具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例提供了一种智能车联网中的车辆协作定位方法，该方法包括：

S101，获取目标车辆观测到的周边车辆的位置、自身与周边车辆之间的车距及相对方位角；

本实施例中，假设目标车辆的周边车辆数目为N，目标车辆从车载GPS接收器、距离传感器和角度传感器中分别获得周边车辆的位置、自身与周边车辆之间的车距和相对方位角，得到周边车辆V^j的观测量Y^0j：

Y^0j＝{X^j，D^0j，Θ^0j}

其中，Y^0j表示目标车辆V⁰观测到的周边车辆V^j的位置，X^j表示从GPS接收器获得的周边车辆V^j的位置，D^0j表示目标车辆V⁰与周边车辆V^j之间的车距，Θ^0j表示目标车辆V⁰和周边车辆V^j的相对方位角，j＝{1，2，...，N}，N表示目标车辆V⁰的周边车辆数目；

根据得到的Y^0j，得到目标车辆V⁰的位置表达式：

其中，表示周边车辆V^j对目标车辆V⁰的估计位置。

S102，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计；

本实施例中，所述分布函数包括：周边车辆位置的概率分布函数、车距的概率分布函数、相对相位角的概率分布函数；其中，

周边车辆V^j位置的概率分布函数表示为：

目标车辆V⁰与周边车辆V^j之间的车距的概率分布函数表示为：

目标车辆V⁰和周边车辆V^j的相对方位角的概率分布函数表示为：

其中，和Θ^0j分别表示从GPS接收器、距离传感器和角度传感器获得的测量值，和分别表示GPS接收器、距离传感器和角度传感器的测量方差，表示X^j服从均值为方差为的高斯分布 表示D^0j服从均值为方差为的高斯分布 表示Θ^0j服从均值为方差为的高斯分布 为车辆估计位置的分布函数，x^j为位置分布函数的位置随机变量，为目标车辆与周边车辆车距的分布函数，d^0j为车距分布函数的车距随机变量，为目标车辆与周边车辆相对相位角的分布函数，θ^0j为相对相位角分布函数的角度随机变量。

S103，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值；具体可以包括以下步骤：

首先，在多个车辆的协作定位系统中，假设目标车辆的附近有N个周边车辆，那么目标车辆V⁰的位置X⁰的先验概率为其中，为周边车辆V^j对目标车辆V⁰的估计位置变量；

接着，根据得到的先验概率及分布函数的参数估计，利用贝叶斯滤波算法得到X⁰的后验概率分布

其中，x⁰表示为目标车辆V⁰的位置变量，g(x^j，x⁰)表示利用X^j和X⁰来计算周边车辆V^j和目标车辆V⁰之间的相对方位角，和分别表示GPS获得的X^j在x和y坐标轴上位置分量变量，同理和表示目标车辆V⁰在x和y坐标轴上位置分量变量；

最后，利用最大后验概率估计算法估计出后验概率的最大值：

其中，为目标车辆自身状态向量，表示利用最大后验概率估计算法计算得到的k时刻周边车辆V^j对目标车辆V⁰的位置估计；

其中，表示周边车辆v^j被目标车辆观测到的k时刻目标车辆位置估计值。

S104，将估计出的后验概率的最大值作为扩展卡尔曼滤波的输入，通过扩展卡尔曼滤波迭代算法得到下一时刻的目标车辆位置估计值，如果迭代未结束，则返回至S103作为下一时刻的先验概率继续处理，直至迭代结束获得目标车辆位置的最优估计值，具体可以包括以下步骤：

A1，在扩展卡尔曼滤波中构建系统状态模型，将目标车辆自身状态向量作为系统状态值代入到构建的状态模型中，将状态模型输出的状态预测值代入到扩展卡尔曼滤波的观测模型中，更新校正状态预测值，得到k+1时刻的目标车辆状态更新向量

A2，当k+1时刻不满足迭代终止次数时，将作为下一时刻的先验概率返回至S103中，经过贝叶斯滤波算法处理得到k+2时刻状态向量的后验概率使用最大后验概率估计算法得到 再代入扩展卡尔曼滤波进行下一时刻的状态更新预测，直至迭代结束；

