CN109782325B - 基于粒子滤波和多传感器信息融合的列车速度估计方法 - Google Patents

基于粒子滤波和多传感器信息融合的列车速度估计方法 Download PDF

Info

Publication number
CN109782325B
CN109782325B CN201910166309.0A CN201910166309A CN109782325B CN 109782325 B CN109782325 B CN 109782325B CN 201910166309 A CN201910166309 A CN 201910166309A CN 109782325 B CN109782325 B CN 109782325B
Authority
CN
China
Prior art keywords
train speed
train
speed
estimation
equation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910166309.0A
Other languages
English (en)
Other versions
CN109782325A (zh
Inventor
张湘
黄景春
张硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910166309.0A priority Critical patent/CN109782325B/zh
Publication of CN109782325A publication Critical patent/CN109782325A/zh
Application granted granted Critical
Publication of CN109782325B publication Critical patent/CN109782325B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于粒子滤波和多传感器信息融合的列车速度估计方法，包括以下步骤：S1.采用轮轴转速传感器检测列车动轴转速，并对轮轴转速传感器的输出结果进行粒子滤波，得到列车速度的第一个估计值；S2.采用车载GPS检测列车速度，并对车载GPS的检测结果进行粒子滤波，得到列车速度的第二个估计值；S3.基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，得到最终的列车速度估计值。本发明采用粒子滤波算法对列车速度进行估计，对噪声特性没有特殊要求和限制，并且采用两种不同方式分别检测列车速度，进行粒子滤波后，对得到的两个列车速度估计值进行最优融合估计，有效提高了检测精度。

Description

基于粒子滤波和多传感器信息融合的列车速度估计方法
技术领域
本发明涉及列车速度估计，特别是涉及基于粒子滤波和多传感器信息融合的列车速度估计方法。
背景技术
准确、快速检测列车速度在列车粘着控制应用中非常重要，直接决定粘着控制的最终结果和效果。目前，列车速度测量方法可分为两类：直接法和估计法。直接法包括脉冲转速测速法、GPS测速法、多普勒雷达测速法、应答器测速法、交叉感应回线测速法等。这些速度检测方法受外界环境、铁路线路、粘着不良引起的空转或打滑等因素影响，测出的列车速度不能直接被粘着控制系统使用，需要对传感器输出的速度信号做进一步处理。
目前，粘着控制系统主要采用估计的方法检测列车速度。估计法包括直接轮速法、递推法、斜率法、观测器法等。这类方法通常采用数值滤波平滑及抛除异常测量值等手段获取列车速度的估计。目前，基于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法的列车速度估计方法应用较多。
采用扩展卡尔曼滤波算法估计列车速度时，基于列车动力学模型和每个车轴转速传感器输出的转速信号，通过扩展卡尔曼滤波算法解算列车速度。列车动力学模型是一个线性系统，如果考虑轮轨粘着特性，这个线性模型转变为非线性系统。扩展卡尔曼滤波算法是一种非线性近似滤波算法，针对状态方程或观测方程不是线性的情况。因此，两者结合是合适的。为了简化计算，扩展卡尔曼滤波算法通过一阶泰勒分解，线性化状态/观测方程。该算法以高斯白噪声形式描述后验概率密度，通过计算贝叶斯递推公式实现滤波；但是扩展卡尔曼滤波算法要求存在于系统的噪声特性服从高斯分布，而且线性化引入了误差可能导致滤波发散，雅克比矩阵(一阶)及海森矩阵(二阶)计算困难。
采用无迹卡尔曼滤波算法估计列车速度时，与采用扩展卡尔曼滤波算法估计列车速度类似，唯一不同之处在滤波算法方面。无迹卡尔曼滤波算法是一种非线性滤波算法，该算法以无损变换为基础，采用卡尔曼线性滤波框架。对于一步预测方程，使用无损变换来处理均值和协方差，对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度；但是与扩展卡尔曼滤波算法相同，无迹卡尔曼滤波算法也要求存在于系统的噪声特性服从高斯分布。
