CN103310637A - 基于车载数据的公交车速度获取装置及方法 - Google Patents

Abstract

基于车载数据的公交车速度获取装置，包括有控制器、安装在公交车上的GPS接收机和车速表传感器，GPS接收机和车速表传感器将数据发送至控制器，控制器处理并储存接收到的数据。基于车载数据的公交车速度获取方法，具体步骤如下：1）GPS接收机和车速表传感器分别接收车速数据；2）自适应加权融合；3）滤波处理；4）进行全局最优估计。本发明为公交车速度测量提供了硬件基础，分别通过车速表传感器和GPS接收机分别测量公交车行驶速度，通过自适应加权融合，再进行全局最优估计，计算出公交车行驶速度。该算法省略了联合卡尔曼滤波算法中的信息反馈，减少了计算量，同时通过增加自适应加权来提高速度获取精度。

Description

基于车载数据的公交车速度获取装置及方法

技术领域

本发明涉及一种公交车速度获取装置及方法。

背景技术

随着智能交通系统的快速发展，城市公交车在城市发展过程中起着越来越重要的作用。公交车是治理城市拥堵、改善城市环境的重要方式，因而其安全、经济、舒适受到了人们的较多关注。驾驶员作为交通安全管理的执行主体，同时也是最不可控的交通安全危险源，其驾驶行为是整个交通安全管理的核心和根源。公交车速度又是公交车行驶状况分析的重要基础数据，采用改进的联合卡尔曼滤波算法来获取高精度的速度能够更好的分析驾驶员行为。

于京生等人设计了以嵌入式微处理器MC9S12DP256B为核心的智能数字式汽车组合仪表解决方案，系统可对汽车的车速参数进行实时测量和显示。刘海鸥等人采用了霍尔式零速传感器和单片机MC68376的TPU模块以及相应的检测软件，使得车辆起步车速的测量更加精确。潘妹月等人以主控制芯片dsPIC33F为核心，利用CAN通讯技术传输出原车的相关信号，GPRS无线通讯技术，将采集到的信号通过无线网络发送到远程计算机。但是这些方案都有其局限性。一方面没有充分利用GPS定位的成熟技术，另一个方面是测试数据不完整。

发明内容

本发明的一个目的就是提供一种基于车载数据的公交车速度获取装置，它可以为公交车速度获取提供硬件基础。

本发明的该目的是通过这样的技术方案实现的，它包括有控制器、安装在公交车上的GPS接收机和车速表传感器，GPS接收机和车速表传感器将数据发送至控制器，控制器处理并储存接收到的数据。

进一步，所述车速表传感器通过CAN总线接口将数据发送至控制器。

进一步，所述控制器包括有自适应加权融合模块、子滤波器I、滤波器II和主滤波器；GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合，并通过子滤波器I数据处理；车速表传感器采集到的数据通过子滤波器II数据处理；子滤波器I和滤波器II输出处理后的数据至主滤波器进行全局是最优估计。

本发明的另一个目的就是提供一种基于车载数据的公交车速度获取方法，它可以通过省略信息反馈来减少计算量，通过自适应加权来提高速度获取的精度。

本发明的该目的是通过这样的技术方案实现的，具体步骤如下：

1）GPS接收机和车速表传感器分别接收车速数据；

2）GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合；

3）步骤1）中车速表传感器接收到数据和步骤2）中加权融合后得到的数据分别通过子滤波器II和滤波器I进行滤波处理；

4）子滤波器I和滤波器II分别输出处理后的信息至主滤波器，主滤波器进行全局最优估计。

进一步，步骤2）中所述自适应加权融合的方法为：

把GPS传感器和车速传感器的测量值分别定义为X₁，X₂，融合后的值为X，则

$X=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i{X}_i---\left(1\right)$

由于

$\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i=1---\left(2\right)$

则总均方误差为：

${\mathrm{\σ}}^2=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W_i}^2{\mathrm{\σ}}_i^2---\left(3\right)$

总均方误差是关于各个加权因子的多元二次函数，则根据多元函数的求极值理论，可以求出总均方误差最小时所对应的加权因子为：

$W_i=\frac{1}{{\mathrm{\σ}}_i^2\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}}---\left(4\right)$

假设GPS传感器和车速传感器对应的测量误差为V₁、V₂。即：

X₁=Y+V₁；X₂=Y+V₂   (5)

