卡爾曼濾波在智能網聯汽車狀態估計中的應用研究

摘要：為提高智能網聯汽車的狀態估計精度與穩定性，研究采用卡爾曼濾波技術，結合多源數據融合、動力學建模及場景適應性優化，分析了卡爾曼濾波在高速公路、城市道路及停車場等復雜場景下的應用，通過引入深度學習和粒子濾波等創新策略，顯著提升了定位精度、動態狀態估計與環境感知能力。結果表明，卡爾曼濾波技術能夠有效提高智能網聯汽車在多場景下的魯棒性與實時性，推動自動駕駛系統的精確決策與安全性保障。

關鍵詞：卡爾曼濾波；智能網聯汽車；粒子濾波；應用研究

中圖分類號：U461" 收稿日期：2025-01-24

DOI：1019999/jcnki1004-0226202503026

1 前言

智能網聯汽車的發展要求高精度、實時的狀態估計技術，以確保其在復雜環境中的安全與穩定性。卡爾曼濾波作為一種經典的遞歸濾波算法，在定位、動力學建模及傳感器融合等領域發揮著重要作用。本文探索了卡爾曼濾波在智能網聯汽車中的應用，通過優化多源數據融合與場景適應性，提升定位精度和動態狀態估計的準確性。

2 卡爾曼濾波技術概述

卡爾曼濾波基于狀態空間模型，通過遞歸的預測與更新機制實現對系統狀態的最優估計[1]。在預測階段，卡爾曼濾波利用系統的動態模型對當前狀態進行預測，得到系統的先驗估計；在更新階段，通過將實際測量值與預測值結合，利用貝葉斯估計的思想修正預測值，得到后驗估計。預測方程為：

[xk=Axk-1+Buk-1]" " " " " " " " " " "（1）

式中，[xk]為預測的狀態；[A]為狀態轉移矩陣；[B]為控制矩陣；[uk-1]控制輸入。

更新方程為：

[xk=Ak+K（yk-Hxk）]" " " " " " " " " " " "（2）

式中，Kk為卡爾曼增益；yk為測量值；H為觀測矩陣。

標準卡爾曼濾波適用于線性系統，擴展卡爾曼濾波（EKF）通過對非線性系統的線性化處理，將系統的非線性特性轉化為局部線性問題，實現狀態估計。EKF通過泰勒展開對非線性函數進行一階近似，在高度非線性問題上會產生較大估計誤差。相比之下，無跡卡爾曼濾波（UKF）通過引入Sigma點采樣策略，避免了線性化的誤差，能夠更精確地處理非線性系統。UKF通過選擇一組特定的點進行狀態傳播，能夠有效捕捉非線性系統的統計特性。在處理帶有噪聲的動態系統時，卡爾曼濾波能夠通過加權平均的方式有效抑制噪聲對估計結果的影響，確保估計值更加準確。卡爾曼濾波能夠實時跟蹤系統狀態的變化，迅速適應系統參數的動態調整，適合于智能網聯汽車等高速移動的系統。

3 卡爾曼濾波在智能網聯汽車狀態估計中的應用現狀

31 汽車定位估計

卡爾曼濾波通過融合衛星定位系統（GPS）、慣性導航系統（INS）和車載傳感器等多源數據，能夠有效提升車輛在復雜環境下的定位精度。卡爾曼濾波的核心優勢在于其對噪聲和誤差的抑制能力[2]。在定位過程中，GPS系統提供的定位數據可能存在多路徑效應或信號遮擋，慣性導航系統（INS）會隨著時間積累而產生漂移。卡爾曼濾波通過實時更新的方式，結合系統動態模型和傳感器觀測數據，能夠有效過濾掉這些噪聲，提供更加精確的狀態估計。在定位融合中，卡爾曼濾波的狀態方程表示為：

[xk=Fkxk-1+Bkuk+wk]" " " " " " " " " " " "（3）

式中，[xk]為車輛當前位置的估計狀態；Fk為狀態轉移矩陣；uk為控制輸入（車輛的加速度或轉向角）；wk為過程噪聲。

在更新步驟中，卡爾曼濾波將傳感器觀測值與預測的狀態進行比較，修正狀態估計：

[xk=xk+Kkzk-Hkxk]" " " " " " " " " " （4）

式中，[zk]為傳感器的測量值；Kk為卡爾曼增益；Hk為觀測矩陣。

通過以上融合機制，卡爾曼濾波可以有效減少定位誤差，在GPS信號受限的環境下，通過慣性導航系統的數據補償，顯著提高智能網聯汽車的定位精度，確保導航與自動駕駛系統的穩定性與可靠性。

