CN108983271A

CN108983271A - 基于rtk-gps/ins列车组合定位方法

Info

Publication number: CN108983271A
Application number: CN201810790248.0A
Authority: CN
Inventors: 陈光武; 杨菊花; 刘昊; 李文元; 程鉴皓; 张琳婧; 司涌波; 包成启
Original assignee: Lanzhou Jiaotong University
Current assignee: Lanzhou Jiaotong University
Priority date: 2018-07-18
Filing date: 2018-07-18
Publication date: 2018-12-11
Anticipated expiration: 2038-07-18
Also published as: CN108983271B

Abstract

本发明公开了一种基于RTK‑GPS/INS列车组合定位方法，包括：获取卫星信息和IMU信息；通过评估卫星状态选取输出的卫星信息，得到卫星输出信号；对所述IMU信息基于PU‑RLS算法进行滤波处理，从而得到滤波后的IMU信息；将所述卫星输出信号和所述滤波后的IMU信息进行数据融合。采用了PU‑RLS算法滤波；PU‑RLS算法在有复杂干扰的列车运行环境中，可较高精度的实时定位列车的位置，从而达到抗干扰并提高定位精度的目的。

Description

基于RTK-GPS/INS列车组合定位方法

技术领域

本发明涉及列车定位领域，具体地，涉及一种基于RTK-GPS/INS列车组合定位方法。

背景技术

列车定位是列车运行控制系统的重要组成部分，快速、精确地获得列车的位置信息，是列车安全运行和管理的重要保障。我国列车运输提出的CTCS-4级列控系统的要求目标是：列车须通过自主定位获得位置信息，须大量减少传统、陈旧的轨旁设备，以此在提高铁路运输效率的同时，并减少铁路建设维护的成本。同时，铁道网络不断密集化，因此给列车定位精度提出了更高的要求。

目前,很多列车采用了全球定位系统(Global Position System,GPS),GPS能够实现高精度快速定位,但是，在铁路网密集化之后，单纯的GPS定位精度总是在5-10m之间，我国的相邻两个轨道之间的宽度为3m，因此在并行线路中依然不能满足列车的定位精度要求，基于卫星差分定位的系统能够进一步提高列车的定位精度，适合我国国情，采用卫星差分基准站设计和校准技术是提高列车定位的主要技术手段；然而，鉴于卫星定位依然不是自主式定位，它的动态性能一般，而且容易发生信号遮挡和干扰等问题，因而需要自主导航系统来提高这项技术。具有MEMS传感器的惯性导航系统(INS)不仅为这个问题提供节省成本的解决方案，而且实际证明了非常有效，该系统具有自主式、隐蔽性导航，工作环境不受介质限制，能提供丰富的导航信息，能连续提供多种导航参数(位置、速度、姿态、航向等)的输出信息以及导航数据输出率高等优点；但是，INS也存在其固有缺陷，如定位误差随时间积累，初始对准时间长，难以长时间独立工作。因此，从根本上型惯性测量单元(IMU)与差分GPS组合的导航定位系统具有广阔的应用前景。

对于上述的这两部分传感器，采用单纯的数据融合，在一般情况下都可以获得较好的效果，然而考虑到列车运行当中的复杂环境，在卫星失锁的情况下，还是不能对INS的信息输出进行指导性修正，所以在这种情况下定位效果依然很差。对于IMU部分，国内外也不断提出了各种滤波算法，常见的处理方法有Kalman滤波、各种改进的Kalman滤波、小波阈值去噪、最小均方自适应滤波等等；但是，这些标准算法或滤波方法均有一定的缺陷，因此也就导致了自适应差、应对复杂环境滤波效果一般的问题，这也严重影响了惯性平台的定位效果，进一步会影响定位系统中的定位结果。

