本文關(guān)鍵詞：基于多傳感器融合的車輛導(dǎo)航系統(tǒng)研究與實現(xiàn)　出處：《北京工業(yè)大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 智能車輛 導(dǎo)航定位 濾波算法 多模型 GPS 非視距傳播

【摘要】：隨著科技的發(fā)展與社會的進步,城市交通問題越來越受到人們的關(guān)注,無人駕駛智能車技術(shù)已經(jīng)成為了解決城市交通問題的重要手段,其中導(dǎo)航定位技術(shù)是實現(xiàn)車輛無人駕駛的關(guān)鍵環(huán)節(jié)。導(dǎo)航定位系統(tǒng)主要采用相應(yīng)傳感器設(shè)備采集車輛位姿信息以及車速信息,并發(fā)送給執(zhí)行機構(gòu)產(chǎn)生相應(yīng)策略后進行底層控制。本課題著重研究導(dǎo)航系統(tǒng)多傳感器融合技術(shù),同時建立了導(dǎo)航系統(tǒng)軟件平臺,實時顯示車輛位姿信息。為無人駕駛智能車提供精確、可靠的導(dǎo)航信息。本文以北京工業(yè)大學(xué)智能車為實驗驗證平臺,實現(xiàn)校園路況下在線精確采集車輛位姿。主要內(nèi)容如下:文章對國內(nèi)外智能車輛研究現(xiàn)狀及無人駕駛車導(dǎo)航定位方法的發(fā)展與現(xiàn)狀進行了探討與闡述。隨后介紹了本文涉及到的兩種常見的導(dǎo)航定位系統(tǒng):全球定位系統(tǒng)(GPS)與慣性導(dǎo)航系統(tǒng)(INS),以及它們的組成、原理及誤差分析。根據(jù)導(dǎo)航系統(tǒng)建立了車輛運動學(xué)模型,并研究了常用的幾種運動學(xué)模型,根據(jù)車輛行駛狀況提出了改進的多模型結(jié)構(gòu),提高了模型的運算速度與準(zhǔn)確性。同時,針對無人駕駛智能車在城市道路環(huán)境中,GPS信號以非視距(NLOS)傳播而造成偽距估計偏差,導(dǎo)致定位不準(zhǔn)確的問題,以視覺信息為篩選條件,融入在線采集車輛行駛周圍環(huán)境的機器視覺信息,結(jié)合GPS提供的車體當(dāng)前位置坐標(biāo)、航向角、速度值等,有效篩選出因非視距傳播而造成的偏差數(shù)據(jù)。其次,數(shù)據(jù)融合技術(shù)是導(dǎo)航系統(tǒng)能否成功導(dǎo)航定位的關(guān)鍵詞素,因此本文對卡爾曼濾波及相關(guān)濾波技術(shù)進行了深入的研究,并以容積卡爾曼濾波算法(CKF)為基礎(chǔ)解決單一濾波算法與智能車系統(tǒng)模型不匹配、魯棒性不強、容易受到初始值誤差影響難以適應(yīng)無人駕駛智能車運動特點的問題,在CKF基礎(chǔ)上增加衰減因子、自適應(yīng)濾波理論,引入IMM結(jié)構(gòu),分別克服了歷史數(shù)據(jù)對濾波的影響、系統(tǒng)線性化誤差、以及參數(shù)設(shè)置難以適應(yīng)模型不確定性的問題。并優(yōu)化GPS坐標(biāo)轉(zhuǎn)換算法,更適應(yīng)無人駕駛智能車實時性的要求。最后,介紹了智能車輛導(dǎo)航系統(tǒng)總體設(shè)計方案,基于Nov Atel差分GPS硬件平臺,上位機在Visual Studio 2008環(huán)境下對采集到的數(shù)據(jù)進行分析與融合處理,并實現(xiàn)導(dǎo)航系統(tǒng)的可視化效果,將車輛位姿信息下發(fā)給底層執(zhí)行機構(gòu)完成相應(yīng)控制。通過實車實驗,證明所研究的導(dǎo)航系統(tǒng)適用于無人駕駛智能車輛,驗證了本文提出的方法的有效性。
[Abstract]:With the development of science and technology and the progress of society, people pay more and more attention to urban traffic problems. The technology of driverless intelligent vehicles has become an important means to solve urban traffic problems. The navigation and positioning technology is the key link to realize the vehicle unmanned driving. The navigation and positioning system mainly uses the corresponding sensor equipment to collect the vehicle position and posture information as well as the speed information. And sent to the executive mechanism to generate the corresponding strategy for the underlying control. This topic focuses on the study of navigation system multi-sensor fusion technology, and build the navigation system software platform. It can provide accurate and reliable navigation information for driverless smart vehicle. This paper takes the smart vehicle of Beijing University of Technology as the experimental verification platform. The main contents of this paper are as follows:. In this paper, the current situation of intelligent vehicle research and the development and status quo of driverless vehicle navigation and positioning methods are discussed and expounded. Then, two common navigation and positioning systems are introduced in this paper. Global Positioning system (GPS). GPS) and inertial navigation systems (ins). According to the navigation system, the vehicle kinematics model is established, and several commonly used kinematics models are studied, and an improved multi-model structure is proposed according to the vehicle driving condition. The calculation speed and accuracy of the model are improved. At the same time, the error of pseudo-range estimation is caused by the spread of GPS signal in urban road environment by non-line-of-sight (NLOS). The problem of inaccurate positioning is caused by taking visual information as the screening condition, integrating with the on-line acquisition of the machine vision information of the surrounding environment of the vehicle, combined with the current position coordinates, heading angles and velocity values of the car body provided by GPS. The deviation data caused by the non-line-of-sight propagation are screened out effectively. Secondly, the data fusion technology is the key word of whether the navigation system can successfully navigate and locate. Therefore, the Kalman filter and related filtering techniques are studied in this paper, and based on the volume Kalman filter algorithm (CKF) to solve the single filtering algorithm and smart car system model mismatch. The robustness is not strong, and it is difficult to adapt to the motion characteristics of driverless intelligent vehicle by initial error. Based on CKF, the attenuation factor is added, the adaptive filtering theory is introduced, and the IMM structure is introduced. It overcomes the influence of historical data on filtering system linearization error and parameter setting which is difficult to adapt to the uncertainty of the model and optimizes the GPS coordinate transformation algorithm. Finally, the overall design scheme of intelligent vehicle navigation system, based on Nov Atel differential GPS hardware platform, is introduced. The data collected by the upper computer are analyzed and fused in the environment of Visual Studio 2008, and the visualization effect of the navigation system is realized. The position and pose information of the vehicle is sent to the bottom executive to complete the corresponding control. The experimental results show that the navigation system is suitable for the unmanned intelligent vehicle, and the effectiveness of the proposed method is verified.
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U463.67;TP212

