CN103727947A - 基于ukf滤波的bds与gis深耦合定位方法和系统 - Google Patents

Abstract

本发明涉及卫星定位技术领域，公开了一种基于UKF滤波的BDS与GIS深耦合定位方法和系统，该方法包括步骤：建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；组织成GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。本发明中采用了地理信息系统技术，对定位误差的修正来源于精确的GIS模型，解决了定位误差随时间推移而增大的技术问题。

Description

基于UKF滤波的BDS与GIS深耦合定位方法和系统

技术领域

本发明涉及卫星定位技术领域，特别涉及一种基于UKF滤波的BDS与GIS深耦合定位方法和系统。

背景技术

卫星导航定位技术利用卫星进行全天候、连续、实时的三维导航定位和测速，也可以进行高精度的时间传递和高精度的精密定位。目前卫星定位系统有美国的GPS(全球定位系统)、俄罗斯的GLONASS(全球导航卫星系统)、欧盟的GALILEO(伽利略计划)，以及中国的BDS(北斗导航系统)等。卫星导航定位技术要求必须有至少4颗卫星保持可见度才可定位，由于高动态环境会削弱卫星接收机对卫星信号的捕获与跟踪能力，甚至短时间内丢失卫星信号，影响正常导航；山脉、高楼、树木的遮挡也会致使卫星接收机接收卫星信号变差，无法达到定位要求；或者由于遮挡产生多路径效应，造成很大的定位偏差。鉴于以上原因，很多情况下，需要利用多种技术进行组合使用，采用辅助手段来弥补单一卫星定位的不足，达到高精度定位的目的。例如，采用卫星导航、惯性导航、无线电导航、天文导航、电子地图等系统中的两个或几个结合在一起，形成组合导航系统。

在受到山体等障碍遮挡、卫星信号受干扰等异常条件下，系统能够观测到的有效卫星数目可能少于4颗。这种情况下，目前利用卫星定位系统与INS(惯性导航系统)的组合导航方式，在一定的时间内或距离内能够改善装备定位精度。其具体实现方法为：将卫星的伪距、伪距率观测量与利用INS导航输出计算出的伪距、伪距率估计值进行比较，得到的差值作为Kalman(卡尔曼)滤波器的测量输入值，经组合导航滤波器，生成INS的误差估计值，这些估计可在每次测量更新后对INS进行修正，以提高INS导航的精度。

利用卫星定位系统与INS(惯性导航系统)的组合定位技术可以提高在有效卫星数目少于4颗时的定位精度，但是除造价昂贵之外，现有技术还存在以下缺点：

(1)在卫星信号长时间较弱的情况下，INS只能保证短时段的导航精度，INS定位误差会随时间推移而增大，导航结果将不能保证，不能满足高精度的定位需求。

(2)滤波算法目前采用EKF(Extended Kalman Filter)滤波，是将非线性函数的Taylor展开式进行一阶线性化截断，而忽略其余高阶项，从而将非线性问题转化为线性，当强非线性时EKF违背局部线性假设，Taylor展开式中被忽略的高阶项带来大的误差时，EKF算法可能会使滤波发散，造成估计精度低、稳定性差的缺陷。

(3)INS分为平台式惯导和捷联式惯导。平台式惯导将惯性测量装置安装在一个惯性平台上，结构复杂，体积重量大，寿命短。捷联惯导是将惯性测量装置直接安装在载体上，用计算机的数字计算来代替平台的模拟跟踪功能，但是由于没有惯性平台，载体的动态冲击直接作用于惯性元件，因而工作环境恶劣，一般捷联惯导难以达到平台惯导所能达到的最高精度。

发明内容

针对现有技术的缺陷，本发明所要解决的技术问题是如何在卫星信号长时间较弱的情况下保证高精度的定位。

为实现上述目的，一方面，本发明提供了一种基于UKF滤波的BDS与GIS深耦合定位方法，包括步骤：

S1，根据车辆的实际运动模型建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；

S2，根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；

S3，根据实际的GIS道路信息组织成相应的GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；

S4，获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。

优选地，步骤S3中，所述滤波为UKF滤波。

优选地，所述方法迭代进行，所述校正后的下一时刻车辆位置和下一时刻的定位方差矩阵继续应用于再下一时刻预测和测量过程中。

优选地，设当前时刻为k-1时刻，下一时刻为k时刻，则有：

步骤S1中，根据预测矩阵Φ_k-1和校正后的k-1时刻车辆位置信息

推断k时刻车辆位置信息 ${\hat{x}}_k^{-}={\mathrm{\Φ}}_{k-1}{\hat{x}}_{k-1}^{+};$

步骤S2中，根据k-1时刻定位方差矩阵

计算k时刻的预测方差矩阵 $P_k^{-}={\mathrm{\Φ}}_{k-1}{P}_{k-1}^{+}{\mathrm{\Φ}}_{k-1}^T+Q_{k-1};$ 其中，Q_k-1为系统噪声方差矩阵；