32 汽車動力學估計

卡爾曼濾波結合車輛的動力學模型，能夠實時估計車輛的速度、加速度、側偏角等動力學參數，為車輛穩定性控制（電子穩定性控制系統ESC）和防碰撞預警系統等提供精確的數據支持。車輛的動力學模型基于二自由度系統，描述了車輛的縱向和橫向動態。在卡爾曼濾波應用中，車輛的動態狀態（速度、加速度、側偏角等）通過對動力學方程的預測與更新實現精確估計。以側偏角為例，設車輛的側偏角與橫擺角速度之間存在一定的線性關系，卡爾曼濾波的狀態預測方程表示為：

[θk=Akθk-1+Bkuk+wk]" " " " " " " " " " "（5）

式中，[θk]為車輛的側偏角速率；Ak為車輛的動力學矩陣；uk為控制輸入（方向盤角度或轉向角速度）；wk為過程噪聲。

在此基礎上，卡爾曼濾波將測量數據與預測值進行融合，更新估計結果。更新步驟為：

[θk=θk+Kkzk-Hkθk]" " " " " " " " " " " " （6）

式中，[θk]為更新后的估計狀態；Kk為卡爾曼增益；zk為傳感器的實際測量值；Hk為觀測矩陣。

基于卡爾曼濾波的動力學狀態估計能夠有效減小車輛動力學模型與實際測量數據之間的差異，提高估計精度[3]。通過實時估計車輛的動態參數，系統可以及時調整轉向角度或改變制動力分配，確保車輛的穩定性與安全性。卡爾曼濾波通過精確估計車輛的動態狀態，能夠實時預測潛在碰撞風險，并觸發自動駕駛系統進行規避，進一步提高智能網聯汽車的安全性和可靠性。

33 汽車傳感器融合估計

通過融合激光雷達（LiDAR）、攝像頭、毫米波雷達等傳感器的數據，卡爾曼濾波能夠提供準確的目標位置和運動狀態估計，為智能網聯汽車的自動駕駛決策提供可靠依據。

在傳感器融合過程中，卡爾曼濾波通過融合多源傳感器信息，能夠實現更高精度的目標識別和定位。激光雷達提供高精度的距離信息，但對天氣條件敏感；攝像頭提供豐富的視覺信息，但受光照變化影響較大；毫米波雷達則適用于惡劣天氣環境，且具有較強的穿透能力。卡爾曼濾波能夠有效加權不同傳感器的數據，進行精準的狀態估計[4]。設目標的狀態向量為位置和速度，卡爾曼濾波的狀態方程表示為：

[xk=Akxk-1+Bkuk+wk]" " " " " " " " " " "（7）

式中，[x]k為當前時刻目標的狀態（位置、速度等）；[A]k為狀態轉移矩陣；Bk為控制輸入矩陣；uk為控制輸入；wk為過程噪聲。在更新步驟中，卡爾曼濾波利用新的傳感器觀測值來更新狀態估計。對于每個傳感器，測量方程為：

[zk=Hkxk+v][k]" " " " " " " " " " " " " " " （8）

式中，zk為傳感器的測量值；Hk為觀測矩陣；vk為測量噪聲。通過計算卡爾曼增益，卡爾曼濾波將不同傳感器的數據進行加權融合，修正狀態估計為：

[xk=xk+Kkzk-Hkxk]" " " " " " " " " "（9）

式中，[xk]為預測的狀態；Kk為卡爾曼增益。

34 汽車多場景估計

高速公路、城市道路、停車場等場景要求卡爾曼濾波根據不同的車輛運動特性、路況變化和傳感器信息，靈活調整其估計策略。在高速巡航的情況下，卡爾曼濾波通過動力學模型進行車輛狀態的估計：

