摘要
全球导航卫星系统因方便、成熟、低成本等优点而常作为一种获取车辆位置的手段，但其无法克服车辆移动性、接收器噪声以及多路径干扰等因素的影响。为了解决全球导航卫星系统中车辆定位不准的问题，本文依托国家重点研发项目“车路协同环境下车辆群体智能控制理论与测试验证”（2018YFB1600600），从路侧单元辅助定位的角度出发，对基于车对外界的信息交换（Vehicle To Everything，V2X）的车辆定位与路侧单元部署算法进行研究： （1）针对城市街区中全球导航卫星系统的车辆定位精度下降的问题，设计了一种基于扩展卡尔曼滤波器的 V2X 车辆定位方法。通过滤波器对目标车辆向路侧单元发送的实时运动信息和路侧单元自身感知的车辆相对距离进行融合，以提升路侧单元对运动车辆位置估计的精度；由接收的信息数据包或解算器的求解坐标触发滤波器更新，避免短时间内数据包丢失对系统鲁棒性的影响；考虑滤波器预测、更新过程中相关矩阵维度会达到上限，定义了一个衡量最优跟踪车辆组的替换指标。结果表明，该方法在城市、郊区场景下都能获得较高的定位精度，优于全球导航卫星系统位置信息与惯性导航系统测量数据的融合。 （2）针对路侧单元感知范围及计算能力有限的实际情况，为了在确保路侧单元工作效率的前提下，尽可能地给更多车辆提供辅助定位服务，提出了一种预训练误差预测模型的参数共享更新机制，实现对路侧单元临近区域内所有车辆定位误差的校正。鉴于全球导航卫星系统误差是多因素共同干扰的结果，使用堆叠集成学习框架搭建误差预测模型；选择支持向量回归、极限梯度提升、Catboost作为基学习器，并将套索回归实现为元学习器，以获得进一步的泛化结果；与随机森林、自适应提升对比，所提方法取得最佳的性能。以张家堡场景东西轴向上的误差预测为例，平均绝对误差分别下降 11.34%、10.79%，均方根误差分别下降 31.3%、24.26%，平均绝对百分比误差分别下降24.08%、38.03%。 （3）为了在复杂城市路网中使用路侧单元的辅助定位服务，设计了一种基于遗传算法和布谷鸟局部优化的路侧单元部署方法。选用数字序列对路侧单元候选位置进行遗传算法的编码；将离散化布谷鸟搜索应用于由遗传算法创建的子代个体；基于真实城市道路地图布局及车辆轨迹对所提算法进行验证。结果表明，所提方法的平均适应度分数、最佳适应度分数明显高于现有遗传算法、模因算法，为不同数目路侧单元部署提供了依据。
NETL