步骤S3中，根据GIS道路模型H_k、测量噪声R_k，计算滤波增益矩阵 $K_k=P_k^{-}{H}_k^T{(H_k{P}_k^{-}{H}_k^T+R_k)}^{-1};$

步骤S4中，根据k时刻得到的测量矩阵z_k，得出进行输出校正后的k时刻的车辆位置信息 ${\hat{x}}_k^{+}={\hat{x}}_k^{-}+K_k(z_k-H_k{\hat{x}}_k^{-});$ 同时更新k时刻的定位方差矩阵 $P_k^{+}=(1-K_k{H}_k)P_k^{-},$ 其中I为单位矩阵。

另一方面，本发明还同时提供了一种基于UKF滤波的BDS与GIS深耦合定位系统，包括：

推断模块，用于根据车辆的实际运动模型建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；

预测模块，用于根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；

滤波模块，用于根据实际的GIS道路信息组织成相应的GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；

校正更新模块，用于获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。

优选地，所述滤波模块中采用UKF滤波器。

优选地，所述系统还包括：

迭代模块，用于将所述校正后的下一时刻车辆位置和下一时刻的定位方差矩阵继续应用于再下一时刻预测和测量过程中。

优选地，设当前时刻为k-1时刻，下一时刻为k时刻，则有：

所述推断模块中，根据预测矩阵Φ_k-1和校正后的k-1时刻车辆位置信息

推断k时刻车辆位置信息 ${\hat{x}}_k^{-}={\mathrm{\Φ}}_{k-1}{\hat{x}}_{k-1}^{+};$

所述预测模块中，根据k-1时刻定位方差矩阵

计算k时刻的预测方差矩阵 $P_k^{-}={\mathrm{\Φ}}_{k-1}{P}_{k-1}^{+}{\mathrm{\Φ}}_{k-1}^T+Q_{k-1};$ 其中，Q_k-1为系统噪声方差矩阵；

所述滤波模块中，根据GIS道路模型H_k、测量噪声R_k，计算滤波增益矩阵 $K_k=P_k^{-}{H}_k^T{(H_k{P}_k^{-}{H}_k^T+R_k)}^{-1};$

所述校正更新模块中，根据k时刻得到的测量矩阵z_k，得出进行输出校正后的k时刻的车辆位置信息 ${\hat{x}}_k^{+}={\hat{x}}_k^{-}+K_k(z_k-H_k{\hat{x}}_k^{-});$ 同时更新k时刻的定位方差矩阵 $P_k^{+}=(1-K_k{H}_k)P_k^{-};$ 其中I为单位矩阵。

与现有技术相比，本发明提供了一种基于UKF滤波的BDS与GIS深耦合定位方法和系统，由于采用了地理信息系统技术，对定位误差的修正来源于精确的GIS模型，解决了定位误差随时间推移而增大的技术问题；此外，由于采用基于无损变换的UKF卡尔曼滤波算法，避免了对非线性方程线性化的过程，其精度和稳定性都要优于传统EKF滤波。

附图说明

图1为本发明的一个实施例中基于UKF滤波的BDS与GIS深耦合定位方法流程图；

图2为本发明的一个优选实施例中k-1时刻到k时刻的定位过程详细图解。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例为实施本发明的较佳实施方式，所述描述是以说明本发明的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围应当以权利要求所界定者为准，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

传统的卫星导航与INS组合定位技术可以短时间内在有效卫星数目少于4颗时提供具有一定精度的导航定位，但当卫星信号长时间较弱的情况下，现有定位技术的精度很难得到有效保证。针对这种情况，本发明在原有的导航系统基础上，加入了采用地理系统技术、对定位误差修正来源于精确的GIS模型，以解决定位误差随时间推移而增大的技术问题，同时BDS与GIS深耦合定位技术采用基于Unscented transformation(UT，无损变换)的UKF滤波算法，避免了对非线性方程线性化的过程，其精度和稳定性都优于传统EKF滤波。

如图1所示，在发明的一个实施例中，基于UKF滤波的BDS与GIS(地理信息系统)深耦合定位方法包括步骤：

S1，根据车辆的实际运动模型建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；

S2，根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；

S3，根据实际的GIS道路信息组织成相应的GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；

S4，获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。

可以看出，本发明的方法是一个迭代应用过程，即通过当前时刻之前的信息对下一时刻的车辆位置信息进行推断和校正，获得的校正信息又用来对再下一时刻的信息进行推断和校正。

在本发明的优选实施例中，采用UKF滤波(Unscented Kalman Filter，无损卡尔曼滤波)组织道路模型并对滤波增益矩阵进行约束。以当前时刻为k-1时刻为例，优选的定位过程如图2所示，该过程分为预测和测量两个部分，其中，

