面向智能網(wǎng)聯(lián)汽車定位的協(xié)同地圖匹配算法*

陳 偉 杜路遙 孔海洋 傅率智 鄭洪江

（1.武漢理工大學(xué)自動化學(xué)院 武漢 430070；2.上海博泰悅臻電子設(shè)備制造有限公司 上海 200030；3.上海智能網(wǎng)聯(lián)車載終端工程技術(shù)研究中心 上海 200000）

0 引 言

近年來，隨著高精度地圖和高精度定位技術(shù)的發(fā)展，協(xié)同地圖匹配作為智能網(wǎng)聯(lián)環(huán)境下低成本高精度的定位新方式得到越來越多的關(guān)注。該方式利用智能網(wǎng)聯(lián)環(huán)境下車輛之間共享全球?qū)Ш叫l(wèi)星系統(tǒng)（global navigation satellite system，GNSS）定位數(shù)據(jù)和道路約束信息，然后在地圖匹配過程中應(yīng)用聯(lián)網(wǎng)車輛的道路約束條件，消除公共偏差，提高車輛定位精度[1]。協(xié)同定位思想最早由Karam等[2]提出，他們通過無線通信實現(xiàn)1組車輛狀態(tài)信息的互換，然后利用擴(kuò)展卡爾曼濾波（extended Kalman filter,EKF）進(jìn)行數(shù)據(jù)融合實現(xiàn)車輛定位精度的提高。Yao等[3]對1種協(xié)議進(jìn)行了改正，改進(jìn)后的協(xié)議有效的解決了協(xié)同定位所需的大量狀態(tài)信息交換時所增加的車輛網(wǎng)絡(luò)分組碰撞率問題，也提高了協(xié)同定位的有效性。羅文慧等[4]基于擴(kuò)展卡爾曼濾波融合車輛全球定位系統(tǒng)(global positioning system，GPS)和航位推算（dead reckoning，DR）數(shù)據(jù)得到交叉口車輛的初始定位，再結(jié)合地圖協(xié)同匹配(cooperative map-matching，CMM)算法修正，提高了車輛定位精度。徐宏宇等[5]通過實測GPS數(shù)據(jù)驗證了EKF算法，實驗結(jié)果表明了該算法對于GPS的定位數(shù)據(jù)具有較好的過濾效果。Schubert等[6]提出利用道路約束條件實現(xiàn)協(xié)同定位和地圖匹配，但是這種定位方式需要借助激光雷達(dá)等傳感器獲取車輛之間的相對位置，增加了算法的計算復(fù)雜度和設(shè)備成本，且還可能出現(xiàn)過度收斂問題。此后，Khaoula等[7]提出了1種協(xié)作的全分布式估計方法，該方法不會使估計過度收斂。而Efatmaneshnik等[8]提出了1種新車載網(wǎng)絡(luò)定位算法，該算法融合地圖匹配較大的減少了迭代次數(shù)和收斂時間。在此基礎(chǔ)上，Alam等[9]提出了1種通過融合車輛偽距觀測數(shù)據(jù)改進(jìn)車輛定位結(jié)果的方式，使車輛定位精度得到提升，但是該方式仍然沒有解決需要增加傳感器的問題。Mohsen等[10]提出通過原始GNSS定位數(shù)據(jù)修正公共偏差，利用道路約束條件改進(jìn)定位結(jié)果的方式。該方式不僅不需要額外增加傳感器設(shè)備，還提高了車輛定位精度。Mohsen還使用了移動參考站來擴(kuò)展DGPS的方法。該方法中，附近車輛生成的偽距以廣播的形式傳送給相鄰近的車輛所接收使用。但此方法中由于移動的參考站不具有精確的已知位置，這使得由它們產(chǎn)生的偽距校正有著明顯的不確定性。Liu等[11]提出了基于車間距檢測的分布式位置估計算法，該算法的實現(xiàn)僅依賴于不夠準(zhǔn)確的全球定位系統(tǒng)的偽距測量和獲得的車間距，而不用任何的參考點進(jìn)行定位校正，但是也帶來了定位的不確定性。Mohsen等[12]中提出了1種基于GPS數(shù)據(jù)與車距測量數(shù)據(jù)融合的分散貝葉斯協(xié)同車輛方法。該方法不僅提高了車輛定位精度，還討論了這種方法對于降低定位不確定性、過度收斂問題的影響。殷鵬等[13]基于粒子匹配精度以及匹配效率的自適應(yīng)調(diào)整方法，解決了在特定環(huán)境下機器人協(xié)同匹配的粒子退化及粒子收斂速度過慢的問題。為了定量評估道路約束對于CMM算法精度的影響，Shen等[14]提出了1項理論研究，為相關(guān)的評估提供了1個參考標(biāo)準(zhǔn)。此后，Shen等[15]提出了1種基于Rao-Blackwellized粒子濾波的協(xié)同地圖匹配算法，該算法利用偽距誤差模型計算公共偏差，能夠進(jìn)一步提高車輛定位精度。但是，通過算法仿真和分析可知，隨著迭代次數(shù)和聯(lián)網(wǎng)車輛數(shù)目的增加，地圖匹配約束條件逐漸增強，算法出現(xiàn)“粒子耗盡”問題的概率有所提升。因此，Rao-Blackwellized粒子濾波只能在短時間內(nèi)滿足算法的一致性要求，而隨著時間推移和聯(lián)網(wǎng)車輛數(shù)目的增加可能無法持續(xù)滿足這一要求。本文針對協(xié)同地圖匹配算法中隨著時間推移和聯(lián)網(wǎng)車輛數(shù)目的增加容易出現(xiàn)的“粒子耗盡”問題，提出了1種基于自適應(yīng)遺傳Rao-Blackwellized粒子濾波（RBPF）的協(xié)同地圖匹配算法，將自適應(yīng)遺傳步驟引入到粒子濾波的重采樣過程中，以增加粒子的多樣性，解決傳統(tǒng)粒子濾波算法中容易出現(xiàn)的“粒子退化”和“粒子耗盡”問題，從而實現(xiàn)持續(xù)的高精度車輛定位。