发明内容

本发明的目的在于，针对上述问题，提出一种基于RTK-GPS/INS列车组合定位方法，以实现至少部分的解决现有技术中存在的问题。

为实现上述目的，本发明采用的技术方案是：

一种基于RTK-GPS/INS列车组合定位方法，包括：

获取卫星信息和IMU信息；

通过评估卫星状态选取输出的卫星信息，得到卫星输出信号；

对所述IMU信息基于PU-RLS算法进行滤波处理，从而得到滤波后的IMU信息；

将所述卫星输出信号和所述滤波后的IMU信息进行数据融合。

优选的，所述将所述卫星输出信号和所述滤波后的IMU信息进行数据融合，包括：

对数据融合误差纠正方程进行学习，得到学习结果；

在卫星失锁情况下，利用所述学习结果持续对滤波后的IMU信息进行校正。

优选的，所述PU-RLS算法包括：

对遗忘因子λ进行建模，得到λ模型为；

该模型代表了n时刻的遗忘因子值，其中e_i代表了i时刻的滤波估计误差；δ_i代表了i时刻信号的信噪比，由i-1时刻滤波后的信号作为标准信号、滤波前的信号作为含噪声信号计算得到；λ_min是第2时刻开始到n时刻之前的最小遗忘因子；ρ是敏感增益系数，描述了当前环境的平稳性，e(n-1)表示滤波前的信号误差量，n和i均表示时刻。

优选的，所述PU-RLS算法包括：对于增益向量中的矩阵，结合无损变换UT以及输出变量的均值和协方差，得到RLS算法的非线性系统模型。

优选的，所述PU-RLS算法包括，采用粒子群算法对遗忘因子λ进行优化。

优选的，所述PU-RLS算法包括，采用粒子群算法对遗忘因子λ进行优化，包括：

随机初始化粒子群；

基于所述λ模型评估所述粒子群中每个粒子，得到全局最优值；

判断所述最优值是否符合结束条件，若符合结束条件则结束；

若不符合结束条件则更新每个粒子的速度和位置；

评估每个粒子的函数适应值；

更新每个粒子的历史最优位置；

更新粒子群的全局最优位置；

返回基于所述λ模型评估所述粒子群中每个粒子，得到全局最优值。

优选的，所述粒子群优化算法中：

加速系数设置为2.6，粒子速度能达到的最大值设置为10，结束条件设置为优化代数，此优化代数为动态的。

优选的，所述通过评估卫星状态选取输出的卫星信息，得到卫星输出信号中，所述卫星状态，包括：

卫星颗数或HDOP值。

优选的，所述通过评估卫星状态选取输出的卫星信息，得到卫星输出信号，包括：

若卫星颗数>10，则得到卫星输出信号为单点定位结果；

若4<卫星颗数<10，则得到卫星输出信号为RTK差分结果；

若卫星颗数<4，则舍弃卫星输出信号。

优选的，所述对所述IMU信息基于PU-RLS算法进行滤波处理，从而得到滤波后的IMU信息，还包括：通过滤波前后的IMU信息学习误差方程。

本发明的技术方案具有以下有益效果：

本发明的技术方案，采用了PU-RLS算法滤波；PU-RLS算法在有复杂干扰的列车运行环境中，可较高精度的实时定位列车的位置，从而达到抗干扰并提高定位精度的目的。

同时，利用组合导航，对数据融合误差纠正方程进行学习，在卫星失锁情况下，利用学习结果持续对滤波后的惯性测量单元的数据进行校正。进一步提高定位精度。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例所述的基于RTK-GPS/INS列车组合定位方法的流程图；

图2为本发明实施例所述的粒子群优化流程图；

图3为本发明实施例所述的列车组合定位系统的结构示意图；

图4为本发明实施例所述的基于RTK-GPS/INS列车组合定位方法的信息处理过程框图；

图5为本发明实施例所述的车载测试设备示意框图；

图6a和图6b为本发明实施例所述的对车载试验的东向、北向的速度误差分析图；

图7a为本发明实施例所述的采用Kalman滤波的组合数据解算的结果分析图；

图7b为本发明实施例所述的采用自适应RLS算法的组合数据解算的结果分析图；

图7c为本发明实施例所述的采用PU-RLS算法的组合数据解算的结果分析图；

图8为本发明实施例所述的采用PU-RLS算法在GPS信号失锁情况下的结果分析图；

图9为本发明实施例所述的结合了磁悬浮列车现场测试数据的结果分析图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，一种基于RTK-GPS/INS列车组合定位方法，包括：