其中Y为真实值，V₁、V₂为零均值的平稳噪声且互不相关，与Y也不相关；

X₁、X₂的互协方差R₁₂和R₂₁满足：

R₂₁=R₁₂=E[X₁X₂]=E[Y²]   (6)

X₁与X₂的自协方差分别满足：

$R_{11}=E\left[X_1{X}_1\right]=E\left[Y^2\right]+E\left[{V_1}^2\right]---\left(7\right)$

$R_{22}=E\left[X_2{X}_2\right]=E\left[Y^2\right]+E\left[{V_2}^2\right]---\left(8\right)$

GPS传感器和车速表传感器的方差满足：

${\mathrm{\σ}}_1^2=E\left[{V_1}^2\right]=R_{11}-R_{12}---\left(9\right)$

${\mathrm{\σ}}_2^2=E\left[{V_2}^2\right]=R_{22}-R_{21}---\left(10\right)$

对于R₁₁、R₁₂、R₂₂、R₂₁可以由其时间域估计值求出

设传感器测量数据的个数为n，则R₁₁、R₁₂、R₂₂、R₂₁的时间域估计值分别为：

$R_{11}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_1\left(i\right)X_1\left(i\right)---\left(11\right)$

$R_{12}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_1\left(i\right)X_2\left(i\right)---\left(12\right)$

$R_{22}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_2\left(i\right)X_2\left(i\right)---\left(13\right)$

$R_{21}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_2\left(i\right)X_1\left(i\right)---\left(14\right)$

把V_gps(t)、V_v(t)分别作为两个传感器的测量值X₁、X₂，由式（11）、（12）、（13）、（14）分别求出采样时刻n的R₁₁(n)、R₁₂(n)，R₂₂(n)，R₂₁(n)，再由式（9）和（10）求出时刻n的

和

求出两个传感器对应的加权因子，最后由式（1）求出最终的融合结果X。

进一步，对于多个传感器系统而言，各个局部滤波器的状态方程为：

X_i(k)=φ_i(k)X_i(k-1)+W_i(k)   (3.4)

局部滤波器的量测方程为：

Z_i(k)=F_i(k)X_i(k)+V_i(k)   (3.5)

其中，i=1,2,…n，X_i(k)为子系统i的状态变量，φ_i(k)为子系统i的状态转移矩阵，W_i(k)为子系统i的过程噪声，是个零均值的高斯白噪声，其方差为Q_i，Z_i(k)为第i的传感器的测量值，F_i(k)为第i的传感器的测量矩阵，V_i(k)为第i的传感器的量测噪声，是个零均值的高斯白噪声，其方差为R_i，步骤4）中主滤波器进行全局最优估计的具体方法为：

4-1）初始值的设定

把第i个局部滤波器的状态变量估计值记为其协方差矩阵为P_i，主滤波器的输出值为

P_g，Q_g，给定局部滤波器的状态初始值为

协方差初始值P_i(0)，噪声方差Q_i和R_i；

4-2）子滤波器的下一步预测

${\hat{X}}_i\left(k\right|k-1)={\mathrm{\φ}}_i\left(k\right){\hat{X}}_i(k-1)---\left(3.6\right)$

$P_i\left(k\right|k-1)={\mathrm{\φ}}_i\left(k\right)P_i(k-1){\mathrm{\φ}}_1^T\left(k\right)+Q_i\left(k\right)---\left(3.7\right)$

其中，i表示第i个子滤波器；

4-3）子滤波器的量测更新和时间更新

$K_i\left(k\right)=P_i\left(k\right|k-1)F_i^T\left(k\right)/(F_i\left(k\right)P_i\left(k\right|k-1)F_i^T\left(k\right)+R_i\left(k\right))---\left(3.8\right)$

${\hat{X}}_i\left(k\right)={\hat{X}}_i\left(k\right|k-1)+K_i\left(k\right)(Z_i\left(k\right)-F_i\left(k\right){\hat{X}}_i\left(k\right|k-1))---\left(3.9\right)$

P_i(k)=(I-K_i(k)F_i(k))P_i(k|k-1)   (3.10)

其中，i表示第i个滤波器，I是1的矩阵；

4-4）全局最优估计的计算

${P_g}^{-1}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i^{-1}\left(k\right)---\left(3.11\right)$

${\hat{X}}_g\left(k\right)=P_g\left(k\right)\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i^{-1}\left(k\right){\hat{X}}_i\left(k\right)\right)---\left(3.12\right)$