1 算法研究

1.1 協(xié)同地圖匹配算法原理

如圖1所示，綠色圓點表示車輛實際位置，紅色圓點表示GNSS接收機解算位置，紅色橢圓表示接收機定位置信區(qū)域的誤差橢圓。圖1中所示車輛利用專用短距離通信（DSRC）技術(shù)實現(xiàn)互聯(lián)，并按照圖2內(nèi)容共享自身GNSS定位原始數(shù)據(jù)（時間戳、偽距測量值），以及所處位置的地圖數(shù)據(jù)信息（道路中心線及道路寬度）供目標(biāo)車輛使用。

圖1 典型協(xié)同地圖匹配場景Fig.1 Typical scenario of the cooperative map

圖2 網(wǎng)聯(lián)數(shù)據(jù)鏈Fig.2 Datalink of the Internet of Vehicles

假設(shè)白色汽車V1為目標(biāo)車輛，即該車使用協(xié)同地圖匹配算法實現(xiàn)車輛的高精度定位，圖3展示了典型協(xié)同地圖匹配應(yīng)用場景下聯(lián)網(wǎng)車輛數(shù)目為3時目標(biāo)車輛定位置信區(qū)域的變化過程。將GNSS接收機進(jìn)行長時間靜置，可以得到接收機北向誤差的標(biāo)準(zhǔn)差σx、東向誤差的標(biāo)準(zhǔn)差σy及協(xié)方差σxy，從而計算得到誤差橢圓的置信區(qū)域。正常情況下車輛只能行駛在道路上，目標(biāo)車輛首先利用自身道路約束條件可以將其定位誤差區(qū)域縮小至圖3（a）白色網(wǎng)狀區(qū)域內(nèi)；然后，利用黑色車輛V2共享的地圖約束信息，誤差區(qū)域可以縮小至圖3（b）所示白色網(wǎng)狀區(qū)域；最后，利用藍(lán)色車輛V3的道路約束條件，可以將定位誤差范圍進(jìn)一步縮小至圖3（c）白色網(wǎng)狀區(qū)域。

圖3 對目標(biāo)車輛使用道路約束條件Fig.3 Applying vehicles road constraints to the target vehicle