同时，目前列车的测速方式较为单一，在列车比较复杂的运行环境下，单独依靠某一种测速方式很难获得高精度的列车速度信息。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于粒子滤波和多传感器信息融合的列车速度估计方法。
本发明的目的是通过以下技术方案来实现的：基于粒子滤波和多传感器信息融合的列车速度估计方法，包括以下步骤：
S1.采用轮轴转速传感器检测列车动轴转速，并对轮轴转速传感器的输出结果进行粒子滤波，得到列车速度的第一个估计值；
S2.采用车载GPS检测列车速度，并对车载GPS的检测结果进行粒子滤波，得到列车速度的第二个估计值；
S3.基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，得到最终的列车速度估计值。
进一步地，所述步骤S1包括以下子步骤：
S101.采用轮轴传感器检测得到列车6个动轴的转速ω1、ω2、ω3、ω4、ω5、ω6；
S102.采用旋转扭矩传感器检测得到列车6个动轴的牵引转矩T1、T2、T3、T4、T5、T6；
S103.以6个动轴的牵引转矩T1、T2、T3、T4、T5和T6及其转速ω1、ω2、ω3、ω4、ω5、ω6作为输入，应用粒子滤波算法得到列车速度的估计。
进一步地，所述步骤S103包括：
根据六轴机车的轮轨粘着模型和牵引动力学模型，得到每个轮对动力学方程和列车车体动力学方程：
Figure BDA0001986420140000021
Figure BDA0001986420140000022
Figure BDA0001986420140000023
式中，J为折算到轮对的转动惯量，包括电机转轴、变速传动装置转动部分、车轴和车轮，Bωi为转动摩擦力矩项，B为转动摩擦力矩系数，M为列车总质量，W为等效轴量，
Figure BDA0001986420140000024
为机车提供的总牵引力，Fd(vt)为机车运行时的总阻力，vt为列车速度，a、b和c分别为阻力表达式常数项、一次项和二次项系数；
将牵引转矩Ti作为输入，以估计的列车速度vt和轮对轮轴转速ωi为状态变量，由式(1)和式(2)得到如下状态方程：
Figure BDA0001986420140000031
利用一阶差分方法将状态方程表示的连续动力学系统离散化，将其变换为粒子滤波算法所需的离散形式，离散状态方程和输出方程如下：
Figure BDA0001986420140000032
式中，i＝1,2,…,6；
将先验分布作为重要性函数，对式(4)应用标准粒子滤波算法：
1)执行序贯重要采样，从参考分布
Figure BDA0001986420140000033
中产生列车速度vt(k)的样本
Figure BDA0001986420140000034
Figure BDA0001986420140000035
2)计算权值
Figure BDA0001986420140000036
并计算归一化权值
Figure BDA0001986420140000037
3)判断粒子有效个数，
Figure BDA0001986420140000038
Neff和门限比较，如果小于门限值，执行步骤4)，否则跳转至步骤5)；
4)对粒子重采样，使其满足
Figure BDA0001986420140000039
5)时间更新：根据状态转移函数产生粒子
Figure BDA00019864201400000310
6)重复步骤2)～步骤5)；
最后得到tk时刻的估计为：
Figure BDA00019864201400000311
Figure BDA00019864201400000312
由此得到轮轴转速传感器的列车速度估计值vt。
进一步地，所述步骤S2包括：
根据GPS伪距定位原理，得到如下GPS观测模型：
rt＝dt(xt，yt，zt)+qt(7)
式中，qt是观测噪声，其方差为R；dt(xt，yt，zt)是一个向量，其元素为两点间的距离函数，其表达式如下：
Figure BDA0001986420140000041
式中，(xt，yt，zt)与
Figure BDA0001986420140000042
分别代表运动载体和第i颗卫星在ECEF框架坐标系下的空间直角坐标；bt代表GPS接收机的时钟偏移；n为当前可观测卫星的数目，观测向量
Figure BDA0001986420140000043
Figure BDA0001986420140000044
在GPS系统的状态模型中，状态变量包括在WGS-84坐标系下接收机的坐标、速度和接收机时钟偏移；GPS动态定位模型为：
Xt+1＝AXt+Bwt (9)
式中，状态向量Xt＝[x，vtx，y，vty，z，vtz，bt]T；
Figure BDA0001986420140000045
状态噪声wt＝[wax，way，waz，wt]T，其中，wax、way、waz为加速度噪声，wt为接收机时钟偏移噪声；状态噪声协方差为Q；
对车载GPS的状态模型和观测模型应用粒子滤波算法：
1)初始化k＝0；
以初始静态定位解算结果X0作为式(9)中状态向量Xt中心并从中抽取N个粒子Xi0～p(X0)，粒子权值wi0＝1/N，i＝1，2，…，N；
2)计算粒子的权值；
计算粒子i与j卫星之间的伪距差值：