【相似文獻】

相關(guān)期刊論文 前10條

1 徐友春,王榮本,李兵,李斌;世界智能車輛近況綜述[J];汽車工程;2001年05期

2 郭烈,王榮本,顧柏園,余天洪;世界智能車輛行人檢測技術(shù)綜述[J];公路交通科技;2005年11期

3 李旭;張為公;;智能車輛導(dǎo)航技術(shù)的研究進展[J];機器人技術(shù)與應(yīng)用;2007年04期

4 程釗;萬齊齊;唐旋來;劉廣林;彭剛;黃心漢;王永驥;;智能車道路識別及控制研究[J];伺服控制;2007年06期

5 劉運哲;智能車輛公路系統(tǒng)評價體系[J];國外公路;1997年02期

6 劉東民;智能車輛的開發(fā)目標(biāo)及方向[J];陜西汽車;1999年02期

7 熊升華;趙海良;;基于矩形安全鄰域的智能車移動仿真研究[J];計算機應(yīng)用研究;2013年12期

8 潘明;汪鐳;康琦;吳啟迪;;基于電磁信號導(dǎo)航的智能車系統(tǒng)設(shè)計與開發(fā)[J];中國科技論文;2014年04期

9 王榮本,李兵,施樹明,李斌;世界智能車輛研究概述[J];公路交通科技;2001年05期

10 黨宏社,韓崇昭,段戰(zhàn)勝;智能車輛系統(tǒng)發(fā)展及其關(guān)鍵技術(shù)概述[J];公路交通科技;2002年06期

相關(guān)會議論文 前6條

1 張祖鋒;徐友春;張鵬;朱增輝;;縮微智能車的環(huán)境感知與控制決策算法研究[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