1.2 基于自適應(yīng)遺傳粒子濾波的協(xié)同地圖匹配算法

為了增加粒子多樣性，解決“粒子退化”和“粒子耗盡”問題，根據(jù)協(xié)同地圖匹配算法基本原理，結(jié)合文獻(xiàn)[6]中所提出的地圖約束條件匹配方法及文獻(xiàn)[15]中所提出的rao-blackwellized粒子濾波方法，并將自適應(yīng)遺傳步驟引入粒子濾波的重采樣過程中，提出并建立基于自適應(yīng)遺傳粒子濾波的協(xié)同地圖匹配方法，算法流程見圖4。協(xié)同地圖匹配算法執(zhí)行步驟如下。

圖4 算法執(zhí)行步驟Fig.4 Steps of the algorithm

步驟1。粒子初始化，根據(jù)車輛狀態(tài)以及公共偏差值初始化一群粒子。

步驟2。根據(jù)狀態(tài)轉(zhuǎn)移方程分別估計公共偏差狀態(tài)和車輛狀態(tài)值[3]。

步驟3。計算粒子權(quán)重并根據(jù)狀態(tài)測量方程更新車輛狀態(tài)和公共偏差狀態(tài)值[3]。

步驟4。根據(jù)道路約束條件重新計算粒子權(quán)重[7]。

步驟5。自適應(yīng)遺傳重采樣，包括選擇、交叉、變異步驟。

1）選擇操作。根據(jù)輪盤賭法在采樣粒子集合中選擇一定數(shù)目的粒子作為新的粒子集成員。

2）交叉操作。在新的粒子集合中隨機選取2個粒子作為交叉父本進(jìn)行交叉配對，得到的交叉概率pc進(jìn)行交叉操作，經(jīng)過交叉配對后得到的2個新個體分別為

式中：λ:U[0,1]；η:N(0,∑)；U[0,1]為λ符合在[0,1]區(qū)間內(nèi)的均勻分布；N(0,∑)為η符合均值為0，方差為∑的高斯分布。其中，λ為交叉配對產(chǎn)生的新粒子中保留對應(yīng)父本粒子信息源的比例。

根據(jù)n時刻的狀態(tài)觀測值，計算粒子的適應(yīng)度值以及交叉概率pc和變異概率pm。

式中：favg為迭代過程中采樣粒子集合的平均重要性權(quán)值；fmax為采樣粒子集中最大的重要性權(quán)值；f′為粒子群體中需要進(jìn)行交叉操作的2個粒子中較大的重要性權(quán)值；f為需要進(jìn)行變異操作的粒子重要性權(quán)值；β為常數(shù)。

隨機選擇粒子進(jìn)行交叉變異操作，根據(jù)Metropolis準(zhǔn)則決定新粒子的去留，最后得到新的粒子集并進(jìn)行權(quán)值歸一化處理。即如果滿足，則交叉得到的新粒子就會保留在新的粒子集合中，否則該粒子將以概率保留在新粒子集中。同理，對于新粒子將采取同樣的方式?jīng)Q定其是否留在新的粒子集中。對于變異得到的新粒子，如果滿足，則接收該粒子

步驟6返回至步驟3，直到針對所有聯(lián)網(wǎng)車輛的道路約束條件應(yīng)用結(jié)束。

步驟7返回至步驟2，直到算法迭代次數(shù)滿足條件。

2 仿真分析

針對提出的基于自適應(yīng)遺傳RBPF的協(xié)同地圖匹配算法模型進(jìn)行仿真實現(xiàn)和結(jié)果分析。為更加客觀地評價算法性能，仿真過程中引入傳統(tǒng)粒子濾波和卡爾曼平滑粒子濾波方式進(jìn)行對比；同時，為了驗證算法的適應(yīng)性，文章針對不同聯(lián)網(wǎng)車輛數(shù)目下的定位結(jié)果進(jìn)行比較和分析。

