论文部分内容阅读
交通信息融合是智能交通的基础核心问题,通过路网中的传感器获取实时的交通车速、流量等信息并加以融合来实施有效的道路诱导、交通控制是智能交通管理的核心。越来越多的公司和组织开始在智能交通领域提出各自的解决方案。传统的信息获取方式一般都采用单一类型传感器,但由于受到自身制约,单一传感器无法获取到足够全面的信息,且融合模型较为简单,大多提取原始信息并和历史数据进行对比给出预测结果。虽然这些技术都已经在不同的交通应用场景中得到使用,但依然存在很多问题。通过多传感器感知道路交通可以获取包括车速、车流量、环境、路面等更加系统准确的信息,是当前信息融合的首选。(1)本文对现有的多传感器信息融合算法和模型进行了深入的研究和对比,分别分析了现有的技术方案的使用场景和不足。并在此基础上,着重对卡尔曼滤波原理进行深入学习并分析交通流信息的各个参数及相互关系。提出了改进算法并通过仿真实验进行验证。(2)通过分析融合估计系统结构特点和信息融合最优准则并结合本研究的实际情况,提出采用分组式二次联合卡尔曼滤波算法(Separated TwiceFederal-Kalman filtering),希望能在一定程度上对现有方案进行改进,使之在精度和性能之间得到平衡。设计了改进算法完整的各个工作单元的误差模型和最后的融合模型,从理论上分析了可行性。针对改进算法。设计并实现了依赖OpenCV使用C++开发的仿真系统。(3)为了评估新融合模型的表现,在本课题的研究工作中,分别开发了应用改进算法和原始算法的融合模型案例。针对相同时间采集的的交通数据信息,分别使用两个案例进行处理,比较两个案例的融合结果的精度和性能。通过执行实验和对结果进行分析比较,应用改进算法的方案无论精度和性能表现都优于原始算法的方案。从而论证了新方案的可行性和合理性。本研究获得了湖北自然科学基金:基于无线传感器网络的出行者最优路径选择算法的研究(编号为:2012FFB05006)的支持。