2 汪鐵民;;智能車輛的若干問題[A];四川省第九屆（2009年）汽車學(xué)術(shù)交流年會論文集[C];2009年

3 黃鴻;呂曉華;任雪梅;;基于SPCE061A的智能車模語音控制系統(tǒng)[A];國產(chǎn)科學(xué)儀器應(yīng)用、創(chuàng)新和產(chǎn)業(yè)化學(xué)術(shù)研討會論文集（二）[C];2007年

4 張國伍;錢大琳;;中國智能交通發(fā)展戰(zhàn)略構(gòu)想[A];西部開發(fā)與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第12屆年會論文集[C];2002年

5 王立琦;杜茂;;基于激光掃描儀的智能車前方障礙物檢測[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2010年

6 孫懷江;;ALVINN及其擴展[A];全面建設(shè)小康社會：中國科技工作者的歷史責(zé)任——中國科協(xié)2003年學(xué)術(shù)年會論文集（上）[C];2003年

相關(guān)重要報紙文章 前4條

1 記者 劉莉;“中國智能車未來挑戰(zhàn)賽”西安開戰(zhàn)[N];科技日報;2010年

2 陳海霞　顏士秀 小莉;常州“智能車”全國奪冠[N];常州日報;2010年

3 記者張兆軍;兩種智能車 無人可駕駛[N];科技日報;2003年

4 記者 孫春艷;“科博會”在京開幕[N];吉林日報;2003年

相關(guān)博士學(xué)位論文 前10條

1 錢臻;基于組合定位技術(shù)的多智能車輛合作編隊仿真技術(shù)研究[D];東北林業(yè)大學(xué);2012年

2 汪明磊;智能車輛自主導(dǎo)航中避障路徑規(guī)劃與跟蹤控制研究[D];合肥工業(yè)大學(xué);2013年

3 劉華軍;面向智能車輛的道路環(huán)境理解技術(shù)研究[D];南京理工大學(xué);2007年

4 李進;視覺導(dǎo)航智能車輛的路徑識別和跟蹤控制[D];合肥工業(yè)大學(xué);2008年

5 沈志熙;基于視覺導(dǎo)航的智能車輛在城區(qū)復(fù)雜場景中的目標(biāo)檢測技術(shù)研究[D];重慶大學(xué);2008年

6 王鋒輝;面向區(qū)域智能運輸?shù)亩嘀悄苘囕v協(xié)作研究[D];上海交通大學(xué);2009年

7 焦俊;基于多Agent系統(tǒng)的智能車輛自主行駛控制研究[D];合肥工業(yè)大學(xué);2010年

8 郭景華;視覺導(dǎo)航式智能車輛橫向與縱向控制研究[D];大連理工大學(xué);2012年

9 李貽斌;ITS智能車輛關(guān)鍵技術(shù)研究[D];天津大學(xué);2008年

10 胡玉文;城市環(huán)境中基于混合地圖的智能車輛定位方法研究[D];北京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 馬育林;智能車自主駕駛控制系統(tǒng)研制與試驗[D];武漢理工大學(xué);2010年

2 邱迎;道路自動識別與控制的智能車系統(tǒng)的研究[D];重慶大學(xué);2010年

3 王蓮花;縮微交通環(huán)境下路口多車協(xié)作控制方法研究[D];東北大學(xué);2014年

4 潘堯;基于智能車輛立體視覺定位研究[D];湖北工業(yè)大學(xué);2016年

5 袁方;基于智能車的自動曝光研究[D];湖北工業(yè)大學(xué);2016年

6 李曉蕓;考慮避撞的多智能車平臺動態(tài)路徑跟蹤控制研究[D];北京理工大學(xué);2016年

7 付慧敏;基于鄰域系統(tǒng)和軟優(yōu)化的智能車自動倒車控制算法[D];西南交通大學(xué);2016年

8 武峰;兩輪直立光電導(dǎo)航智能車的研究與實現(xiàn)[D];安徽工程大學(xué);2016年

9 吳祥;基于電磁導(dǎo)航智能車的控制研究及實現(xiàn)[D];安徽工程大學(xué);2016年

10 何求;四輪獨立驅(qū)動智能車的整車結(jié)構(gòu)研制[D];西安工業(yè)大學(xué);2016年

，

本文編號：1419220