本技术提供了一种车辆状态估计方法、装置、计算机设备及存储介质,属于车辆状态估计领域,该方法包括:获取车辆在行驶状态下的点云信息;将所述点云信息进行压缩处理,提取出点云信息中每个点云的距离信息,得到距离图像;根据所述距离图像进行特征点匹配,根据匹配结果对车辆进行位姿估计,得到车辆的位姿变换矩阵;通过ARIMA模型对所述车辆的历史加速度进行时间序列分析,得到预测加速度;根据所述位姿变换矩阵和预测加速度,确定车辆的当前状态。这样,有利于提高对车辆状态估计的准确性。
背景技术
车辆的控制是以车辆状态参数作为参考,因此,实时且准确的获取车辆状态参数是进行稳定性控制的前提。车辆状态参数的估计精度将直接影响防抱死制动系统、防滑控制系统以及牵引力控制系统等主被动安全系统,从而间接影响车辆的安全稳定性控制要求。
因为车辆状态的精确估计是实现车辆稳定性控制的前提和基础,而基于GPS的状态估计方法可能会在狭小空间中因缺少信号而失效,因此,低频的GPS信号难以支撑车辆在高速工况下的稳定性控制。
近些年比较流行采用基于误差高阶矩的熵(最小误差熵MEE、最大相关熵MCC等)指标作为代价函数进行滤波,和基于MSE指标的Kalman滤波相比,熵指标的Kalman滤波精度和鲁棒性等都大大提高。由于基于MEE指标进行Kalman滤波计算复杂性较基于MCC要复杂得多,计算量大,所以基于MCC的Kalman应用得更多。
基于MCC的卡尔曼滤波中,核宽是唯一的自由参数,对局部最优值的存在、收敛速度和对非高斯噪声的鲁棒性等起决定性作用。然而,现有的技术方案大多针对某特定非高斯噪声基于经验或试错方法确定选择固定大小的核宽。一方面实际系统的非高斯噪声是未知的,基于某特定噪声确定的固定大小核宽在实际非高斯噪声情况下估计性能可能会很差;另一方面噪声也不是稳定的,比如初期噪声很大,随着时间的推移噪声趋于稳定,所以采用固定核宽不容易达到最优,因此导致最后对车辆的状态估计不准确。
实现思路