不依赖于精确初始坐标的车联网相对定位坐标估计算法

在车联网定位中,GPS(Global Positioning System)信号长时间较差甚至中断会导致GPS定位结果不可靠甚至不可用,无法为相对定位算法提供可靠的精确初始坐标.针对这一问题,该文对车辆相对位置坐标估计方法展开研究,结合TOA(Time of Arrival)测距技术,将相对位置坐标估计问题转化为非线性规划问题.为减小非线性规划问题中初始坐标对算法结果的影响,将外部罚函数法与Powell算法结合,利用外部罚函数法"能够从非可行解出发逐步逼近可行域"的特点优化最优化方法,解决算法对初始坐标的敏感特性;利用Powell算法能够"逼近局部最优解"的特点作为最优化求解方法,用于求解目标函数最优解.提出一种不依赖于精确初始坐标的相对定位(Exact Initial Coordinate Free Relative Localization,EICFRL)算法,实现车联网高精度相对定位.在算法验证中,该文采用两种TOA节点部署方案,分别为单点部署方案和基于几何约束的多点部署方案.在多点部署方案中,利用车辆固有形状属性,形成基于车型的几何约束,增加非线性规划问题可行域限制.为验证该文算法可行性及有效性,该文在仿真实验中设置不同测距误差、连通性、车辆数目等条件,并在实际环境中实验验证,将该算法结果与Powell算法、LM(Levenberg-Marquard)算法、CRLB(Cramer-Rao Lower Bound)进行对比.实验结果显示,该文算法定位精度提高超过50%.当使用多点部署方案时,算法定位误差进一步减小约为30%(仿真环境)和23%(实测环境).