S101：获取卫星信息和IMU信息；

S102：通过评估卫星状态选取输出的卫星信息，得到卫星输出信号；

S103：对IMU信息基于PU-RLS算法进行滤波处理，从而得到滤波后的IMU信息；

S104：将卫星输出信号和滤波后的IMU信息进行数据融合。数据融合采用了简单卡尔曼滤波。

优选的方案，将卫星输出信号和滤波后的IMU信息进行数据融合，包括：

对数据融合误差纠正方程进行学习，得到学习结果；

在卫星失锁情况下，利用学习结果持续对滤波后的IMU信息进行校正。

优选的方案，PU-RLS算法包括：

对遗忘因子λ进行建模，得到λ模型为；

优选的方案，PU-RLS算法包括：对于增益向量中的矩阵，结合无损变换UT以及输出变量的均值和协方差，得到RLS算法的非线性系统模型。

优选的方案，PU-RLS算法包括，采用粒子群算法对遗忘因子λ进行优化。

PU-RLS算法即为对现有RLS算法的优化。

现有的RLS算法：

递推最小二乘法(RLS)的设计思路很简单，就是利用在已知n-1时滤波器抽头权系数的情况下，通过简单的更新，求出n时刻的滤波器抽头权系数；即RLS算法的基本原理就是利用已知或已计算得到的N-1时刻的滤波器权向量的最小二乘估计w_t-1，根据N时刻得到的新的观测数据，用迭代的方法计算出N时刻滤波器权向量的最小二乘估计值。RLS估计从每次获得的测量值中提取出被估计的信息，用于修正上一步所得的估计，量测次数越多，修正次数越多，估计精度也就越高。

现有的RLS算法输入信号、计算误差以及更新滤波器权系数的公式如下：

1、滤波输出：

y(n)＝w^T(n-1)x(n)，

2、计算增益：

3、估计误差：

e(n)＝d(n)-w^T(n-1)x(n)，

4、更新权重系数：

w(n)＝w(n-1)+k(n)e(n)，

5、更新协方差：

p(n)＝[p(n-1)-k(n)w(n)p(n-1)]/λ，

上述5个式子当中，w(n)是滤波器在n时刻的权重向量，d(n)表示滤波器输入的量测信号，y(n)表示滤波后的输出信号量，x(n)表示RLS算法的估计量，e(n)表示滤波前后的信号误差量，λ则为滤波器的遗忘因子。

算法开始之前，要先进行初始化，即w(0)＝0,R(0)＝σI，σ一般取一个较小值，因为在不知道信噪比的情况下，均默认为需要滤波的信号量信噪比较高，因此希望相关矩阵的初始值R(0)在R(n)中占得比重非常小，即：

上式中，x(i)表示第i时刻的RLS算法的估计量。

RLS算法的最终求取准则为指数加权下的误差平方和最小即可，从而实现最优滤波的目的，代价函数也就是下式：

J(n)＝Σλ^n-i|e(i)|²，

上式中，λ^n-i表示第n-i时刻的滤波器遗忘因子；e(i)表示第i时刻的滤波器输入前后的信号误差量。

其中公式

式中,x(i)表示第i时刻的RLS算法的估计量。便是由代价函数求导所解出的，也易得出指数加权下的递推最小二乘法的解与维纳滤波器的形式的一致；以及协方差矩阵P(n)也是由R(n)求逆而得，进一步影响了权益k(n)的计算，因此这一部分带有遗忘因子的内容也是进一步优化RLS算法的关键。

结合UT变换的粒子群优化的自适应RLS：

自适应滤波是在维纳滤波，Kalman滤波等线性滤波基础上发展起来的一种最优滤波方法；如果数据输出的运行环境的特性不变，自适应算法滤波器会找到最佳的自由参数或参数集，并在滤波器性能最优的时候停止参数的调整，一般将该过程称为参数捕获过程；如果数据输出的运行环境会随时间而变化，自适应滤波器在发现变化后会重新调整自身的参数，以适应变化使自身的滤波性能继续最优化，一般将该过程称为性能跟踪过程。本技术方案中提出的PU-RLS算法就是在RLS算法的基础上，加入粒子群优化算法，自适应调整遗忘因子，同时，增强RLS算法自身的自适应性；然后针对增益向量中的矩阵P(n)，结合无损变换UT，增强RLS算法自身应对非线性系统的能力；将这种结合无损变换的粒子群优化的RLS算法称为PU-RLS算法。

