基于传感器置信度的列车组合定位信息融合算法
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于传感器置信度的列车组合定位信息融合算法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘要】针对列车组合定位系统中车载传感器对工作环境的适应问题，提出一种基于传感器可信度在线调节联合卡尔曼滤波器的自适应信息融合方法。仿真结果表明，该算法能够提高数据融合的可靠性和精度，是一种可行的列车组合定位信息融合算法。
【关键词】列车定位;信息融合;卡尔曼滤波
1.引言
本文通过建立自适应卡尔曼滤波子滤波器的联合滤波结构，采用模糊自适应算法实时检测各子滤波器量测噪声统计特性变化情况，跟踪真实值，计算子滤波器置信度。将得到的置信度与地理信息相关联存储到数字轨道地图中，列车运行时，调用该置信度对各子滤波器的输出加权，得到最终的全局输出。
用GPS接收机、ODO（里程计）、IMU（惯性测量单元）与数字轨道地图构成组合定位系统。IMU作为主参考系统，分别与GPS、ODO构成子滤波器1和子滤波器2，子滤波器数学模型如下：
（1）
式中：Xk为k时刻的状态向量;为状态转移矩阵;i为第i个子滤波器;为第i个子滤波器的量测向量;为量测矩阵;为噪声矩阵;为噪声向量;为量测噪声向量;为对量测噪声的加权系数。
3.基于置信度加权的信息融合
3.1 自适应卡尔曼滤波器
假定系统噪声统计特性Q已知，量测噪声统计特性R未知，设计自适应卡尔曼滤波器：
（2）
其中，Sk为对量测噪声统计特性的调节系数。若b>1，表示放大Sk对的调节作用;若b<1，则表示缩小Sk对的调整作用;若b=0，意味着放弃Sk对的调整作用，此时上述滤波方法等同于常规卡尔曼滤波[1]。Sk的取值由模糊计算模块得到，模块的输入为残差实测方差与理论方差的比值。
将残差的理论方差定义为，则由文献[1]知：
（3）
将残差的实测方差定义为Cr：
（4）
定义残差实测方差与理论方差比值为qk：
（5）
3.2 考虑可信度的信息融合
本文用模糊隶属度函数设定子滤波器置信度函数，由式（5）的值判断子滤波器IMU/GPS、IMU/ODO的可信度。记子滤波器IMU/GPS可信度为P（F1），残差比为q（1），子滤波器IMU/ODO可信度为P（F2），残差比为q（2）：
（6）
根据子滤波器IMU/GPS、IMU/ODO可信度函数，得出子滤波器实时可信权值W1r、W2r：
（7）
当前位置两个子滤波器的可信权值为W1p、W2p，则最终置信权值：
（8）
子滤波器的信息分配系数：
（9）
k时刻信息融合结果为：
（10）
4.仿真计算
使用标准联合卡尔曼滤波信息融合方法和本文提出的环境信息置信度加权的信息融合方法进行仿真计算，误差曲线如图1所示。
图1 东向定位误差
由图1可知，在2000s到4000s以及5000s到6000s之间GPS和里程计量测噪声分别发生明显变化，置信度加权方法通过改变子滤波器IMU/GPS、IMU/ODO的信息分配系数，弱化量测误差大的传感器，传感器置信度加权融合方法明显优于标准联合卡尔曼滤波。而在4000s到5000s之间，由于GPS和里程计量测噪声都发生明显变化，两个子滤波器IMU/GPS、IMU/ODO的置信度同时降低，通过传感器置信度加权融合方法并不能明显改善误差。
5.结论
针对车载传感器对列车运行环境的适应问题，本文提出了一种基于传感器可信度的信息融合方法，设计模糊自适应卡尔曼滤波器跟踪实际量测噪声，并根据量测噪声在线调节融合过程中传感器的信息分配系数，提高了数据融合过程的可靠性，同时能够检测并排除来自传感器的错误数据。使得列车组合定位信息融合系统对应用环境的适应性更强，定位精度也相对于常规联合滤波也大为提高。
参考文献
[1]熊芝兰.INS/GPS组合滤波方法研究[D].哈尔滨：哈尔滨工程大学硕士论文，2005.