Figure BDA0001986420140000051
式中，j为卫星编号；
Figure BDA0001986420140000052
为从卫星j到接收机的距离；rj为接收机计算得到的卫星到接收机的距离，即上述动态模型观测值；Db为卫星时钟偏差；
Figure BDA0001986420140000053
为对流层延迟，
Figure BDA0001986420140000054
为电离层延迟，该两项误差通过导航电文中的参数计算得到；t时刻观测卫星数为n；
根据式(7)给出的观测模型更新粒子权值，取重要密度函数
Figure BDA0001986420140000055
得：
Figure BDA0001986420140000056
如果式(10)中各个伪距差值是相互独立的，根据误差分布统计模型得到：
Figure BDA0001986420140000057
Figure BDA0001986420140000058
其中，s和m分别为伪距差值的方差和均值；
3)归一化权重值：
Figure BDA0001986420140000059
4)对粒子集合
Figure BDA00019864201400000510
进行重采样，得到一个新集合
Figure BDA00019864201400000511
Figure BDA00019864201400000512
对该集合重新赋权值
Figure BDA00019864201400000513
5)经粒子滤波得到下述结果：
Figure BDA00019864201400000514
6)k＝k+1，重复步骤2)～5)，直至列车运动停止；由此得到式(9)中状态向量Xt在tk时刻的估计值，从Xt直接得到车载GPS的列车速度估计值vt＝[vtx，vty，vtz]。
进一步地，所述步骤S3包括：
对轮轴转速传感器的列车速度估计值
Figure BDA00019864201400000515
和车载GPS的列车速度估计值
Figure BDA00019864201400000516
应用标量加权线性最小方差融合准则，得到最终列车速度最优融合估计值
Figure BDA0001986420140000061
其表达式如下：
Figure BDA0001986420140000062
式中，c1和c2为权重系数：
Figure BDA0001986420140000063
Figure BDA0001986420140000064
式中，P1(k|k)表示轮轴传感器估计列车速度值的误差方差阵，trP1(k|k)表示P1(k|k)的迹，即P1(k|k)对角线元素之和；P2(k|k)表示车载GPS估计列车速度值的误差方差阵，trP2(k|k)表示P2(k|k)的迹，即P2(k|k)对角线元素之和。
本发明的有益效果是：本发明采用粒子滤波算法对列车速度进行估计，粒子滤波算法对噪声特性没有特殊要求和限制，只要粒子数量足够多，逼近误差小到可以忽略不计；本发明采用两种不同方式分别独立地检测列车速度，进行粒子滤波后再基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，有效提高了检测精度。
附图说明
图1为本发明的方法流程图；
图2为粒子滤波算法的原理示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，基于粒子滤波和多传感器信息融合的列车速度估计方法，包括以下步骤：
S1.采用轮轴转速传感器检测列车动轴转速，并对轮轴转速传感器的输出结果进行粒子滤波，得到列车速度的第一个估计值；
S2.采用车载GPS检测列车速度，并对车载GPS的检测结果进行粒子滤波，得到列车速度的第二个估计值；
S3.基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，得到最终的列车速度估计值。
其中，所述步骤S1包括以下子步骤：
S101.采用轮轴传感器检测得到列车6个动轴的转速ω1、ω2、ω3、ω4、ω5、ω6；
S102.采用旋转扭矩传感器检测得到列车6个动轴的牵引转矩T1、T2、T3、T4、T5、T6；
S103.以6个动轴的牵引转矩T1、T2、T3、T4、T5和T6及其转速ω1、ω2、ω3、ω4、ω5、ω6作为输入，应用粒子滤波算法得到列车速度的估计。
具体地，所述步骤S103包括：
根据六轴机车的轮轨粘着模型和牵引动力学模型，得到每个轮对动力学方程和列车车体动力学方程：
Figure BDA0001986420140000071
Figure BDA0001986420140000072
Figure BDA0001986420140000073
式中，J为折算到轮对的转动惯量，包括电机转轴、变速传动装置转动部分、车轴和车轮，Bωi为转动摩擦力矩项，B为转动摩擦力矩系数，M为列车总质量，W为等效轴量，
Figure BDA0001986420140000074
为机车提供的总牵引力，Fd(vt)为机车运行时的总阻力，vt为列车速度，a、b和c分别为阻力表达式常数项、一次项和二次项系数；
将牵引转矩Ti作为输入，以估计的列车速度vt和轮对轮轴转速ωi为状态变量，由式(1)和式(2)得到如下状态方程：