粒子群算法是进化算法的一种，是一类可用于复杂系统优化的具有强鲁棒性的搜索算法，该算法通过追随当前搜索到的最优值、从迭代搜索入手，寻找全局最优解。该算法实现容易、收敛精度高且收敛速度快，相比其他算法在解决实际问题当中具有一定的优越性；同时，粒子群算法还是一种并行算法，在列车组合定位过程中利用它，可以在优化结果的同时对实时性有极大帮助。相对于现有优化算法，粒子群算法主要有以下特点：1、粒子群算法直接以适应度作为搜索信息，无需导数等其他辅助信息。2、粒子群算法使用多点进行随机搜索，具有同一层面下的并发性；针对离散信息优化结果较好；粒子群算法采用概率搜索技术，而非确定性规则。上述这些优点都可以很好的结合RLS算法，去优化遗忘因子λ，或是进行一些公式内的定参，以此来优化RLS算法、以及进一步提高自身的自适应性。

遗忘因子是误差测度函数中的加权因子，引入它的目的是为了赋予原来数据与新数据以不同的权值，以使该算法具有对输入过程特性变化的快速反应能力。一般情况下，在平稳环境中希望λ较大，可以较好地保持之前的对误差的处理效果；而在非平稳的环境中，则希望λ较小，针对有限区域内或最佳时刻的误差以此来更加精准的适应非平稳环境，使得算法在非平稳环境下对信号的每一个趋势都有所跟踪、适应。希望在非平稳环境下λ的值可以足够的小，这样可以对非平稳环境更加精确的适应，对于有限的最近的时刻的误差或是野值进行遗忘，野值表示测量过程中由于一些不明原因所造成的错误测量值。使得算法在非平稳环境下对于每一个趋势都有所跟踪、适应。同时，对于平稳环境则不需要较小的遗忘因子，希望λ能够根据环境增长到一个合适的值，以此减小参数的估计误差并且提高算法的运算速度。

为了针对λ使用粒子群算法进行优化，对遗忘因子λ进行如下建模；

该模型代表了n时刻的遗忘因子值，其中e_i代表了i时刻的滤波估计误差；δ_i代表了i时刻信号的信噪比，由i-1时刻滤波后的信号作为标准信号、滤波前的信号作为含噪声信号计算得到；λ_min是第2时刻开始到n时刻之前的最小遗忘因子；ρ是敏感增益系数，描述了当前环境的平稳性，用来控制λ接近1或者减小到足够小的速率，随机加权的系数向下取整。模型的后半部分用来防止粒子群算法搜索陷入局部最优，导致优化结果不佳。

粒子群优化算法中，加速系数设置为2.6；伪随机数采用随机函数rand()，范围是[0,1]；粒子速度能达到的最大值设置为10；结束条件设置为优化代数，此优化代数为动态的，n时刻的结束条件则对应代数为n；综上，粒子群优化流程如下，如图2所示：

随机初始化粒子群；

基于λ模型评估粒子群中每个粒子，得到全局最优值；

判断最优值是否符合结束条件，若符合结束条件则结束；

若不符合结束条件则更新每个粒子的速度和位置；

评估每个粒子的函数适应值；

更新每个粒子的历史最优位置；

更新粒子群的全局最优位置；

返回基于λ模型评估粒子群中每个粒子，得到全局最优值。

针对增益向量中的矩阵P(n)，结合无损变换UT，增强RLS算法自身应对非线性系统的能力。首先基于当前状态x的均值和方差P_x，通过采样，得到一组固定数目的sigma点集{χ_i}，其对应的权重为然后利用这组采样点样本均值和样本方差非线性变换后加权处理，最后得到输出变量y的均值和协方差P_yy如下：

上式中，表示第i时刻对应sigma点集的权重。

上式中，W_c ⁽ⁱ⁾表示在非线性变换中第i时刻对应的sigma点集的权重。

根据上述UT变换，以及输出变量y的均值和协方差P_yy，可得到针对RLS算法的非线性系统模型，其中为x(n)非线性输入观测量，为非线性输出估计值：

x(n)＝x(n-1)+V(n|n-1)，

式中，V(n|n-1)表示，条件为n-1时刻的一步预测矩阵和n时刻的一步预测矩阵的条件概率模型下的测量修正矩阵，w(n-1)表示针对n-1时刻输出量的权重向量；W(n-1)表示n-1时刻权重矩阵；h表示观测系统的参数矩阵。

