离、夹角以及临近车辆的id；将目标车辆的gps位置、临近车辆和目标车辆之间的相对距离、夹角以及临近车辆的id进行数据融合，融合后通过ipc算法对dr算法中的初始位置偏差进行校正。
[0118]
本实施例所述系统中，采用ipc算法对dr算法中的初始位置偏差进行校正步骤如下：
[0119]
步骤1：接收目标车辆和临近车辆的gps位置，测量目标车辆和临近车辆的相对距离dv和角度，获取临近车辆的id；
[0120]
步骤2：对目标车辆和临近车辆均分别进行平行校正和竖直校正，判断是否在校正向量限制条件内，若是，采用gps位置最大允许误差pg和两辆车之间的相对距离dv估算两辆车的位置范围，计算真实误差半径；
[0121]
步骤3：判断真实误差半径是否小于pg，若是，则对目标车辆和临近车辆的gps位置进行校正。
[0122]
应当指出，对于本领域的技术人员来说，在不脱离本发明技术构思的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。