2.1 仿真環(huán)境搭建及參數(shù)設(shè)置

動態(tài)場景仿真實驗平臺為Prescan軟件，同時結(jié)合Matlab R2019b實現(xiàn)算法仿真，為了更好的模擬GNSS定位中的公共偏差以及衛(wèi)星數(shù)據(jù)，本文選擇使用第三方提供的GPSoft Satellite Navigation工具箱作為車輛定位數(shù)據(jù)來源。該工具箱可以實現(xiàn)導(dǎo)航衛(wèi)星、傳播環(huán)境、接收機測量以及數(shù)據(jù)處理等衛(wèi)星導(dǎo)航功能的模擬，利用開普勒參數(shù)對衛(wèi)星星座進(jìn)行仿真。仿真參數(shù)設(shè)置參見表1。其中：pc為交叉概率；pm為變異概率；β為常系數(shù)；Ns為可見衛(wèi)星數(shù)量；Nv為聯(lián)網(wǎng)車輛數(shù)目；n為迭代次數(shù)。公共偏差初始化過程中，在實際公共偏差的基礎(chǔ)上增加方差為=0.25m2的白噪聲。

表1 仿真參數(shù)設(shè)置Tab.1 Values of simulation parameters

2.2 算法仿真及結(jié)果分析

為了分析算法定位效果，針對算法的定位結(jié)果進(jìn)行了仿真研究和分析。仿真實驗場景為正交十字路口，道路長1 200 m，車道寬度3.5 m，車輛寬度1.8 m，4臺實驗車輛均以10 m/s的速度沿車道中心線向十字路口作勻速直線運動并于路口右轉(zhuǎn)彎，算法迭代次數(shù)n為200次。仿真過程中，GNSS接收機的原始水平定位誤差均值為4.0 m，地圖約束過程中對應(yīng)的地圖精度為1.0 m。

粒子數(shù)目Nm=100時，某次獨立重復(fù)實驗的仿真結(jié)果見圖5。圖5（a）展示了協(xié)同地圖匹配在3種不同濾波算法下目標(biāo)車輛V1的水平定位誤差范數(shù)值；圖5（b）展示了3種算法對應(yīng)的協(xié)方差行列式范數(shù)值。

由圖5（a）可知，對于GNSS接收機得到的原始定位數(shù)據(jù)直接使用靜態(tài)粒子濾波方式進(jìn)行協(xié)同地圖匹配得到的定位效果最差。因為接收機得到的原始數(shù)據(jù)在不經(jīng)過預(yù)處理直接參與地圖匹配的情況下，其運算結(jié)果受到漂移和噪聲的影響較為嚴(yán)重，很難得到較好的濾波效果；通過卡爾曼濾波將接收機數(shù)據(jù)平滑之后，可以有效濾除部分噪聲，使定位結(jié)果有所改善；但是筆者提出的自適應(yīng)遺傳RBPF算法定位效果最好，水平定位誤差明顯小于其他2種算法。

由圖5（b）可得，所提出的算法估計協(xié)方差行列式范數(shù)值和波動程度均明顯小于其他2種算法，這得益于該算法符合貝葉斯估計模型。在估計過程中算法考慮到公共偏差隨時間的變化，不僅將當(dāng)前誤差計算在內(nèi)也將歷史數(shù)據(jù)中的公共偏差考慮在內(nèi)，而公式（2）進(jìn)一步加強了公共偏差的時間相關(guān)性，使算法能夠利用道路約束條件的疊加進(jìn)行誤差估計和消除。其他2種算法沒有考慮公共偏差的時間相關(guān)性，直接將公共偏差與非公共偏差一并消除，導(dǎo)致算法估計不穩(wěn)定，定位效果不理想。

圖5 3種不同算法對應(yīng)仿真實驗結(jié)果Fig.5 Simulation results of three different algorithms

為了更加客觀地分析所提出的協(xié)同地圖匹配算法性能，筆者通過50次蒙特卡洛獨立重復(fù)實驗統(tǒng)計3種算法對應(yīng)的仿真結(jié)果，見表2。