Figure BDA0001986420140000075
利用一阶差分方法将状态方程表示的连续动力学系统离散化，将其变换为粒子滤波算法所需的离散形式，离散状态方程和输出方程如下：
Figure BDA0001986420140000076
式中，i＝1,2,…,6；
将先验分布作为重要性函数，对式(4)应用标准粒子滤波算法，如图2所示：
1)执行序贯重要采样，从参考分布
Figure BDA0001986420140000081
中产生列车速度vt(k)的样本
Figure BDA0001986420140000082
Figure BDA0001986420140000083
2)计算权值
Figure BDA0001986420140000084
并计算归一化权值
Figure BDA0001986420140000085
3)判断粒子有效个数，
Figure BDA0001986420140000086
Neff和门限比较，如果小于门限值，执行步骤4)，否则跳转至步骤5)；
4)对粒子重采样，使其满足
Figure BDA0001986420140000087
5)时间更新：根据状态转移函数产生粒子
Figure BDA0001986420140000088
6)重复步骤2)～步骤5)；
最后得到tk时刻的估计为：
Figure BDA0001986420140000089
Figure BDA00019864201400000810
由此得到轮轴转速传感器的列车速度估计值vt。
其中，所述步骤S2包括：
根据GPS伪距定位原理，得到如下GPS观测模型：
rt＝dt(xt，yt，zt)+qt (7)
式中，qt是观测噪声，其方差为R；dt(xt，yt，zt)是一个向量，其元素为两点间的距离函数，其表达式如下：
Figure BDA0001986420140000091
式中，(xt，yt，zt)与
Figure BDA0001986420140000092
分别代表运动载体和第i颗卫星在ECEF框架坐标系下的空间直角坐标；bt代表GPS接收机的时钟偏移；n为当前可观测卫星的数目，观测向量
Figure BDA0001986420140000093
Figure BDA0001986420140000094
在GPS系统的状态模型中，状态变量包括在WGS-84坐标系下接收机的坐标、速度和接收机时钟偏移；GPS动态定位模型为：
Xt+1＝AXt+Bwt (9)
式中，状态向量Xt＝[x，vtx，y，vty，z，vtz，bt]T；
Figure BDA0001986420140000095
状态噪声wt＝[wax，way，waz，wt]T，其中，wax、way、waz为加速度噪声，wt为接收机时钟偏移噪声；状态噪声协方差为Q；
对车载GPS的状态模型和观测模型应用粒子滤波算法：
1)初始化k＝0；
以初始静态定位解算结果X0作为式(9)中状态向量Xt中心并从中抽取N个粒子Xi0～p(X0)，粒子权值wi0＝1/N，i＝1，2，…，N；
2)计算粒子的权值；
计算粒子i与j卫星之间的伪距差值：
Figure BDA0001986420140000096
式中，j为卫星编号；
Figure BDA0001986420140000097
为从卫星j到接收机的距离；rj为接收机计算得到的卫星到接收机的距离，即上述动态模型观测值；Db为卫星时钟偏差；
Figure BDA0001986420140000098
为对流层延迟，
Figure BDA0001986420140000099
为电离层延迟，该两项误差通过导航电文中的参数计算得到；t时刻观测卫星数为n；
根据式(7)给出的观测模型更新粒子权值，取重要密度函数
Figure BDA0001986420140000101
得：
Figure BDA0001986420140000102
如果式(10)中各个伪距差值是相互独立的，根据误差分布统计模型得到：
Figure BDA0001986420140000103
Figure BDA0001986420140000104
其中，s和m分别为伪距差值的方差和均值；
3)归一化权重值：
Figure BDA0001986420140000105
4)对粒子集合
Figure BDA0001986420140000106
进行重采样，得到一个新集合
Figure BDA0001986420140000107
Figure BDA0001986420140000108
对该集合重新赋权值
Figure BDA0001986420140000109
5)经粒子滤波得到下述结果：
Figure BDA00019864201400001010
6)k＝k+1，重复步骤2)～5)，直至列车运动停止；由此得到式(9)中状态向量Xt在tk时刻的估计值，从Xt直接得到车载GPS的列车速度估计值vt＝[vtx，vty，vtz]。
其中，所述步骤S3包括：
对轮轴转速传感器的列车速度估计值
Figure BDA00019864201400001011
和车载GPS的列车速度估计值
Figure BDA00019864201400001012
应用标量加权线性最小方差融合准则，得到最终列车速度最优融合估计值