综上，即为针对RLS自适应算法的两点改进，称之为结合UT变换的粒子群优化的RLS自适应算法，简称为“PU-RLS算法”。

优选的方案，通过评估卫星状态选取输出的卫星信息，得到卫星输出信号中，卫星状态，包括：

卫星颗数或HDOP值。

优选的方案，通过评估卫星状态选取输出的卫星信息，得到卫星输出信号，包括：

若卫星颗数>10，则得到卫星输出信号为单点定位结果；

若4<卫星颗数<10，则得到卫星输出信号为RTK差分结果；

若卫星颗数<4，则舍弃卫星输出信号。

优选的方案，对IMU信息基于PU-RLS算法进行滤波处理，从而得到滤波后的IMU信息，还包括：通过滤波前后的IMU信息学习误差方程。

在本发明的基于RTK-GPS/INS列车组合定位方法的具体应用中，列车组合定位系统如图3所示。

该套系统主要包括了：GPS基准站，用于做出载波相位差分信息，在实际铁路运行中可以考虑广域多基准站模式；GNSS接收机，用于接受车载GPS信号，并做差分处理；IMU，作为无源测量端，用于输出惯性测量信息。其中，GNSS接收机和GPS基准站均采用GNSS卫星信号接收板卡，而IMU则采用的是低成本高可靠性的9轴MEMS传感器。在实际的列车组合定位系统设计过程中，可以根据自身实际需求，采用不同传感器加入系统参考部分，依据不同策略形成多种不同的列车组合定位系统，最后根据测量结果进行评估之后再做出实际设计。GNSS接收机在经过状态监测之后，和IMU输出的信息汇总在中央处理单元当中，通过信息融合板卡进行数据融合，最后输出到车载定位计算机当中显示。

如图4所示，列车组合定位系统从功能角度包括了卫星信息输出部分、惯性平台信息输出部分、卫星状态监测部分以及数据融合部分。

卫星信息输出部分：主要在接收基准站信号后输出实时差分信号，或是通过自身车载卫星信号接收天线输出单点定位结果。

卫星状态监测部分：该部分主要监测卫星信息输出部分的卫星颗数、HDOP值，通过评估做出决策；其中主要依靠卫星颗数n来做出判断，HDOP值只做参考，一般认为若n>10，则输出为单点定位结果、若4<n<10，则输出为RTK差分结果、若n<4，则卫星输出信息不宜做数据融合源；其中，若为RTK差分结果，则不做处理，认为是系统的绝对参考值，因为采用实时动态载波相位差分技术之后，结果精度可以缩小到亚米、甚至是厘米级别，完全可以满足定位需求，若单点定位结果，则在数据融合之前需要先进行滤波处理来提高结果精度。

惯性平台信息输出部分：主要通过IMU输出信息，对列车运行姿态做出评估；其次，在卫星定位信息的辅助下也做出定位结果输出；该部数据在进入融合之前必须做滤波处理，同时，通过滤波前后的结果学习惯性测量单元的误差方程、并进行定参。

数据融合部分：主要根据系统需求采用一定的数据融合算法，数据融合算法可采用卡尔曼算法，或H∞鲁棒滤波算法、加权平均方法等，针对卫星和IMU输出的定位信息进行融合计算,对车载定位计算机输出相对较优的定位结果；利用融合结果和卫星单点定位结果，进行学习单点卫星定位的误差方程、并进行定参。

具体为一般使用伪距观测，对应的伪距观测误差方程为：

其中，式中分别表示观测历元t，卫星j到接收机i的伪距观测量及几何距离；δt^j(t)、δt_i(t)分别表示观测历元t，卫星j和接收机i的钟差；D_iono(t)、D_trop(t)分别表示观测历元t，经模型改正的电离层折射和对流层折射对伪距观测量的残余影响。