[xk=Akxk-1+Gkuk]" " " " " " " " " " " （10）

式中，xk為當前時刻車輛的狀態（位置、速度）；Ak為狀態轉移矩陣；Gk為控制矩陣；uk為控制輸入（加速度）。

卡爾曼濾波通過對車輛動態的預測與修正，保證了車輛狀態估計的高精度。然而，在城市道路或停車場等低速環境中，車輛的運動涉及頻繁的加減速、轉向等。此時，卡爾曼濾波依賴于傳感器提供的實時信息，及時調整卡爾曼增益來應對動態環境。卡爾曼濾波根據車輛的動態特性和傳感器數據，能夠實時修正狀態估計：

[xk=xk-1+Kk（zk-Hkxk-1）]" " " " " " " " " "（11）

式中，zk為傳感器測量值；[Hk]為觀測矩陣；Kk為卡爾曼增益。這一更新過程能夠在低速行駛下實時糾正車輛位置和速度的估計，保證在擁堵或狹小空間中駕駛時，車輛狀態估計的準確性。

4 卡爾曼濾波在智能網聯汽車狀態估計中的應用策略

41 優化多源數據融合算法

針對衛星信號失鎖，可以改進卡爾曼濾波的協方差矩陣自適應調整策略，增強多源數據融合的適應性和精準性。協方差矩陣的動態調整機制能夠根據衛星信號的質量，實時優化濾波增益和誤差模型。當衛星信號受阻或信號質量顯著降低時，卡爾曼濾波將自動增加對慣性導航數據（INS）的權重，彌補因衛星信號不穩定而導致的誤差。通過這一策略，可以顯著減少定位偏差，確保車輛在衛星信號不穩定區域內的高精度定位。

結合機器學習技術，可以進一步優化多源數據融合的過程。基于機器學習的衛星信號預測模型能夠有效提升卡爾曼濾波在復雜環境下的響應能力。通過訓練一個回歸模型，該模型能夠基于周圍環境（建筑分布、道路寬度、天氣條件等）的實時變化，預測可能的衛星信號遮擋情況[5]。結合這一預測結果，卡爾曼濾波可在衛星信號質量下降之前提前調整對衛星信號和慣性導航數據的融合權重，減少因信號丟失導致的定位偏差。在車輛進入隧道前，預測模型檢測到信號遮擋的風險增大，卡爾曼濾波會動態降低對衛星數據的依賴，增加對慣性導航的權重，保證定位的連續性和精確性。基于預測與動態調整的協同策略，能夠為智能網聯汽車的定位提供更加魯棒的解決方案。

為進一步提升定位的可靠性，可在卡爾曼濾波框架中引入5G通信技術，利用周邊基站的定位輔助信息作為額外觀測量。5G通信網絡具有低延遲、高帶寬和高密度基站的優勢，可以為智能網聯汽車提供額外的定位信息來源。通過實時交互獲取周邊基站的定位參考數據，卡爾曼濾波可以在衛星信號受阻時依賴5G基站的定位信息，進一步提高定位精度。通過結合衛星定位、慣性導航和5G基站信號數據，卡爾曼濾波能夠根據傳感器的當前狀態質量動態調整其權重。利用傳感器的時空相關性，卡爾曼濾波可以實現更高效的狀態估計。當慣性導航因長時間累積產生漂移時，卡爾曼濾波將自動降低其權重，增加對其他可靠數據源的依賴，這種動態調整策略確保了多源數據融合的靈活性與精準性。

42 構建自適應模型參數調整機制

模糊邏輯能夠根據車輛的實時行駛狀態（速度、加速度、轉向角）靈活調整卡爾曼濾波的增益和協方差矩陣，從而在車輛動力學狀態發生突變時快速提高濾波器的響應速度。當檢測到車輛進行急加速或急轉彎時，模糊控制規則能夠自動增加濾波增益，提升對速度、加速度和側偏角等動力學參數的估計精度，避免濾波滯后。

針對車輛負載變化對動力學模型的影響，提出基于負載監測的動力學模型修正算法。由于車輛的質量、轉動慣量等參數在不同負載條件下會發生變化，卡爾曼濾波需要實時更新這些參數以提高動力學狀態估計的準確性。在此方案中，通過實時監測車輛負載（載客人數、貨物重量等），結合卡爾曼濾波的狀態更新過程，動態修正車輛的質量和轉動慣量等參數，能夠確保在不同負載條件下，卡爾曼濾波仍能提供準確的狀態估計。