從表2可見：隨著粒子數(shù)目的增加，3種算法的水平定位誤差均有所降低。在粒子數(shù)目相同的情況下，所提出的基于自適應(yīng)遺傳RBPF的協(xié)同地圖匹配算法水平定位誤差比靜態(tài)粒子濾波和卡爾曼平滑粒子濾波更小。當(dāng)粒子數(shù)目為200時，筆者提出的協(xié)同地圖匹配算法的水平定位誤差范圍縮小至1.08 m。此外，通過3種算法平均耗時對比可以看出，在粒子數(shù)目較少的情況下，自適應(yīng)遺傳RBPF算法實時性相對較好，但是隨著粒子數(shù)目增加，算法耗時與其他2種算法之間的差距逐漸增大。對于自適應(yīng)遺傳RBPF算法，粒子數(shù)目由50增加到200，其水平定位誤差平均降低了0.38 m。即便在粒子數(shù)目相對較少的情況下，其定位結(jié)果受到的影響也不是特別大。因此，為了保證算法實時性，在實際工程應(yīng)用中應(yīng)選擇相對較少的粒子。仿真結(jié)果表明：該算法的濾波性能以及定位效果均優(yōu)于靜態(tài)粒子濾波以及卡爾曼平滑粒子濾波，但是為了平衡算法實時性和定位精度需要選擇較為合適的粒子數(shù)目進(jìn)行濾波估計。

表2 50次蒙特卡洛實驗定位結(jié)果均值Tab.2 Means of positioning result of 50 Monte Carlo experiments

為了驗證算法的適應(yīng)性，針對不同聯(lián)網(wǎng)車輛數(shù)目情況下算法對車輛定位的影響進(jìn)行了研究和分析，仿真實驗場景為正交十字路口，見圖6。圖中車輛編號從V1到V10，箭頭表示車輛運動方向，車輛以10 m/s的速度沿車道中心線做勻速直線運動，圖中所示為算法仿真過程中某一時刻車輛所在位置，仿真條件和參數(shù)同表1，且精度一致。本文針對2～10輛不同聯(lián)網(wǎng)車輛數(shù)目情況下，算法對定位精度的影響進(jìn)行仿真實驗。當(dāng)聯(lián)網(wǎng)車輛數(shù)目為2時，選擇編號為V1、V2的2輛車運行；當(dāng)聯(lián)網(wǎng)車輛數(shù)目為3時，選擇車輛編號為V1～V3的3輛車運行；聯(lián)網(wǎng)車輛為4～10輛時以此類推；最終實現(xiàn)9種聯(lián)網(wǎng)車輛數(shù)目情況下算法對車輛定位精度的影響。

圖6 多車十字路口場景Fig.6 Scene of multi-vehicle intersection

為了客觀地分析算法性能，通過50次獨立重復(fù)的蒙特卡洛實驗得到9種不同情況下的定位結(jié)果，實驗統(tǒng)計分析結(jié)果見圖7～9及表3。實驗結(jié)果分別展示了算法的水平定位誤差、公共偏差估計誤差以及協(xié)方差行列式與聯(lián)網(wǎng)車輛數(shù)目之間的關(guān)系。

表3 不同聯(lián)網(wǎng)車輛數(shù)目下定位結(jié)果Tab.3 Positioning results under different numbers of connected vehicles

圖7 水平定位誤差與聯(lián)網(wǎng)車輛數(shù)目之間的關(guān)系Fig.7 Relationship between horizontal position errors and the number of connected vehicles

圖8 公共偏差與聯(lián)網(wǎng)車輛數(shù)目之間的關(guān)系Fig.8 Relationship between the errors of common deviation and the number of connected vehicles

通過實驗結(jié)果對比可以看出，在使用單車地圖匹配方式可以大幅提高車輛定位精度的情況下，如果使用協(xié)同地圖匹配算法進(jìn)行定位，其定位誤差會隨著聯(lián)網(wǎng)車輛數(shù)目的增加而減小，但是二者之間并非線性關(guān)系。這是因為隨著道路約束條件的增加，車輛定位的誤差范圍逐漸減小，出現(xiàn)在道路外側(cè)的粒子數(shù)目也會變少，此時約束條件對粒子無法起到約束作用。此外，從圖9可看出，同水平定位誤差以及公共偏差估計誤差一樣，圖中所示粒子的協(xié)方差行列式也隨著聯(lián)網(wǎng)車輛數(shù)目的增加而有所降低。這表明隨著聯(lián)網(wǎng)車輛數(shù)目的增加，估計位置的不確定性在減小，算法估計的準(zhǔn)確度有所提高。

圖9 協(xié)方差行列式與聯(lián)網(wǎng)車輛數(shù)目之間的關(guān)系Fig.9 Relationship between covariance determinant and the number of connected vehicles