在两个误差方程中，有重点作用的主要是学习、定参之后的惯性测量单元的误差方程。对IMU信息的误差方程做简单建立如下：

ε(n)＝Aδ+Bσ+Cψ(m；n)，

上式中的δ表示系统中采用IMU的零偏误差；σ表示系统中IMU的随机游走误差，A和B表示什么含义是需要定参的参数。这两部分均需对应系统采用的IMU。ψ(m；n)表示学习期间得到的高斯白噪声均值，图4中，假设filter2前后结果的误差为纯的高斯白噪声，则用其均值来表示。

图4中的filter1和filter2，这两个滤波器中的滤波算法均使用PU-RLS算法。之所以要对IMU信息进行学习误差方程，是因为组合导航当中的位置信息，通常都是由卫星信息来指导、纠正IMU输出信息的；在卫星失锁的情况下，IMU输出的位置信息通常都会有较大、较快的发散，此时就可以通过粒子群算法学习之前的误差校正信息，依然以学习卫星信息得到的误差方程和滤波器来纠正IMU的位置输出，使平台始终处在一种组合信息输出过程当中，使IMU的位置输出始终有相对准确地信息进行指导。

IMU信息即惯性测量单元(IMU)的三轴的陀螺仪信息和三个方向的加速度计信息。

为了验证本发明中提出的结合无损UT变换的粒子群优化的自适应RLS滤波算法PU-RLS算法的优越性、提出的列车组合定位系统的有效性、以及提出的改进算法在组合系统当中的适用性，设计了两部分实物试验。第一部分是车载试验，针对提出的PU-RLS算法和系统，利用速度误差、位置误差较全面地进行了论述；第二部分是磁悬浮列车测试，在实际列车运行环境当中再次进行验证、分析。

车载测试在校园内进行，在部分区域内因为高楼遮挡对GPS信号、RTK-GPS信号有较大地影响，在该部分区域内定位精度波动较大。首先介绍一下本次车载测试的一些硬件参数。其中，卫星部分，核心板卡主要采用了K700卫星定位板卡，其属于三系统单频OEM板卡，可进行单频RTK，单点定位数据输出频率为10Hz，RTK差分数据输出频率为5Hz。IMU采用了3DM-IMU200A，该IMU具有高可靠性和稳定性的MEMS陀螺仪、加速度计和磁强计，其抗电磁干扰的能力也较强。

车载测试的卫星数据部分采用差分数据，关于卫星部分，在楼顶架设基准站，以便区域宽阔，基准站部分可以较好地接收卫星信号、做出与移动站之间公共卫星的RTK差分数据。本次实验当中只对GPS卫星的数据做了差分，因此输出差分数据时的公共卫星颗数较少。差分技术采用了RTK载波相位差分技术，该种技术是一种实时动态地处理两个测量站的载波相位观测量的差分方法，在信号较好的空旷野外，可实时达到厘米级别的定位精度。因此，RTK卫星差分数据一方面可以满足实时精度要求，检测出铁轨和铁轨之间的最小间距3m；另一方面，在系统中可以简单作为基准参考值使用。如图5所示。

在车载测试的实际过程当中，测试环境具有复杂性和不稳定性，十分适合验证系统的可行性；同时，无法获取干扰噪声的先验信息，对于汽车运动特性也无法预知。所以，进行了原始结算结果误差、自适应RLS算法解算结果误差和PU-RLS算法之间结算结果误差三者之间的对比，以东向、北向的速度和位置作为数据源进行分析，验证系统和算法相结合下的优越性。首先，对车载试验的东向、北向的速度误差做出分析，实验结果如图6a和图6b所示。

在该部分验证、分析当中，分别采用了现有的Kalman滤波的组合数据解算、加入自适应RLS算法的组合数据解算、以及使用PU-RLS算法的组合数据解算三种方法，利用结算得到的速度误差作为对比数据。在分析过程汇总加入标准差来衡量误差，标准差越小，说明误差越集中在0附近，误差越小，虽然加入自适应RLS算法后，对解算出来的速度有一定的帮助，但是在使用本发明提出的PU-RLS算法后，可以得到东向速度误差的标准差从原始解算结果的0.514611降到了0.22416，北向速度误差的标准差从0.99491降到了0.42329，明显看出无论是误差的最大值还是误差标准差相比于原始解算结果均减小了一倍还多，对于速度的收敛有一个明显的提高。因为速度和物体运动的位置关系很大，所以下面有使用更为直观的数据——位置误差，同样对上述三种方法进行了对比、分析，结果如图7a、图7b和图7c所示：