43 改進數據關聯融合

卷積神經網絡（CNN）能夠有效地從圖像和點云數據中提取出更加精確的空間和語義特征，增強對相似目標（同向行駛的其他車輛或行人）的區分能力。通過將高維特征向量輸入到卡爾曼濾波中，卡爾曼濾波能夠基于提取的深度特征進行更為精確的數據關聯，減少因環境干擾或相似目標導致的誤關聯，提升目標追蹤的穩定性。

針對多傳感器融合的架構，提出采用分布式融合與集中式融合相結合的策略，以提升卡爾曼濾波的數據融合效果。在該方案中，不同傳感器的數據通過分布式方式初步融合，根據每個傳感器的可靠性和數據更新頻率動態調整融合權重。當激光雷達的信號受到天氣影響或遮擋時，卡爾曼濾波會自動增加來自攝像頭或毫米波雷達的權重，確保傳感器數據的及時更新和高效融合。集中式融合則在更高層次上統一整合來自各傳感器的融合信息，最終提供準確的環境感知估計。通過結合深度學習的特征提取和動態加權的傳感器融合策略，卡爾曼濾波能夠有效處理來自不同傳感器的異質數據，提高對復雜環境下目標的識別與定位精度。

44 定制場景化濾波

高速公路場景下車輛以較高速度行駛，且運動模式相對穩定。為滿足高速公路上長距離、高速度行駛的需求，提出基于長短期記憶網絡（LSTM）與卡爾曼濾波的聯合估計模型。LSTM能夠有效學習車輛在高速公路上的行駛模式和速度變化趨勢，通過時間序列數據捕捉長期依賴關系，預測車輛未來的狀態。這一預測結果可作為卡爾曼濾波的輔助輸入，幫助卡爾曼濾波優化狀態估計，適應高速行駛下的長距離、較大加速度變化的估計需求。LSTM與卡爾曼濾波的聯合估計，能夠提高車輛在高速公路場景下的狀態跟蹤精度和實時性。

對于城市道路和停車場等低速復雜場景，車輛的動態狀態表現為頻繁的啟停、轉彎和近距離交互。在這種情況下，單一的卡爾曼濾波難以應對車輛運動中的非線性和多模態特性。為此，提出基于粒子濾波與卡爾曼濾波的混合算法，在此策略中，粒子濾波用于處理高度非線性和多模態的狀態分布，在轉彎、急剎車等急劇變化的狀態下，粒子濾波能夠提供更靈活和高效的估計。卡爾曼濾波則繼續負責處理車輛在較為線性部分（勻速行駛）中的狀態估計，確保整個系統的高效性和精度。

5 結語

卡爾曼濾波作為智能網聯汽車狀態估計中的核心技術，通過優化多源數據融合、動力學建模與場景適應性，顯著提升了定位精度、動態狀態跟蹤和環境感知能力。結合深度學習、粒子濾波等創新方法，進一步增強了它在復雜駕駛環境中的適應性與魯棒性。未來，隨著算法的不斷優化與新技術的引入，卡爾曼濾波將在智能網聯汽車領域的精確導航與安全駕駛中發揮更加重要的作用。

參考文獻：

[1]楊小英智能網聯技術在新能源汽車檢測及維修中的應用[J]汽車測試報告，2024（6）：61-63

[2]陳欣宇，李沁穎基于碰撞行為預測的智能網聯汽車狀態控制的研究[J]電腦知識與技術，2021，17（35）：77-79

[3]王建強，王昕智能網聯汽車體系結構與關鍵技術[J]長安大學學報（社會科學版），2017，19（6）：18-25

[4]趙又群，林棻基于UKF算法的汽車狀態估計[J]中國機械工程，2010，21（5）：615-619+629

[5]沈法鵬，趙又群，孫秋云，等基于IEKF-APF算法的汽車狀態估計[J]機械工程學報，2014，50（22）：136-141

作者簡介：

王繼紅，女，1972年生，副教授，研究方向為智能網聯汽車傳感器融合與感知。

基金項目：河南省高等學校重點科研項目“帶擾動多傳感器信息融合在智能網聯汽車狀態估計中應用”（24B140016）