设根据车辆的实际运动模型建立车辆定位的预测矩阵为Φ_k-1，校正后的k-1时刻车辆位置信息为推断k时刻车辆位置信息 ${\hat{x}}_k^{-}={\mathrm{\Φ}}_{k-1}{\hat{x}}_{k-1}^{+};$

又设k-1时刻定位方差矩阵为

计算k时刻的预测方差矩阵 $P_k^{-}={\mathrm{\Φ}}_{k-1}{P}_{k-1}^{+}{\mathrm{\Φ}}_{k-1}^T+Q_{k-1};$ 其中，Q_k-1为系统噪声方差矩阵；

根据GIS道路信息组织成的GIS道路模型为H_k(即GIS测量约束矩阵)，测量噪声为R_k，由此计算滤波增益矩阵 $K_k=P_k^{-}{H}_k^T{(H_k{P}_k^{-}{H}_k^T+R_k)}^{-1};$

k时刻得到的卫星导航定位观测量为测量矩阵z_k，则根据前述数据进行输出校正后的k时刻的车辆位置信息 ${\hat{x}}_k^{+}={\hat{x}}_k^{-}+K_k(z_k-H_k{\hat{x}}_k^{-});$ 同时更新k时刻的定位方差矩阵 $P_k^{+}=(1-K_k{H}_k)P_k^{-},$ 其中I为单位矩阵。

通过上述方式，预测部分利用k-1时刻的数据对k时刻的数据进行预测推断，随后测量部分再利用UKF滤波对k时刻的观测量进行校正，得到更新后的k时刻的数据。在这之后进行迭代处理，依靠该k时刻的数据又可继续对k+1时刻的数据进行预测推断，由此不断迭代，获得不断接近真实值的定位信息。

其中，卡尔曼(Kalman)滤波是一种最优化自回归数据处理算法(optimalrecursive data processing algorithm)，其主要原理为：对于受噪声干扰的状态量，其数值是个随机量，不可能测得精确值，但可对它进行一系列观测，并依据一组观测值，按某种统计观点对它进行估计。Kalman滤波的最优估计就是使估计值尽可能准确地接近真实值。

在本发明中，BDS/GIS深耦合定位技术是利用国内的卫星定位系统——北斗系统，结合地理信息系统技术，在有效卫星数目少于4颗的情况下，依赖接收机与卫星之间的伪距、伪距率的变化与GIS的道路信息组合来提高定位精度的一项技术。

在滤波算法的选择上，UKF滤波是针对非线性模型的滤波方法，相对传统Kalman滤波而言，UKF滤波避免了对非线性方程线性化的过程，具有较高的精度和较好的鲁棒性，更适合于本方案的实施，其精度和稳定性都要优于传统Kalman滤波，从而使整个导航系统具有更高的精度和可靠性。

具体地，在本发明的一个优选实施例中，卫星导航的原始信息，如伪距、伪距率等，被引入到BDS/GIS组合导航的Kalman滤波中，直接利用卫星导航接收机与相对卫星的原始测量信息，如伪距、伪距率等的信息之差作为观测量。随后把GIS传来的道路信息组织成相应的GIS道路模型作为Kalman滤波器的约束条件，利用UKF滤波对各项惯性误差以及卫星定位系统的时钟参数进行估计，并采用输出校正的方式对组合输出进行修正，从而提高复杂环境下的长时间工作定位精度，为实现无地标定位提供支撑。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，本领域相关技术人员应能理解，与本发明的方法相对应的，本发明还同时包括一种基于UKF滤波的BDS与GIS深耦合定位系统，与上述方法步骤一一对应地，该系统包括：

推断模块，用于根据车辆的实际运动模型建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；

预测模块，用于根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；

滤波模块，用于根据实际的GIS道路信息组织成相应的GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；

校正更新模块，用于获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。

本发明的BDS/GIS深耦合定位技术由于采用了地理信息系统技术，对定位误差的修正来源于精确的GIS模型，解决了定位误差随时间推移而增大的技术问题。BDS/GIS深耦合定位技术采用基于无损变换的UKF卡尔曼滤波算法，避免了对非线性方程线性化的过程，其精度和稳定性都要优于传统EKF滤波。同时，由于GIS技术为一种软件技术，不存在外形与体积，并且不会折旧与损耗，解决了平台式惯导的重量和寿命问题；GIS软件不会受到载体的动态冲击的影响，解决了工作环境恶劣影响定位精度的问题。

