文档解析
本文研究了基于自适应扩展Kalman滤波（AEKF）的路侧多传感器融合方法，旨在提升路侧传感器在云控车路协同感知中的感知精度和稳定性。研究团队利用路侧相机、激光雷达和毫米波雷达的感知结果，实现了异质传感器目标级数据的融合。通过在线获取量测噪声的方法，检测传感器测量值的稳定性，并生成量测噪声的修正系数，以自适应调整量测噪声。实车试验结果表明，与单传感器相比，该多传感器融合方法在横向距离估计精度上提高了9.7%，纵向距离估计精度提高了5.4%，速度估计精度提高了26.6%。与传统扩展Kalman滤波（EKF）算法相比，AEKF算法在横向距离估计精度上提高了44.9%，纵向距离估计精度提高了21.3%，速度估计精度提高了64.4%，显示出更高的估计精度。研究还探讨了多传感器信息融合的分类和传统估计理论在多传感器信息融合技术中的应用，并提出了基于AEKF的多传感器融合算法流程，包括状态量定义、AEKF融合算法的具体步骤以及量测噪声的自适应调整方法。最后，通过在丁字路口部署的传感器和实验车辆的实车试验，验证了所提方法的有效性，并与单传感器测量值和传统EKF算法的结果进行了定量比较。
京公网安备 11010802033920号
Copyright © 2005-2026 EEWORLD.com.cn, Inc. All rights reserved
评论