检索结果-南通市图书馆

OKPS: A Reactive/Cooperative Multi-Sensors Data Fusion Approach Designed for Robust Vehicle Localization

Positioning 2016年第1期7卷 1-20页

作者： Adda Redouane Ahmed Bacha dominique gruyer Alain Lambert Department COSYS IFSTTAR LIVIC Versailles France IEF/UMR CNRS 8622 Université Paris-Sud Centre d’Orsay Orsay France

This paper presents the Optimized Kalman Particle Swarm (OKPS) filter. This filter results from two years of research and improves the Swarm Particle Filter (SPF). The OKPS has been designed to be both cooperative and reactive. It combines the advantages of the Particle Filter (PF) and the metaheuristic Particle Swarm Optimization (PSO) for ego-vehicles localization applications. In addition to a simple fusion between the swarm optimization and the particular filtering (which leads to the Swarm Particle Filter), the OKPS uses some attributes of the Extended Kalman filter (EKF). The OKPS filter innovates by fitting its particles with a capacity of self-diagnose by means of the EKF covariance uncertainty matrix. The particles can therefore evolve by exchanging information to assess the optimized position of the ego-vehicle. The OKPS fuses data coming from embedded sensors (low cost INS, GPS and Odometer) to perform a robust ego-vehicle positioning. The OKPS is compared to the EKF filter and to filters using particles (PF and SPF) on real data from our equipped vehicle.

关键词： Localization Mobile Robotic Extended Kalman Filter Particle Swarm Optimization Particle Filter Data Fusion Vehicle Positioning GPS

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

A Robust Hybrid Multisource Data Fusion Approach for Vehicle Localization

引用

Positioning 2013年第4期4卷 271-281页

作者： Adda Redouane Ahmed Bacha dominique gruyer Alain Lambert The French Institute of Science and Technology for Transport Development and Networks (IFSTTAR) COSYS Department LIVIC Laboratory 77 rue des Chantiers Versailles France.

In this paper, an innovative collaborative data fusion approach to ego-vehicle localization is presented. This approach called Optimized Kalman Swarm (OKS) is a data fusion and filtering method, fusing data from a low cost GPS, an INS, an Odometer and a Steering wheel angle encoder. The OKS is developed addressing the challenge of managing reactivity and robustness during a real time ego-localization process. For ego-vehicle localization, especially for highly dynamic on-road maneuvers, a filter needs to be robust and reactive at the same time. In these situations, the balance between reactivity and robustness concepts is crucial. The OKS filter represents an intelligent cooperative-reactive localization algorithm inspired by dynamic Particle Swarm Optimization (PSO). It combines advantages coming from two filters: Particle Filter (PF) and Extended Kalman filter (EKF). The OKS is tested using real embedded sensors data collected in the Satory’s test tracks. The OKS is also compared with both the well-known EKF and the Particle Filters (PF). The results show the efficiency of the OKS for a high dynamic driving scenario with damaged and low quality GPS data.

关键词： Localization Mobile Robotic Kalman Filter EKF Particle Swarm Optimization PSO Particle Filter Data Fusion Vehicle Positioning Navigation GPS

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

一种用于道路车辆跟踪的多目标数据关联方法(英文)

引用

陕西科技大学学报（自然科学版） 2005年第1期23卷 12-17页

作者：党宏社韩崇昭 dominique gruyer 陕西科技大学电气与电子工程学院西安交通大学综合自动化研究所 Aboratoire sur les Interactions Véhicules Infrastructure- Satory 78000 Versailles France

数据关联是多目标跟踪的一个重要部分,作者对基于证据合成和简易JPDA的数据关联方法进行了比较。蒙特卡罗仿真结果表明,基于证据合成的方法可以改善跟踪精度,能适应目标数目不确定的场合。

关键词：多目标跟踪数据关联证据合成模糊数学

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：