[论文解读] Improving Localization Accuracy in Connected Vehicle Networks Using Rao-Blackwellized Particle Filters: Theory, Simulations, and Experiments

Macheng Shen, Ding Zhao+2 more|arXiv (Cornell University)|Feb 19, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 17被引用 6

一句话总结

本文提出了一种Rao-Blackwellized粒子滤波器（RBPF），利用仅低成本GNSS接收机，在车联网中提升车道级定位精度。通过联合估计伪距中的公共偏差与车辆位置，结合地图匹配，该方法在开阔天空条件下将定位误差降低至1米以下，优于自主定位与先前的协作式地图匹配方法，且在信号遮挡情况下仍具鲁棒性。

ABSTRACT

A crucial function for automated vehicle technologies is accurate localization. Lane-level accuracy is not readily available from low-cost Global Navigation Satellite System (GNSS) receivers because of factors such as multipath error and atmospheric bias. Approaches such as Differential GNSS can improve localization accuracy, but usually require investment in expensive base stations. Connected vehicle technologies provide an alternative approach to improving the localization accuracy. It will be shown in this paper that localization accuracy can be enhanced using crude GNSS measurements from a group of connected vehicles, by matching their locations to a digital map. A Rao-Blackwellized particle filter (RBPF) is used to jointly estimate the common biases of the pseudo-ranges and the vehicle positions. Multipath biases, which introduce receiver-specific (non-common) error, are mitigated by a multi-hypothesis detection-rejection approach. The temporal correlation of the estimations is exploited through the prediction-update process. The proposed approach is compared to existing methods using both simulations and experimental results. It was found that the proposed algorithm can eliminate the common biases and reduce the localization error to below 1 meter under open sky conditions.

研究动机与目标

• 解决由于电离层延迟和卫星钟差等公共偏差导致的低成本GNSS接收机在车道级定位精度不足的问题。
• 开发一种无需专用基准站或昂贵基础设施的低成本差分GNSS与RTK替代方案。
• 通过仅利用粗略GNSS测量与数字地图约束，借助车联网间协作定位，提升定位精度。
• 通过稳健的估计框架，同时缓解公共偏差与非公共误差（如多径效应、接收机噪声）。
• 通过真实世界实验，使用车载级GNSS接收机，在不同信号条件下验证该方法。

提出的方法

• 采用Rao-Blackwellized粒子滤波器（RBPF）通过利用估计过程中的时间相关性，联合估计车辆位置与公共伪距偏差。
• 该算法将公共偏差建模为时变参数，并通过Rao-Blackwellization的粒子滤波方法与车辆状态一并估计，以降低方差。
• 应用地图匹配将车辆轨迹约束于已知道路几何结构，提升位置估计精度。
• 采用多假设检测-剔除方法，缓解各接收机特有的多径误差（即非公共误差）。
• RBPF的预测-更新循环利用时间动态特性，使估计协方差相比先前方法至少降低两个数量级。
• 接收机噪声协方差从实验数据中估计，并采用自适应协方差方法以处理多径引起的偏差。

实验结果

研究问题

• RQ1 仅使用车联网中低成本GNSS接收机的协作式地图匹配能否在无基础设施条件下实现亚米级定位精度？
• RQ2 Rao-Blackwellized粒子滤波器在多辆车辆间能否有效估计并抑制伪距测量中的公共偏差？
• RQ3 与自主定位和静态协作式地图匹配相比，所提方法在多大程度上降低了定位误差？
• RQ4 该方法在信号遮挡与卫星可见性降低情况下的鲁棒性如何？
• RQ5 该算法能否有效缓解非公共误差（如多径与接收机噪声）的同时保持高精度？

主要发现

• 所提出的RBPF方法在开阔天空条件下将定位误差降低至1米以下，显著优于自主定位与静态协作式地图匹配方法。
• 由于有效利用了时间相关性，RBPF的估计协方差相比先前提出的算法至少降低两个数量级。
• 该方法几乎完全消除了缓慢变化的公共定位偏差，其精度高于自主定位与先前的CMM方法。
• RBPF在信号遮挡下仍具鲁棒性：即使丢失两颗卫星（HDOP从2.79增至10.71），仍能维持近乎无偏差的定位，而静态方法则持续跟踪有偏结果。
• 接收机噪声的低频分量（非公共）无法被三种方法（自主定位、静态CMM、RBPF）完全缓解，表明GNSS单一方法存在根本性局限。
• 使用u-blox EVK-6T接收机的实验结果表明，开阔天空条件下定位误差保持在2米以内，验证了仿真结果。