${Q_g}^{-1}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i^{-1}\left(k\right)---\left(3.13\right)$

4-5）子滤波器的信息分配

${\hat{X}}_i\left(k\right)={\hat{X}}_g\left(k\right)---\left(3.14\right)$

${P_i}^{-1}\left(k\right)={\mathrm{\β}}_i{P_g}^{-1}\left(k\right)---\left(3.15\right)$

${Q_i}^{-1}\left(k\right)={\mathrm{\β}}_i{Q_g}^{-1}\left(k\right)---\left(3.16\right)$

其中，i表示第i个子滤波器，β_i为各个子滤波器的信息分配系数，并且满足β₁+β₂=1和0<β_i<1；

4-6）返回步骤4-2）进入下一个循环。

由于采用了上述技术方案，本发明具有如下的优点：

本发明为公交车速度测量提供了硬件基础，分别通过车速表传感器和GPS接收机分别测量公交车行驶速度，通过自适应加权融合，再进行全局最优估计，计算出公交车行驶速度。该算法省略了联合卡尔曼滤波算法中的信息反馈，减少了计算量，同时通过增加自适应加权来提高速度获取精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的结构示意图；

图2为本发明的算法流程图；

图3为MATLAB仿真曲线图；

图4为光电式速度传感器测量的速度曲线和融合后的速度曲线。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

基于车载数据的公交车速度获取装置，包括有控制器、安装在公交车上的GPS接收机和车速表传感器，GPS接收机和车速表传感器将数据发送至控制器，控制器处理并储存接收到的数据。

所述车速表传感器通过CAN总线接口将数据发送至控制器。

所述控制器包括有自适应加权融合模块、子滤波器I、滤波器II和主滤波器；GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合，并通过子滤波器I数据处理；车速表传感器采集到的数据通过子滤波器II数据处理；子滤波器I和滤波器II输出处理后的数据至主滤波器进行全局是最优估计。

基于车载数据的公交车速度获取方法，具体步骤如下：

1）GPS接收机和车速表传感器分别接收车速数据；

2）GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合；

3）步骤1）中车速表传感器接收到数据和步骤2）中加权融合后得到的数据分别通过子滤波器II和滤波器I进行滤波处理；

4）子滤波器I和滤波器II分别输出处理后的信息至主滤波器，主滤波器进行全局最优估计。

步骤2）中所述自适应加权融合的方法为：

把GPS传感器和车速传感器的测量值分别定义为X₁，X₂，融合后的值为X，则

$X=\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{W}_i{X}_i---\left(1\right)$

由于

$\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{W}_i=1---\left(2\right)$

则总均方误差为：

${\mathrm{\&sigma;}}^2=\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{W_i}^2{\mathrm{\&sigma;}}_i^2---\left(3\right)$

总均方误差是关于各个加权因子的多元二次函数，则根据多元函数的求极值理论，可以求出总均方误差最小时所对应的加权因子为：

$W_i=\frac{1}{{{\mathrm{\&sigma;}}_i}^2\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}\frac{1}{{{\mathrm{\&sigma;}}_i}^2}}---\left(4\right)$

假设GPS传感器和车速传感器对应的测量误差为V₁、V₂。即：

X₁=Y+V₁；X₂=Y+V₂      (5)

其中Y为真实值，V₁、V₂为零均值的平稳噪声且互不相关，与Y也不相关；

X₁、X₂的互协方差R₁₂和R₂₁满足：

R₂₁=R₁₂=E[X₁X₂]=E[Y²]      (6)

X₁与X₂的自协方差分别满足：

$R_{11}=E\left[X_1{X}_1\right]=E\left[Y^2\right]+E\left[{V_1}^2\right]---\left(7\right)$

$R_{22}=E\left[X_2{X}_2\right]=E\left[Y^2\right]+E\left[{V_2}^2\right]---\left(8\right)$

GPS传感器和车速表传感器的方差满足：

${\mathrm{\&sigma;}}_1^2=E\left[{V_1}^2\right]=R_{11}-R_{12}---\left(9\right)$

${\mathrm{\&sigma;}}_2^2=E\left[{V_2}^2\right]=R_{22}-R_{21}---\left(10\right)$

对于R₁₁、R₁₂、R₂₂、R₂₁可以由其时间域估计值求出

设传感器测量数据的个数为n，则R₁₁、R₁₂、R₂₂、R₂₁的时间域估计值分别为：

$R_{11}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_1\left(i\right)X_1\left(i\right)---\left(11\right)$