Figure BDA00019864201400001013
其表达式如下：
Figure BDA00019864201400001014
式中，c1和c2为权重系数：
Figure BDA0001986420140000111
Figure BDA0001986420140000112
式中，P1(k|k)表示轮轴传感器估计列车速度值的误差方差阵，trP1(k|k)表示P1(k|k)的迹，即P1(k|k)对角线元素之和；P2(k|k)表示车载GPS估计列车速度值的误差方差阵，trP2(k|k)表示P2(k|k)的迹，即P2(k|k)对角线元素之和。
对应的融合估计值误差方差阵为：
Figure BDA0001986420140000113
在本申请的实施例中，可以将p0(k/k)与P1(k|k)和P2(k|k)进行定量比较，以体现融合后的误差与融合前误差的差异性，在该实施例中，通过多次的实验和比较表明，融合后的误差小于轮轴传感器估计列车速度值的误差，也小于GPS估计列车速度值的误差。
综上，本发明采用粒子滤波算法对列车速度进行估计，粒子滤波算法对噪声特性没有特殊要求和限制，只要粒子数量足够多，逼近误差小到可以忽略不计；本发明采用两种不同方式分别独立地检测列车速度，进行粒子滤波后再基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，有效提高了检测精度。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.基于粒子滤波和多传感器信息融合的列车速度估计方法，其特征在于：包括以下步骤：
S1.采用轮轴转速传感器检测列车动轴转速，并对轮轴转速传感器的输出结果进行粒子滤波，得到列车速度的第一个估计值；
S2.采用车载GPS检测列车速度，并对车载GPS的检测结果进行粒子滤波，得到列车速度的第二个估计值；
S3.基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，得到最终的列车速度估计值；
所述步骤S1包括以下子步骤：
S101.采用轮轴传感器检测得到列车6个动轴的转速ω1、ω2、ω3、ω4、ω5、ω6；
S102.采用旋转扭矩传感器检测得到列车6个动轴的牵引转矩T1、T2、T3、T4、T5、T6；
S103.以6个动轴的牵引转矩T1、T2、T3、T4、T5和T6及其转速ω1、ω2、ω3、ω4、ω5、ω6作为输入，应用粒子滤波算法得到列车速度的估计
所述步骤S103包括：
根据六轴机车的轮轨粘着模型和牵引动力学模型，得到每个轮对动力学方程和列车车体动力学方程：
Figure FDA0002629398000000011
Figure FDA0002629398000000012
Figure FDA0002629398000000013
式中，J为折算到轮对的转动惯量，包括电机转轴、变速传动装置转动部分、车轴和车轮，Bωi为转动摩擦力矩项，B为转动摩擦力矩系数，M为列车总质量，W为等效轴量，
Figure FDA0002629398000000014
为机车提供的总牵引力，Fd(vt)为机车运行时的总阻力，vt为列车速度，a、b和c分别为阻力表达式常数项、一次项和二次项系数；
将牵引转矩Ti作为输入，以估计的列车速度vt和轮对轮轴转速ωi为状态变量，由式(1)和式(2)得到如下状态方程：
Figure FDA0002629398000000015
利用一阶差分方法将状态方程表示的连续动力学系统离散化，将其变换为粒子滤波算法所需的离散形式，离散状态方程和输出方程如下：
Figure FDA0002629398000000021
式中，i＝1,2,…,6；
将先验分布作为重要性函数，对式(4)应用标准粒子滤波算法：
1)执行序贯重要采样，从参考分布
Figure FDA0002629398000000022
中产生列车速度vt(k)的样本
Figure FDA00026293980000000212
Figure FDA0002629398000000023
2)计算权值
Figure FDA0002629398000000025
并计算归一化权值
Figure FDA0002629398000000026
3)判断粒子有效个数，
Figure FDA0002629398000000027
Neff和门限比较，如果小于门限值，执行步骤4)，否则跳转至步骤5)；
4)对粒子重采样，使其满足
Figure FDA0002629398000000028
5)时间更新：根据状态转移函数产生粒子
Figure FDA0002629398000000029
6)重复步骤2)～步骤5)；
最后得到tk时刻的估计为：
Figure FDA00026293980000000210
Figure FDA00026293980000000211
由此得到轮轴转速传感器的列车速度估计值vt。
2.根据权利要求1所述的基于粒子滤波和多传感器信息融合的列车速度估计方法，其特征在于：所述步骤S2包括：
根据GPS伪距定位原理，得到如下GPS观测模型：
rt＝dt(xt，yt，zt)+qt (7)
