[发明专利]一种基于自适应卡尔曼滤波的车辆速度预测方法

摘要

一种基于自适应卡尔曼滤波的车辆速度预测方法，包括以下步骤1)在RFID射频识别系统中，通过射频信号自动识别高速行驶的车辆并获取相关数据，实现在路面时的数据采集；2)针对采集的相关信息，利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测，利用状态空间模型将速度公式转化为状态方程和观测方程，再利用卡尔曼滤波算法对高速移动的小车速度进行预测，卡尔曼滤波分为两部分来进行速度更新时间更新和测量更新。本发明提供了一种提高汽车的操纵稳定性和主动安全性、降低交通事故发生率的基于自适应卡尔曼滤波的车辆速度预测方法。

主权项

一种基于自适应卡尔曼滤波的车辆速度预测方法，所述预测方法包括如下步骤：1)在RFID射频识别系统中，通过射频信号自动识别高速行驶的车辆并获取相关数据，实现在路面时的数据采集；其中，数据采集的步骤如下：步骤1.1：当车辆通过标签的时候，每个车辆首先会读取之前车辆记录在该标签的前车状态信息，状态信息包括车辆的当前速度和时间戳；步骤1.2：车辆将自己的状态信息写入该标签，考虑到RFID标签存储容量的限制，标签仅存储通过的最新的车辆的状态信息；2)针对采集的相关信息，在面对路面，利用自适应卡尔曼滤波算法对高速移动的小车进行速度预测，其中，速度的计算公式为：v(k)=Σi=1Nαiv(k-i)+ϵk]]>在此，各参数定义如下：αi：第i阶时速度所占的权重；εk：样本时间k的偏差；N：卡尔曼滤波预测速度的总阶数；v(k)：样本时间k的小车速度；利用状态空间模型将上述速度公式转化为状态方程和观测方程，其中，方程如下所示：zk＝Hvk‑1+R；在此，各参数定义如下：A：状态转移矩阵；B：将输入转为状态的转换矩阵；uk：在k时刻小车的加速度；vk‑1：在k‑1时刻小车的最优速度值，即预测后的修正值；在k时刻小车的速度预测值；H：将状态转为输出的转换矩阵；R：呈高斯分布的测量噪声；zk：在k时刻小车的速度观测值；建立了状态空间模型，再利用卡尔曼滤波算法对高速移动的小车速度进行预测，卡尔曼滤波分为两部分来进行速度更新：时间更新和测量更新，其中，时间更新的步骤如下：步骤2.1：向前推算状态变量，假设当前状态在k‑1时刻，由该时刻的最优速度值vk1去预测k时刻小车的速度其中，步骤2.2：向前推算误差协方差，由上一次的误差协方差Pk‑1和过程噪声Q来预测新的误差其中，其中，测量更新的步骤如下：步骤2.3：根据预测的新的误差和测量噪声R来计算卡尔曼增益Kk，其中，H为将状态转为输出的转换矩阵；步骤2.4：由现在状态的预测结果和现在状态的观测值zk，可以得到当前状态的最优速度值vk，其中，公式如下：zk＝Hvk‑1+R；步骤2.5：更新误差协方差，得到Pk值，为下一步k+1时刻预测新的误差协方差做准备，其中，I为单位阵；步骤2.6：更新迭代次数k为k＝k+1并重新回到步骤2.1开始新一轮的计算；其中，上述步骤中各参数定义如下：R：测量噪声，不随系统状态变化而变化，设为定值；Q：过程噪声，不随系统状态变化而变化，设为定值。