$R_{12}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_1\left(i\right)X_2\left(i\right)---\left(12\right)$

$R_{22}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_2\left(i\right)X_2\left(i\right)---\left(13\right)$

$R_{21}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_2\left(i\right)X_1\left(i\right)---\left(14\right)$

把V_gps(t)、V_v(t)分别作为两个传感器的测量值X₁、X₂，由式（11）、（12）、（13）、（14）分别求出采样时刻n的R₁₁(n)、R₁₂(n)，R₂₂(n)，R₂₁(n)，再由式（9）和（10）求出时刻n的

和

求出两个传感器对应的加权因子，最后由式（1）求出最终的融合结果X。

对于多个传感器系统而言，各个局部滤波器的状态方程为：

X_i(k)=φ_i(k)X_i(k-1)+W_i(k)      (3.4)

局部滤波器的量测方程为：

Z_i(k)=F_i(k)X_i(k)+V_i(k)          (3.5)

其中，i=1,2,…n，X_i(k)为子系统i的状态变量，φ_i(k)为子系统i的状态转移矩阵，W_i(k)为子系统i的过程噪声，是个零均值的高斯白噪声，其方差为Q_i，Z_i(k)为第i的传感器的测量值，F_i(k)为第i的传感器的测量矩阵，V_i(k)为第i的传感器的量测噪声，是个零均值的高斯白噪声，其方差为R_i，步骤4）中主滤波器进行全局最优估计的具体方法为：

4-1）初始值的设定

把第i个局部滤波器的状态变量估计值记为

其协方差矩阵为P_i，主滤波器的输出值为

P_g，Q_g，给定局部滤波器的状态初始值为

协方差初始值P_i(0)，噪声方差Q_i和R_i；

4-2）子滤波器的下一步预测

${\hat{X}}_i\left(k\right|k-1)={\mathrm{\&phi;}}_i\left(k\right){\hat{X}}_i(k-1)---\left(3.6\right)$

$P_i\left(k\right|k-1)={\mathrm{\&phi;}}_i\left(k\right)P_i(k-1){\mathrm{\&phi;}}_1^T\left(k\right)+Q_i\left(k\right)---\left(3.7\right)$

其中，i表示第i个子滤波器；

4-3）子滤波器的量测更新和时间更新

$K_i\left(k\right)=P_i\left(k\right|k-1)F_i^T\left(k\right)/(F_i\left(k\right)P_i\left(k\right|k-1)F_i^T\left(k\right)+R_i\left(k\right))---\left(3.8\right)$

${\hat{X}}_i\left(k\right)={\hat{X}}_i\left(k\right|k-1)+K_i\left(k\right)(Z_i\left(k\right)-F_i\left(k\right){\hat{X}}_i\left(k\right|k-1))---\left(3.9\right)$

P_i(k)=(I-K_i(k)F_i(k))P_i(k|k-1)   (3.10)

其中，i表示第i个滤波器，I是1的矩阵；

4-4）全局最优估计的计算

${P_g}^{-1}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P_i}^{-1}\left(k\right)---\left(3.11\right)$

${\hat{X}}_g\left(k\right)=P_g\left(k\right)\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P_i}^{-1}\left(k\right){\hat{X}}_i\left(k\right)\right)---\left(3.12\right)$

${Q_g}^{-1}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Q_i}^{-1}\left(k\right)---\left(3.13\right)$

4-5）子滤波器的信息分配

${\hat{X}}_i\left(k\right)={\hat{X}}_g\left(k\right)---\left(3.14\right)$

${P_i}^{-1}\left(k\right)={\mathrm{\&beta;}}_i{P_g}^{-1}\left(k\right)---\left(3.15\right)$

${Q_i}^{-1}\left(k\right)={\mathrm{\&beta;}}_i{Q_g}^{-1}\left(k\right)---\left(3.16\right)$

其中，i表示第i个子滤波器，β_i为各个子滤波器的信息分配系数，并且满足β₁+β₂=1和0<β_i<1；

4-6）返回步骤4-2）进入下一个循环。

通过设定合适的初始值，在MATLAB中得到如图3所示的5种速度曲线。由图可以知道经过数据融合后的速度曲线比单独使用GPS速度或车速表速度的曲线更接近与理想曲线。而且，改进的联合卡尔曼滤波数据融合后的速度曲线也比没改进的精度高些。由此可证明：改进的联合卡尔曼滤波算法可以实现实时、高精度的数据提取，能够满足嵌入式的需求。

