融合滑移率校正的智能车辆定位方法

doi:10.19562/j.chinasae.qcgc.2025.05.006

摘要/Abstract

摘要：

准确可靠的车辆位姿估计是智能车辆决策规划、运动控制等模块的重要输入。本文提出一种融合智能车辆轮胎滑移率在线估计及校正的定位算法，可以在全球导航卫星系统（GNSS）中断期间显著增强惯性导航系统（INS）/轮速传感器（WSS）的融合定位精度。首先，利用车辆加速度和轮速数据，提出了一种针对不同驾驶条件的滑移率实时估计算法，以准确地对轮速信息进行滑移率校正；随后，基于误差状态卡尔曼滤波对GNSS、IMU和校正后的轮速信息进行融合，实现准确可靠的车辆位姿估计。实车实验结果表明，在GNSS中断期间，速度均方根误差最高提升30%，平均水平位置误差里程比可达1.68‰。

关键词: 智能汽车, 融合定位, 滑移率估计, 误差状态卡尔曼滤波

Abstract:

Accurate and reliable vehicle pose estimation is a critical input for intelligent vehicle decision， planning and motion control modules. In this paper， a positioning algorithm that integrates real-time slip ratio estimation and compensation for intelligent vehicles is proposed， which significantly enhances the fusion positioning accuracy of the Inertial Navigation System （INS） and Wheel Speed Sensor （WSS） during Global Navigation Satellite System （GNSS） interruption. Firstly， a real-time slip ratio estimation algorithm is proposed to correct the wheel speed information for different driving conditions， which uses vehicle acceleration and wheel speed data. Then， based on error-state Kalman filter （ESKF）， the corrected wheel speed data is fused with GNSS and Inertial Measurement Unit （IMU） information to achieve accurate and reliable vehicle pose estimation. The results of the real-vehicle experiments show that during GNSS interruption， the Root Mean Square Error （RMSE） of velocity improves by up to 30% and the average horizontal position error mileage ratio reaches 1.68‰.

Key words: intelligent vehicle, fusion positioning, slip ratio estimation, error-state Kalman filter

熊璐,朱佳琪,陈梦源,李子尧,舒强,卓桂荣. 融合滑移率校正的智能车辆定位方法[J]. 汽车工程, 2025, 47(5): 851-858.

Lu Xiong,Jiaqi Zhu,Mengyuan Chen,Ziyao Li,Qiang Shu,Guirong Zhuo. Positioning Method Based on Slip Ratio Compensation for Intelligent Vehicles[J]. Automotive Engineering, 2025, 47(5): 851-858.