式中，qt是观测噪声，其方差为R；dt(xt，yt，zt)是一个向量，其元素为两点间的距离函数，其表达式如下：
Figure FDA0002629398000000031
式中，(xt，yt，zt)与
Figure FDA0002629398000000032
分别代表运动载体和第i颗卫星在ECEF框架坐标系下的空间直角坐标；bt代表GPS接收机的时钟偏移；n为当前可观测卫星的数目，观测向量
Figure FDA0002629398000000033
Figure FDA0002629398000000034
在GPS系统的状态模型中，状态变量包括在WGS-84坐标系下接收机的坐标、速度和接收机时钟偏移；GPS动态定位模型为：
Xt+1＝AXt+Bwt (9)
式中，状态向量Xt＝[x，vtx，y，vty，z，vtz，bt]T；
Figure FDA0002629398000000035
状态噪声wt＝[wax，way，waz，wt]T，其中，wax、way、waz为加速度噪声，wt为接收机时钟偏移噪声；状态噪声协方差为Q；
对车载GPS的状态模型和观测模型应用粒子滤波算法：
1)初始化k＝0；
以初始静态定位解算结果X0作为式(9)中状态向量Xt中心并从中抽取N个粒子Xi0～p(X0)，粒子权值wi0＝1/N，i＝1，2，…，N；
2)计算粒子的权值；
计算粒子i与j卫星之间的伪距差值：
Figure FDA0002629398000000036
式中，j为卫星编号；
Figure FDA0002629398000000041
为从卫星j到接收机的距离；rj为接收机计算得到的卫星到接收机的距离，即上述动态模型观测值；Db为卫星时钟偏差；
Figure FDA0002629398000000042
为对流层延迟，
Figure FDA0002629398000000043
为电离层延迟，该两项误差通过导航电文中的参数计算得到；t时刻观测卫星数为n；
根据式(7)给出的观测模型更新粒子权值，取重要密度函数
Figure FDA0002629398000000044
得：
Figure FDA0002629398000000045
如果式(10)中各个伪距差值是相互独立的，根据误差分布统计模型得到：
Figure FDA0002629398000000046
Figure FDA0002629398000000047
其中，s和m分别为伪距差值的方差和均值；
3)归一化权重值：
Figure FDA0002629398000000048
4)对粒子集合
Figure FDA00026293980000000416
进行重采样，得到一个新集合
Figure FDA0002629398000000049
Figure FDA00026293980000000410
对该集合重新赋权值
Figure FDA00026293980000000411
i＝1，2，…，N；
5)经粒子滤波得到下述结果：
Figure FDA00026293980000000412
6)k＝k+1，重复步骤2)～5)，直至列车运动停止；由此得到式(9)中状态向量Xt在tk时刻的估计值，从Xt直接得到车载GPS的列车速度估计值vt＝[vtx，vty，vtz]。
3.根据权利要求1所述的基于粒子滤波和多传感器信息融合的列车速度估计方法，其特征在于：所述步骤S3包括：
对轮轴转速传感器的列车速度估计值
Figure FDA00026293980000000413
和车载GPS的列车速度估计值
Figure FDA00026293980000000414
应用标量加权线性最小方差融合准则，得到最终列车速度最优融合估计值
Figure FDA00026293980000000415
其表达式如下：
Figure FDA0002629398000000051
式中，c1和c2为权重系数：
Figure FDA0002629398000000052
Figure FDA0002629398000000053
式中，P1(k|k)表示轮轴传感器估计列车速度值的误差方差阵，trP1(k|k)表示P1(k|k)的迹，即P1(k|k)对角线元素之和；P2(k|k)表示车载GPS估计列车速度值的误差方差阵，trP2(k|k)表示P2(k|k)的迹，即P2(k|k)对角线元素之和。
CN201910166309.0A 2019-03-06 2019-03-06 基于粒子滤波和多传感器信息融合的列车速度估计方法 Expired - Fee Related CN109782325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910166309.0A CN109782325B (zh) 2019-03-06 2019-03-06 基于粒子滤波和多传感器信息融合的列车速度估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910166309.0A CN109782325B (zh) 2019-03-06 2019-03-06 基于粒子滤波和多传感器信息融合的列车速度估计方法

Publications (2)