A3，迭代结束后，根据当前的目标车辆状态更新向量，确定目标车辆位置的最优估计值：

其中，为M时刻迭代终止后对N个周边车辆对目标车辆的状态更新值取平均后得到的目标车辆位置的最优估计值。

综上，本申请提供的智能车联网中的车辆协作定位方法，根据车载传感器(包括：GPS接收器、距离传感器和角度传感器)观测到的周边车辆的位置、自身与周边车辆之间的车距和相对方位角，确定周边车辆位置、车距、相对相位角的分布概率，使用贝叶斯滤波算法进一步计算得到了目标车辆位置的后验概率分布，再利用最大后验概率估计算法得到后验概率的最大值，即：目标车辆位置估计值，并将其作为扩展卡尔曼滤波算法里的状态值带入扩展卡尔曼滤波算法，经过更新迭代，估计出下一时刻目标车辆的位置估计值，再将其作为下一时刻的先验概率，返回至贝叶斯滤波算法中，经过更新迭代，得到目标车辆位置的最优估计。这样，通过引入扩展卡尔曼滤波算法对车辆位置信息进行处理，同时将贝叶斯滤波算法代入迭代过程中以提高车联网中的定位精度，以便得到更加精确的车辆位置信息，降低车辆的定位误差，实现多车辆协作精准定位。

如图2所示，以具体的例子对本实施例提供的所述智能车联网中的车辆协作定位方法进行详细说明，并使用Matlab仿真平台，对本实施例所述的智能车联网中的车辆协作定位方法的性能进行仿真分析：

步骤1，目标车辆从车载GPS接收器、距离传感器和角度传感器中分别获得周边车辆的位置、自身与周边车辆之间的车距和相对方位角，那么得到的观测量可以表示为Y^0j＝{X^j，D^0j，Θ^0j}。

步骤2，根据观测到信息，对周边车辆的位置、目标车辆与周边车辆之间的车距及相对方位角的分布函数的进行参数估计。

步骤3，根据分布函数的参数估计，利用贝叶斯滤波算法确定目标车辆位置信息的后验概率分布，利用最大后验概率估计算法估计出后验概率的最大值。

本实施例中，在如图2所示多个车辆的协作定位系统中，目标车辆有4个周边车辆，由于之间是相互独立的，可以得到后验概率分布

本实施例中，利用最大后验概率估计算法计算出后验概率的最大值并获取k＝0时刻目标车辆位置的最优结果

步骤4，把步骤3的k＝0时刻最优估计结果作为状态值代入扩展卡尔曼滤波算法中得到k＝1时刻的位置估计值再将估计位置值返回至步骤3作为先验概率计算得出k＝2时刻的后验概率直至迭代结束获得车辆位置估计值。

本实施例中，目标车辆0(用V⁰表示)周边有4辆汽车，每个周边车辆(车辆1、车辆2、车辆3、车辆4)分别用V⁰¹、V⁰²、V⁰³、V⁰⁴来表示，那么每个周边车辆在k时刻的状态值可以表示为则有通过扩展卡尔曼滤波算法进行目标车辆状态信息的更新校正，经过更新过程求出状态更新值X_k+1；

本实施例中，当k+1时刻不满足迭代终止次数时，将作为下一时刻的先验概率返回至步骤3中，经过贝叶斯滤波算法处理得到后验概率使用最大后验估计得到 将作为状态值再代入扩展卡尔曼滤波算法进行下一时刻的位置更新预测，直至迭代结束；

5.3)减少系统误差，使得扩展卡尔曼滤波算法的值具有更好的稳定性，对其取平均值，把均值当做系统状态更新的最优估计值：

本实施例中，如图3所示，图3描述了本发明实施例测量的位置误差与GPS测量的位置误差对比示意图，图3中的横坐标是采样时间，纵坐标是位置误差大小，该结果是在信噪比为15dB下进行100次的同条件重复实验得出的。由图3可知，本发明实施例提出的方法显著降低了位置误差，并给出了更加准确的位置估计值。这说明本发明实施例提出的基于扩展卡尔曼滤波和贝叶斯滤波的智能车联网中的车辆协作定位方法是准确并且有效的，同时对比结果也表明：在信噪比较低，噪声较大的环境下，本发明采用的方法估计的位置结果比GPS测量结果和和仅有扩展卡尔曼滤波算法的测量结果更加准确，有效地提高了车辆的定位精度，即：本发明采用的方法性能优于GPS测量和仅有扩展卡尔曼滤波算法的性能。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。