虽然以上结合优选实施例对本发明进行了描述，但本领域的技术人员应该理解，本发明所述的方法和系统并不限于具体实施方式中所述的实施例，在不背离由所附权利要求书限定的本发明精神和范围的情况下，可对本发明作出各种修改、增加、以及替换。

Claims (8)

1.一种基于UKF滤波的BDS与GIS深耦合定位方法，其特征在于，所述方法包括步骤：

S1，根据车辆的实际运动模型建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；

S2，根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；

S3，根据实际的GIS道路信息组织成相应的GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；

S4，获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。

2.如权利要求1所述的方法，其特征在于，步骤S3中，所述滤波为UKF滤波。

3.如权利要求1所述的方法，其特征在于，所述方法迭代进行，所述校正后的下一时刻车辆位置和下一时刻的定位方差矩阵继续应用于再下一时刻预测和测量过程中。

4.如权利要求1或2所述的方法，其特征在于，设当前时刻为k-1时刻，下一时刻为k时刻，则有：

步骤S1中，根据预测矩阵Φ_k-1和校正后的k-1时刻车辆位置信息

推断k时刻车辆位置信息 ${\hat{x}}_k^{-}={\mathrm{\Φ}}_{k-1}{\hat{x}}_{k-1}^{+};$

步骤S2中，根据k-1时刻定位方差矩阵

计算k时刻的预测方差矩阵 $P_k^{-}={\mathrm{\Φ}}_{k-1}{P}_{k-1}^{+}{\mathrm{\Φ}}_{k-1}^T+Q_{k-1};$ 其中，Q_k-1为系统噪声方差矩阵；

步骤S3中，根据GIS道路模型H_k、测量噪声R_k，计算滤波增益矩阵 $K_k=P_k^{-}{H}_k^T{(H_k{P}_k^{-}{H}_k^T+R_k)}^{-1};$

步骤S4中，根据k时刻得到的测量矩阵z_k，得出进行输出校正后的k时刻的车辆位置信息 ${\hat{x}}_k^{+}={\hat{x}}_k^{-}+K_k(z_k-H_k{\hat{x}}_k^{-});$ 同时更新k时刻的定位方差矩阵 $P_k^{+}=(1-K_k{H}_k)P_k^{-},$ 其中I为单位矩阵。

5.一种基于UKF滤波的BDS与GIS深耦合定位系统，其特征在于，所述系统包括：

推断模块，用于根据车辆的实际运动模型建立车辆定位的预测矩阵，由校正后的当前时刻车辆位置信息和预测矩阵推断下一时刻车辆位置信息；

预测模块，用于根据当前时刻的定位方差矩阵计算下一时刻的预测方差矩阵；

滤波模块，用于根据实际的GIS道路信息组织成相应的GIS道路模型，根据道路模型、测量噪声及下一时刻的预测方差矩阵计算滤波增益矩阵；

校正更新模块，用于获取下一时刻的导航定位观测量，依据滤波增益矩阵对观测量进行输出校正形成校正后的下一时刻车辆位置，并对下一时刻的定位方差矩阵进行更新。

6.如权利要求5所述的系统，其特征在于，所述滤波模块中采用UKF滤波器。

7.如权利要求5所述的系统，其特征在于，所述系统还包括：

迭代模块，用于将所述校正后的下一时刻车辆位置和下一时刻的定位方差矩阵继续应用于再下一时刻预测和测量过程中。

8.如权利要求5或6所述的系统，其特征在于，设当前时刻为k-1时刻，下一时刻为k时刻，则有：

所述推断模块中，根据预测矩阵Φ_k-1和校正后的k-1时刻车辆位置信息

推断k时刻车辆位置信息 ${\hat{x}}_k^{-}={\mathrm{\Φ}}_{k-1}{\hat{x}}_{k-1}^{+};$

所述预测模块中，根据k-1时刻定位方差矩阵计算k时刻的预测方差矩阵 $P_k^{-}={\mathrm{\Φ}}_{k-1}{P}_{k-1}^{+}{\mathrm{\Φ}}_{k-1}^T+Q_{k-1};$ 其中，Q_k-1为系统噪声方差矩阵；

所述滤波模块中，根据GIS道路模型H_k、测量噪声R_k，计算滤波增益矩阵 $K_k=P_k^{-}{H}_k^T{(H_k{P}_k^{-}{H}_k^T+R_k)}^{-1};$

所述校正更新模块中，根据k时刻得到的测量矩阵z_k，得出进行输出校正后的k时刻的车辆位置信息 ${\hat{x}}_k^{+}={\hat{x}}_k^{-}+K_k(z_k-H_k{\hat{x}}_k^{-});$ 同时更新k时刻的定位方差矩阵 $P_k^{+}=(1-K_k{H}_k)P_k^{-};$ 其中I为单位矩阵。

Images