基于LGSVL/Apollo的网络延迟攻击下自动驾驶车辆定位估算

为提高网络延迟攻击下自动驾驶车辆定位估计算法的精确度,研究了延迟模型下自动驾驶车辆定位的无偏差有限脉冲响应(UFIR)估计器设计方法,并仿真实验。搭建延迟攻击下的车辆运动学模型,拓展模型至有限长度的时间窗口,推导UFIR算法按批处理式与迭代式表达形式,分析Apollo系统各功能模块的数据流动,基于LG开源自动驾驶仿真器(LGSVL)与Apollo系统,搭建联合仿真测试平台并开展实验。结果表明:与Kalman滤波器(KF)相比,该算法估计精确度更高;当延迟数据出现较大变化时,算法响应速度更快,波动幅值更小,鲁棒性更强。当数据延迟时间小于等于1 s时,估计效果良好。因而,验证了基于LGSVL与Apollo系统进行自动驾驶仿真实验的可行性。

Markov跳变系统MVF滤波器设计

针对离散时间Markov跳变系统设计最小方差有限脉冲响应滤波器。这类滤波器在一段有限的滚动时域上利用可测输入和输出的线性函数来估计系统的状态,并使估计状态能尽可能接近实际状态,即满足无偏差条件。通过最小化估计误差的方差,可以得到最优滤波器。为了便于工程应用,假设每一个采样时刻的跳变模态和系统的输入、输出均是可知的。最小方差有限脉冲响应滤波器分别以序列形式和迭代形式给出。数值示例验证了所提方法的可行性和有效性。