3 實測分析

3.1 測試場景描述

目前，測試中用到的智能網(wǎng)聯(lián)車載終端無法實現(xiàn)實時協(xié)同地圖匹配，僅能實現(xiàn)基于DSRC通信的定位數(shù)據(jù)信息同步，所以實際測試采用離線數(shù)據(jù)處理的方式進(jìn)行，將GNSS定位數(shù)據(jù)采集后再利用協(xié)同地圖匹配算法進(jìn)行處理。動態(tài)測試的真實參考值是1段車輛行駛軌跡，選擇使用M600 GImini GNSS接收機的定位結(jié)果作為真實參考值。該接收機是由司南導(dǎo)航研發(fā)的高精度GNSS定位接收機，支持載波相位差分定位和慣性導(dǎo)航定位，利用千尋位置提供的載波相位差分定位時動態(tài)水平定位精度可達(dá)10 mm+10-6，高程定位精度達(dá)20 mm+10-6[16]。測試所用的智能網(wǎng)聯(lián)車載終端基于u-blox公司設(shè)計生產(chǎn)的VERA-P1型DSRC通信模塊設(shè)計，定位模塊為u-blox M8N，標(biāo)稱水平定位精度2.5 m（CEP）[17]。該終端能夠?qū)崿F(xiàn)對GNSS原始定位數(shù)據(jù)的采集和共享，包括偽距、衛(wèi)星編號以及時間戳等，通信范圍約為1 km。測試過程中使用4臺測試車輛，測試設(shè)備連接示意圖見圖10，圖10中所示天線置于車頂且增益均為50 dB。對于M600 GImini接收差分信息所需的4G天線經(jīng)測試置于車內(nèi)信號良好，故將其置于車內(nèi)。實際測試過程中為更加貼近真實情況，4臺測試車輛以10～30 km/h的時變速度在DSRC通信范圍內(nèi)跟隨行駛[18]。此外，為了更加清晰地分析算法在實際應(yīng)用場景中的定位效果，采用蒙特卡洛方式進(jìn)行10次獨立重復(fù)實驗，測試環(huán)境和參數(shù)設(shè)置參見表4。

表4 測試環(huán)境和參數(shù)設(shè)置Tab.4 Test environment and values of parameters

圖10 實車測試場景及設(shè)備連接示意圖Fig.10 Test scenario and equipment connection

數(shù)據(jù)測試完成后根據(jù)智能網(wǎng)聯(lián)車載終端原始GNSS定位數(shù)據(jù)得到接收機位置、時鐘偏差和時鐘漂移的初始值；由M600 GImini接收機定位結(jié)果與實測偽距的差值估計公共偏差的初始值作為算法公共偏差初始值以供協(xié)同地圖匹配算法使用。

3.2 測試結(jié)果分析

數(shù)據(jù)采集完成后根據(jù)GNSS 原始數(shù)據(jù)的時間戳選擇一組同步數(shù)據(jù)代替仿真數(shù)據(jù)，通過Matlab實驗平臺進(jìn)行算法驗證。為了保證算法的實時性，處理過程使用50個粒子進(jìn)行濾波估計，統(tǒng)計時間為500 s，其他參數(shù)設(shè)置參見表1。實驗結(jié)果見圖11～14，其中圖11為實際測試過程中水平方向的定位誤差及協(xié)方差行列式。

圖11 水平方向定位誤差和協(xié)方差行列式Fig.11 Horizontal positioning error and covariance determinant

圖12為測試過程中，協(xié)同地圖匹配算法對公共偏差的估計誤差。公共偏差的真實值以M600 GImini GNSS接收機定位結(jié)果與實測偽距的差值計算得到。

圖12 公共偏差估計誤差Fig.12 Error estimate of common deviations

圖13為目標(biāo)車輛在協(xié)同地圖匹配情況下對應(yīng)的水平定位誤差分布，圖14為實際測試結(jié)果中GNSS原始定位、單車地圖匹配以及協(xié)同地圖匹配3種方式對應(yīng)的水平方向定位誤差累積分布曲線。