为了验证组合定位系统GPS信号失锁情况下的定位性能，从上述的东向和北向位置解算结果当中选取一段区间的测量数据进行GPS失锁的仿真，在位置推算的过程中采用了PU-RLS算法；其中，分别选取区间时间为6800s-8500s的东向位置误差和北向位置误差，在7350s处出现大约150s的GPS信号失锁情况，通过结果分析可以发现，在GPS信号失锁期间，东向位置误差的标准差为12.3963m，通过滤波算法和系统降到了5.0772m；北向位置误差的标准差由2.5411m降到了1.0007m，说明本文提出的PU-RLS算法，GPS信号失锁情况下，依然有较好地优化作用。验证结果如图8所示。

为了验证在实际列车的复杂运行环境中，本文改进的算法以及提出的系统的有效性，进一部结合了长沙磁悬浮列车现场测试数据进行对比、分析，测试线路全长18.55公里，选取部分利用惯性测量单元、GNSS接收机所采集到的数据进行MATLAB处理之后，再进一步做出分析。相应的定位误差结果如图9所示。

依据对比分析结果易得，自适应RLS有一定的优化效果，但是结果的精度远不如本文提出的算法PU-RLS，在该算法的优化下，东向位置误差的均值降到了原始结果的一半多，标准差更是只有三分之一所有，减小了误差范围、极大地提高了系统的定位精度。

本发明以IMU和GNSS接收机等定位传感器构建了列车组合定位系统,在系统内的滤波算法方面结合无损UT无损变换、利用粒子群优化改进了自适应RLS算法，并将其称之为PU-RLS算法。就本发明提出的算法和系统，进行了车载试验与仿真、列车实测数据验证，实验结果表明,提出的PU-RLS算法较之自适应RLS算法具有一定的优越性、使解算速度、位置结果有较好的收敛精度，提出的改进算法在组合定位系统当中的具有较好的适用性，列车组合定位系统能够复杂运行环境中实现高精度的列车定位,在列车工程使用中具有一定的环境适应性和实际应用价值。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于RTK-GPS/INS列车组合定位方法，其特征在于，包括：

获取卫星信息和IMU信息；

将所述卫星输出信号和所述滤波后的IMU信息进行数据融合。

2.根据权利要求1所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述将所述卫星输出信号和所述滤波后的IMU信息进行数据融合，包括：

对数据融合误差纠正方程进行学习，得到学习结果；

3.根据权利要求2所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述PU-RLS算法包括：

对遗忘因子λ进行建模，得到λ模型为；

4.根据权利要求3所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述PU-RLS算法包括：对于增益向量中的矩阵，结合无损变换UT以及输出变量的均值和协方差，得到RLS算法的非线性系统模型。

5.根据权利要求3所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述PU-RLS算法包括，采用粒子群算法对遗忘因子λ进行优化。

6.根据权利要求5所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述PU-RLS算法包括，采用粒子群算法对遗忘因子λ进行优化，包括：

随机初始化粒子群；

若不符合结束条件则更新每个粒子的速度和位置；

评估每个粒子的函数适应值；

更新每个粒子的历史最优位置；

更新粒子群的全局最优位置；

7.根据权利要求6所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述粒子群优化算法中：

8.根据权利要求1所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述通过评估卫星状态选取输出的卫星信息，得到卫星输出信号中，所述卫星状态，包括：

卫星颗数或HDOP值。

9.根据权利要求8所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述通过评估卫星状态选取输出的卫星信息，得到卫星输出信号，包括：

若卫星颗数>10，则得到卫星输出信号为单点定位结果；

若4<卫星颗数<10，则得到卫星输出信号为RTK差分结果；

若卫星颗数<4，则舍弃卫星输出信号。

10.根据权利要求1所述的基于RTK-GPS/INS列车组合定位方法，其特征在于，所述对所述IMU信息基于PU-RLS算法进行滤波处理，从而得到滤波后的IMU信息，还包括：通过滤波前后的IMU信息学习误差方程。