为了实现在嵌入式系统下使用数据融合技术实现公交车速度数据的高精度提取。我们对一辆公交车进行跟车实验。将装载有GPS模块和烧写有数据融合算法的嵌入式系统安置在恒通公交车公司的一辆公交车上面，对该车辆的速度数据进行了实时采集和分析。试验系统的硬件平台，开发板外观如图1所示。

为了验证通过融合算法获取的公交车速度数据更加接近车辆的行驶速度和在一定程度上解决GPS和车速表在测量过程中所遇到如障碍物遮挡、轮胎气压等影响所造成的误差，在进行跟车实验的过程中，还准备了一个测量精度非常之高的光学速度传感器，它的测量精度可高达99%以上。我们选取测量数据中的80组数据，把融合后的数据和光学传感器测得的数据进行比较，得到如图4所示的运行曲线。

由7可知，融合后的速度数据与光电式速度传感器测量的速度数据已经近乎合为一体，数据的最大绝对误差也只有0.06km/h左右。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.基于车载数据的公交车速度获取装置，其特征在于：所述装置包括有控制器、安装在公交车上的GPS接收机和车速表传感器，GPS接收机和车速表传感器将数据发送至控制器，控制器处理并储存接收到的数据。

2.如权利要求1所述的基于车载数据的公交车速度获取装置，其特征在于：所述车速表传感器通过CAN总线接口将数据发送至控制器。

3.如权利要求1所述的基于车载数据的公交车速度获取装置，其特征在于：所述控制器包括有自适应加权融合模块、子滤波器I、滤波器II和主滤波器；GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合，并通过子滤波器I数据处理；车速表传感器采集到的数据通过子滤波器II数据处理；子滤波器I和滤波器II输出处理后的数据至主滤波器进行全局是最优估计。

4.如权利要求1至3任意一项所述装置获取车速度的方法，其特征在于，具体步骤如下：

1）GPS接收机和车速表传感器分别接收车速数据；

2）GPS接收机和车速表传感器分别接收到的车速数据通过自适应加权融合；

3）步骤1）中车速表传感器接收到数据和步骤2）中加权融合后得到的数据分别通过子滤波器II和滤波器I进行滤波处理；

4）子滤波器I和滤波器II分别输出处理后的信息至主滤波器，主滤波器进行全局最优估计。

5.如权利要求4所述的基于车载数据的公交车速度获取方法，其特征在于，步骤2）中所述自适应加权融合的方法为：

把GPS传感器和车速传感器的测量值分别定义为X₁，X₂，融合后的值为X，则

$X=\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{W}_i{X}_i---\left(1\right)$

由于

$\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{W}_i=1---\left(2\right)$

则总均方误差为：

${\mathrm{\&sigma;}}^2=\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{W_i}^2{\mathrm{\&sigma;}}_i^2---\left(3\right)$

总均方误差是关于各个加权因子的多元二次函数，则根据多元函数的求极值理论，可以求出总均方误差最小时所对应的加权因子为：

$W_i=\frac{1}{{{\mathrm{\&sigma;}}_i}^2\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}\frac{1}{{{\mathrm{\&sigma;}}_i}^2}}---\left(4\right)$

假设GPS传感器和车速传感器对应的测量误差为V₁、V₂。即：

X₁=Y+V₁；X₂=Y+V₂   (5)

其中Y为真实值，V₁、V₂为零均值的平稳噪声且互不相关，与Y也不相关；

X₁、X₂的互协方差R₁₂和R₂₁满足：

R₂₁=R₁₂=E[X₁X₂]=E[Y²]   (6)

X₁与X₂的自协方差分别满足：

$R_{11}=E\left[X_1{X}_1\right]=E\left[Y^2\right]+E\left[{V_1}^2\right]---\left(7\right)$

$R_{22}=E\left[X_2{X}_2\right]=E\left[Y^2\right]+E\left[{V_2}^2\right]---\left(8\right)$

GPS传感器和车速表传感器的方差满足：

${\mathrm{\&sigma;}}_1^2=E\left[{V_1}^2\right]=R_{11}-R_{12}---\left(9\right)$

${\mathrm{\&sigma;}}_2^2=E\left[{V_2}^2\right]=R_{22}-R_{21}---\left(10\right)$

对于R₁₁、R₁₂、R₂₂、R₂₁可以由其时间域估计值求出

设传感器测量数据的个数为n，则R₁₁、R₁₂、R₂₂、R₂₁的时间域估计值分别为：

$R_{11}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_1\left(i\right)X_1\left(i\right)---\left(11\right)$