图/表 12

图1

图2

图3

图4

图5

图6

图7

表1

图8

图9

图10

图11

参考文献 22

1	JING H， GAO Y， SHAHBEIGI S， et al. Integrity monitoring of GNSS/INS based positioning systems for autonomous vehicles： state-of-the-art and open challenges［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（9）： 14166-14187.
2	芦涛，金馨，廖毅霏，等. 基于雅克比域零空间边缘化的视觉SLAM［J］. 汽车工程， 2023， 45（8）： 1457-1467.
	LU T， JIN X， LIAO Y F， et al. Visual SLAM based on jacobian null-space marginalization［J］. Automotive Engineering， 2023， 45（8）： 1457-1467.
3	ZHONG S R， ZHAO Y， GE L H， et al. Vehicle state and bias estimation based on unscented Kalman filter with vehicle hybrid kinematics and dynamics models［J］. Automotive Innovation， 2023， 6（4）： 571-585.
4	胡杰，张志豪，陈瑞楠，等. 基于改进混合A*的智能汽车时空联合规划方法［J］. 汽车工程， 2023， 45（7）： 1123-1133.
	HU J， ZHANG Z H， CHEN R N， et al. Spatio-temporal joint planning method of intelligent vehicles based on improved hybrid A［J］. Automotive Engineering， 2023， 45（7）： 1123-1133.
5	ZHANG X J， LI S， GUO K H， et al. Efficient cooperative adaptive cruise control including platoon kinematics［J］. Automotive Innovation， 2024， 7（2）： 271-282.
6	XIA X， HASHEMI E， XIONG L， et al. Autonomous vehicles sideslip angle estimation： single antenna GNSS/IMU fusion with observability analysis［J］. IEEE Internet of Things Journal， 2021， 8（19）： 14845-14859.
7	ZHU J Q， ZHUO G R， XIA X， et al. FGO-MFI： factor graph optimization-based multi-sensor fusion and integration for reliable localization［J］. Measurement Science and Technology， 2024， 35（8）： 086303.
8	盛树轩，荆崇波，蒋朝阳. 视觉与单路侧单元辅助的车辆定位方法［J］. 汽车工程， 2022， 44（7）： 1009-1017.
	SHENG S X， JING C B， JIANG C Y. Vision and single RSU assisted vehicle positioning method［J］. Automotive Engineering， 2022， 44（7）： 1009-1017.
9	BAI S Y， LAI J Z， LYU P， et al. Improved preintegration method for GNSS/IMU/in-vehicle sensors navigation using graph optimization［J］. IEEE Transactions on Vehicular Technology， 2021， 70（11）： 11446-11457.
10	GAO L T， XIONG L， XIA X， et al. Improved vehicle localization using on-board sensors and vehicle lateral velocity［J］. IEEE Sensors Journal， 2022， 22（7）： 6818-6831.
11	LU Y S， XIONG L， XIA X， et al. Vehicle heading angle and IMU heading mounting angle improvement leveraging GNSS course angle［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2023， 237（9）： 2249-2261.
12	CHEN Q J， ZHANG Q， NIU X J. Estimate the pitch and heading mounting angles of the IMU for land vehicular GNSS/INS integrated system［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 22（10）： 6503-6515.
13	ZHANG Q， HU Y Q， LI S S， et al. Mounting parameter estimation from velocity vector observations for land vehicle navigation［J］. IEEE Transactions on Industrial Electronics， 2021， 69（4）： 4234-4244.
14	LIU Z B， WANG L J， WEN F， et al. IMU/vehicle calibration and integrated localization for autonomous driving［C］. 2021 IEEE International Conference on Robotics and Automation （ICRA）. IEEE， 2021： 4013-4019.
15	SALMON D C， BEVLY D M. An exploration of low-cost sensor and vehicle model solutions for ground vehicle navigation［C］. 2014 IEEE/ION Position， Location and Navigation Symposium-PLANS 2014. IEEE， 2014： 462-471.
16	HAN J， PARK C， HONG C K， et al. Performance analysis of two-dimensional dead reckoning based on vehicle dynamic sensors during GNSS outages［J］. Journal of Sensors， 2017， 2017（1）： 9802610.
17	XIA X， HASHEMI E， XIONG L， et al. Autonomous vehicle kinematics and dynamics synthesis for sideslip angle estimation based on consensus Kalman filter［J］. IEEE Transactions on Control Systems Technology， 2022， 31（1）： 179-192.
18	WU Y， GOODALL C， EL-SHEIMY N. Self-calibration for IMU/odometer land navigation： simulation and test results［C］. Proceedings of the 2010 International Technical Meeting of The Institute of Navigation， 2010： 839-849.
19	ZHANG Y M， LENG B， XIONG L， et al. Distributed drive electric vehicle longitudinal velocity estimation with adaptive Kalman filter： theory and experiment［C］. SAE Paper 2019-01-0439.
20	YU Z P， XIA X， XIONG L， et al. Vehicle longitudinal velocity nonlinear adaptive estimation of distributed drive electric vehicle［J］. Journal of Tongji University， 2016， 44（5）： 779-786.
21	曾小华，钱琦峰，宋大凤，等. 紧急制动工况下的纵向车速估计方法［J］. 汽车工程， 2022， 44（9）： 1425-1436.
	ZENG X H， QIAN Q F， SONG D F， et al. Estimation method of longitudinal vehicle speed under emergency braking condition［J］. Automotive Engineering， 2022， 44（9）： 1425-1436.
22	NOURELDIN A， KARAMAT T B， GEORGY J. Fundamentals of inertial navigation， satellite-based positioning and their integration［M］. Springer Science & Business Media， 2012.

[1]	朱冰,汤瑞,赵健,张培兴,李文旭,李嘉胜,徐雪峰. 基于大语言模型的智能汽车仿真测试[J]. 汽车工程, 2025, 47(4): 587-597.
[2]	孟相浩,牛凌,席军强,陈丹妮,吕超. 基于时空图神经网络的异构交通参与者风险预测[J]. 汽车工程, 2024, 46(9): 1537-1545.
[3]	赵静,梁浩,徐天啸,肖雅月,姜博文. 面向智能汽车赛博物理系统的领域特定建模语言研究[J]. 汽车工程, 2024, 46(8): 1370-1381.
[4]	朱甲梁,刘巧斌,杨帆,杨路,李巍华. 异质车型影响下智能汽车二维碰撞风险预测[J]. 汽车工程, 2024, 46(8): 1414-1421.
[5]	朱冰,黄殷梓,赵健,张培兴,薛经纬. 面向车载相机采集图像的智能汽车测试场景关键性量化模型[J]. 汽车工程, 2024, 46(4): 557-563.
[6]	丁志杰,王亚飞,章翼辰,邬明宇,王亦乐. 基于复合动态采样的自动驾驶矿车节能路径规划方法[J]. 汽车工程, 2024, 46(4): 588-595.
[7]	沈文轩,戴睿,谭普元,周青. 后倾乘员碰撞损伤与防护研究综述[J]. 汽车工程, 2024, 46(12): 2241-2256.
[8]	张忠,吴晓建,江会华,张超,万宇康. 多源干扰下的智能车模型预测纵向运动抗干扰控制[J]. 汽车工程, 2024, 46(10): 1816-1828.
[9]	袁志群,陈衍强,常宇轩,霍殿生,林立. 考虑侧风稳定性的汽车轨迹跟踪自适应时域模型预测控制[J]. 汽车工程, 2024, 46(10): 1829-1841.
[10]	章军辉,郭晓满,刘禹希,郑明强,钱宇晗,丁羽璇. 人机共驾型车道保持鲁棒控制[J]. 汽车工程, 2024, 46(10): 1853-1862.
[11]	郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.
[12]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[13]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[14]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[15]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.