车联网动态拓扑结构下的数据融合若干关键问题研究

The accuracy of vehicle position is one of the key technical indicators in vehicle networks, and multi-source data fusion is an effective technique to improve this indicator. Due to the fact that data fusion in vehicle networks suffers from the characteristics such as dynamic topologies, heterogeneous data sources, nonlinear observation models, high state dimensions etc., this project investigates some key problems of data fusion in vehicle networks as follows: 1) The static centralized fusion of data from GPS, vehicle-mounted range sensors and electronic map, based on our original parallel iterative approximate optimization method and the deep learning of multi-layer feed forward neural network. 2) The dynamic centralized fusion of data from GPS, vehicle-mounted range sensors, electronic map and Inertial Navigation Systems (INS), based on the advanced maximum-likelihood Kalman filtering method and theory. 3) The dynamic distributed fusion of data from GPS, vehicle-mounted range sensors, electronic map and INS with dynamic topologies in vehicular networks, based on our original markov-chain dynamic topology model and diffusion distributed maximum-likelihood Kalman filtering method and theory. This project aims to propose a feasible and effective solution to some practical problems of data fusion in vehicle networks, increase the accuracy of vehicle position, and make influential theoretical research in parallel iterative optimization and distributed nonlinear filtering.

车辆位置的精准度是车联网核心技术指标之一，而多源数据融合是提升该指标的有效技术手段。本项目针对车联网数据融合面临的网络拓扑结构多变、数据来源异构、观测模型非线性、变量维数高等实际特性，研究车联网数据融合若干关键问题，包括：GPS/车载测距传感器/电子地图的静态集中式数据融合研究(基于原创的线性化约束集的并行迭代近似优化方法和多层前馈神经网络的深度学习)；GPS/车载测距传感器/电子地图/惯性导航系统的动态集中式数据融合研究(基于前沿的极大似然卡尔曼滤波方法与理论)；动态拓扑结构下的GPS/测距传感器/电子地图/惯导系统的动态分布式数据融合(基于原创的马尔科夫动态拓扑模型和扩散性分布式极大似然卡尔曼滤波方法与理论)。本项目旨在从理论到算法，为车联网数据融合的若干实际问题提出可行且高效的解决方案，提升车辆位置信息的精准度，并在并行迭代优化、分布式非线性滤波等方向做出具有开创性的基础理论研究。

车辆位置的精准度是车联网核心技术指标之一，而多源数据融合是提升该指标的有效技术手段。本项目针对车联网数据融合面临的网络拓扑结构多变、数据来源异构、观测模型非线性、变量维数高等实际特性，研究了车联网数据融合若干关键问题，主要从1)车联网中多源观测数据的集中式静态数据融合，2）车联网动态拓扑结构下多源观测数据的动态数据融合两方面开展工作。在集中式静态数据融合方面，对基于多目标到达时间差信息融合的多目标协作定位问题提出一种约束加权最小二乘近似迭代算法，在病态定位场景和观测噪声水平较高的情况下，该定位算法的均方误差仍接近其CRLB下界；对车辆卫星导航系统和车载测距传感器的静态集中式数据融合问题，提出一种基于半正定松弛的方法进行求解；并在理论上研究了具有随机不确定性情况下的稳健参数估计算法，提出一种基于概率约束的鲁棒线性估计方法，实现保证大概率最小化均方误差的目标定位。在动态数据融合方面，对基于环境射频的协同数据传输在线优化控制进行研究，开发一种较低复杂度算法实现最优解决方案；研究了基于卫星导航、捷联惯性导航、车辆相对测距等多源信息融合的集中式极大似然卡尔曼滤波动态定位算法，得到理论最优的动态定位精度；进一步研究了基于改进无迹卡尔曼滤波和改进容积卡尔曼滤波的车联网分布式动态协作定位算法，使其计算和收敛速度更快；针对车辆数目较大情况下变量维数高的特性，研究了一种基于维度分解和适应度景观近似的量子启发优化算法，通过映射变换将高维问题空间转化为低维投影空间，数值实验验证了其高效性。本项目旨在通过车联网中车辆节点位置相关的多源信息进行融合，提升车辆位置实时估计的精准度，为车联网的安全应用提供技术支持。同时，在参数估计、优化算法、非线性滤波等理论研究中取得了一些突破性工作。