$R_{12}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_1\left(i\right)X_2\left(i\right)---\left(12\right)$

$R_{22}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_2\left(i\right)X_2\left(i\right)---\left(13\right)$

$R_{21}\left(n\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_2\left(i\right)X_1\left(i\right)---\left(14\right)$

把V_gps(t)、V_v(t)分别作为两个传感器的测量值X₁、X₂，由式（11）、（12）、（13）、（14）分别求出采样时刻n的R₁₁(n)、R₁₂(n)，R₂₂(n)，R₂₁(n)，再由式（9）和（10）求出时刻n的

和

求出两个传感器对应的加权因子，最后由式（1）求出最终的融合结果X。

6.如权利要求4所述的基于车载数据的公交车速度获取方法，其特征在于：

对于多个传感器系统而言，各个局部滤波器的状态方程为：

X_i(k)=φ_i(k)X_i(k-1)+W_i(k)   (3.4)

局部滤波器的量测方程为：

Z_i(k)=F_i(k)X_i(k)+V_i(k)   (3.5)

其中，i=1,2,…n，X_i(k)为子系统i的状态变量，φ_i(k)为子系统i的状态转移矩阵，W_i(k)为子系统i的过程噪声，是个零均值的高斯白噪声，其方差为Q_i，Z_i(k)为第i的传感器的测量值，F_i(k)为第i的传感器的测量矩阵，V_i(k)为第i的传感器的量测噪声，是个零均值的高斯白噪声，其方差为R_i，步骤4）中主滤波器进行全局最优估计的具体方法为：

4-1）初始值的设定

把第i个局部滤波器的状态变量估计值记为

其协方差矩阵为P_i，主滤波器的输出值为

P_g，Q_g，给定局部滤波器的状态初始值为

协方差初始值P_i(0)，噪声方差Q_i和R_i；

4-2）子滤波器的下一步预测

${\hat{X}}_i\left(k\right|k-1)={\mathrm{\&phi;}}_i\left(k\right){\hat{X}}_i(k-1)---\left(3.6\right)$

$P_i\left(k\right|k-1)={\mathrm{\&phi;}}_i\left(k\right)P_i(k-1){\mathrm{\&phi;}}_1^T\left(k\right)+Q_i\left(k\right)---\left(3.7\right)$

其中，i表示第i个子滤波器；

4-3）子滤波器的量测更新和时间更新

$K_i\left(k\right)=P_i\left(k\right|k-1)F_i^T\left(k\right)/(F_i\left(k\right)P_i\left(k\right|k-1)F_i^T\left(k\right)+R_i\left(k\right))---\left(3.8\right)$

${\hat{X}}_i\left(k\right)={\hat{X}}_i\left(k\right|k-1)+K_i\left(k\right)(Z_i\left(k\right)-F_i\left(k\right){\hat{X}}_i\left(k\right|k-1))---\left(3.9\right)$

P_i(k)=(I-K_i(k)F_i(k))P_i(k|k-1)   (3.10)

其中，i表示第i个滤波器，I是1的矩阵；

4-4）全局最优估计的计算

${P_g}^{-1}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_i^{-1}\left(k\right)---\left(3.11\right)$

${\hat{X}}_g\left(k\right)=P_g\left(k\right)\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_i^{-1}\left(k\right){\hat{X}}_i\left(k\right)\right)---\left(3.12\right)$

${Q_g}^{-1}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Q_i}^{-1}\left(k\right)---\left(3.13\right)$

4-5）子滤波器的信息分配

${\hat{X}}_i\left(k\right)={\hat{X}}_g\left(k\right)---\left(3.14\right)$

${P_i}^{-1}\left(k\right)={\mathrm{\&beta;}}_i{P_g}^{-1}\left(k\right)---\left(3.15\right)$

${Q_i}^{-1}\left(k\right)={\mathrm{\&beta;}}_i{Q_g}^{-1}\left(k\right)---\left(3.16\right)$

其中，i表示第i个子滤波器，β_i为各个子滤波器的信息分配系数，并且满足β₁+β₂=1和0<β_i<1；

4-6）返回步骤4-2）进入下一个循环。

Images