圖13 水平方向定位誤差分布Fig.13 Distribution of horizontal positioning errors

圖14 水平方向定位誤差累積分布曲線Fig.14 Cumulative distribution curves of horizontal positioning errors

通常情況下用圓概率誤差（circular error probable，CEP）來描述GNSS接收機的定位精度。以5 m CEP為例，它表示以定位真實值為圓心，5 m為半徑畫圓，有50%的定位結(jié)果會落在圓內(nèi)，即該GNSS接收機定位誤差在5 m范圍內(nèi)的概率為50%，其定義見式（6）～（7）[19]。

式中：x和y分別為定位結(jié)果的北向和東向誤差。

為了更加清晰地對比實驗結(jié)果，這里將10次蒙特卡洛獨立重復(fù)實驗的均值以及GNSS接收機和單車地圖匹配定位結(jié)果統(tǒng)計見表5。

表5 GNSS，單車地圖匹配以及協(xié)同地圖匹配測試結(jié)果Tab.5 Experimental results of GNSS,single map matching,and cooperative map matching

根據(jù)實際測試結(jié)果與仿真實驗結(jié)果對比可知，將實際定位數(shù)據(jù)應(yīng)用到協(xié)同地圖匹配算法中，算法的定位精度比仿真數(shù)據(jù)有一定程度的降低。在實際應(yīng)用中，GNSS定位結(jié)果受到信號遮擋、傳輸延遲、多徑效應(yīng)等多種因素的影響，與仿真過程存在一定的差異，這些因素造成的定位偏差也很難完全消除。但是，將該定位結(jié)果與原始GNSS接收機以及單車地圖匹配定位結(jié)果進(jìn)行對比發(fā)現(xiàn)，該算法的水平定位誤差范圍分別降低至原始GNSS接收機的41.03%和單車地圖匹配的56.80%。同時，利用協(xié)同地圖匹配算法，車輛的統(tǒng)計定位精度由原來的3.58 m提高到1.06 m。這表明該算法在實際應(yīng)用中也具有較好的定位效果，能夠提高傳統(tǒng)GNSS接收機的定位精度。

4 結(jié)束語

本文對智能網(wǎng)聯(lián)環(huán)境下的低成本、高精度定位進(jìn)行研究，利用聯(lián)網(wǎng)車輛的位置信息和道路約束條件消除公共偏差，提高定位精度，并針對協(xié)同地圖匹配算法中容易出現(xiàn)的“粒子耗盡”問題，建立了基于自適應(yīng)遺傳Rao-Blackwellized粒子濾波的協(xié)同地圖匹配算法模型。仿真實驗結(jié)果表明：該算法與協(xié)同地圖匹配應(yīng)用的傳統(tǒng)粒子濾波和卡爾曼平滑粒子濾波相比，具有更高的定位精度和估計準(zhǔn)確性。其定位精度受粒子數(shù)目影響較小，但是實時性受粒子數(shù)目影響較大，因此實際應(yīng)用中應(yīng)合理選擇粒子數(shù)目。算法定位精度受聯(lián)網(wǎng)車輛數(shù)目影響，且隨著聯(lián)網(wǎng)車輛數(shù)目的增加，車輛定位精度會有一定程度的提高，但由于隨著道路約束條件的增加，車輛定位的誤差范圍逐漸減小，出現(xiàn)在道路外側(cè)的粒子數(shù)目也會變少，此時約束條件對粒子無法起到約束作用，因此二者之間并非線性關(guān)系，隨著聯(lián)網(wǎng)車輛數(shù)目的增加，精度的提升效果也會逐漸減弱。實際測試結(jié)果表明：在單車地圖匹配可以有效提高車輛定位精度的情況下，使用協(xié)同地圖匹配算法能夠進(jìn)一步提高車輛定位精度。該算法定位的水平定位誤差分別是原始GNSS接收機的41.03%和單車地圖匹配的56.80%。此外，協(xié)同地圖匹配算法將原始GNSS接收機的定位精度由3.58 m提高至1.06 m，能夠得到較好的定位效果。在未來的研究中，還可以在當(dāng)前仿真和離線數(shù)據(jù)處理的基礎(chǔ)上，利用智能網(wǎng)聯(lián)車載終端實現(xiàn)算法移植和實時協(xié)同地圖匹配的測試。