Publication Number Publication Date
CN109782325A CN109782325A (zh) 2019-05-21
CN109782325B true CN109782325B (zh) 2021-03-12

Family

ID=66487549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910166309.0A Expired - Fee Related CN109782325B (zh) 2019-03-06 2019-03-06 基于粒子滤波和多传感器信息融合的列车速度估计方法

Country Status (1)

Country Link
CN (1) CN109782325B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110203253B (zh) * 2019-05-31 2021-09-03 卡斯柯信号有限公司 一种非固定式虚拟应答器实现方法
CN110187376A (zh) * 2019-06-19 2019-08-30 中国电子科技集团公司第五十四研究所 一种bds/gps同时钟源的伪卫星多普勒差分测速方法
CN110308300B (zh) * 2019-06-27 2021-09-21 厦门盈趣科技股份有限公司 一种融合多种特性数据的转速测量方法及装置
CN110497916B (zh) * 2019-08-15 2021-03-05 太原科技大学 基于bp神经网络的汽车行驶状态估计方法
CN110497915B (zh) * 2019-08-15 2021-03-05 太原科技大学 一种基于加权融合算法的汽车行驶状态估计方法
CN110641523B (zh) * 2019-10-15 2021-06-29 大连海事大学 一种地铁列车实时速度监测方法及系统
CN111114562B (zh) * 2019-12-30 2021-04-02 中车大连机车车辆有限公司 一种机车车辆及其加权参数粘着控制方法
CN111460382B (zh) * 2020-03-30 2022-03-18 上海交通大学 基于高斯过程回归的燃油车有害气体排放预测方法及系统
CN111460381B (zh) * 2020-03-30 2022-03-18 上海交通大学 基于高斯过程回归的多工况燃油车油耗预测方法及系统
CN111832181B (zh) * 2020-07-18 2022-06-10 西南交通大学 一种基于模糊交互式多模型滤波的机车车速估计方法
CN112550359B (zh) * 2020-11-22 2022-08-23 卡斯柯信号有限公司 基于阶梯形目标速度曲线的列车平滑跟踪控制方法
CN112637805B (zh) * 2020-12-11 2022-02-11 浙江大学 一种高速列车行驶状态即插即用分布式估计方法
CN112874528B (zh) * 2021-03-04 2022-07-12 深圳市轱辘车联数据技术有限公司 车速确定方法、车速确定装置、车载终端及存储介质
DE102022206618A1 (de) 2022-06-29 2024-01-04 Siemens Mobility GmbH Schätzeinrichtung und Verfahren zum Ermitteln von Bewegungsschätzwerten
CN116908832B (zh) * 2023-09-11 2024-01-23 北京城建智控科技股份有限公司 列车速度确定方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018077294A (ja) * 2016-11-08 2018-05-17 株式会社テクノワークス 使用者の注視点および移動速度を利用した電子機器の機能制限装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101576391B1 (ko) * 2014-09-15 2015-12-22 충북대학교 산학협력단 도로 정보를 이용한 차량 제어 시스템 및 방법
US11727294B2 (en) * 2016-07-29 2023-08-15 Trustees Of Princeton University Method and system for quantum information processing and computation
CN107340407A (zh) * 2017-05-25 2017-11-10 中国铁路总公司 列控系统测速定位方案验证方法
CN107599972A (zh) * 2017-09-19 2018-01-19 合肥凯利科技投资有限公司 一种带有轮胎磨损监管的电动车控制器
CN107991112A (zh) * 2017-12-29 2018-05-04 南阳淅减汽车减振器有限公司 一种减振器封口质量检测装置
CN108959176A (zh) * 2018-06-20 2018-12-07 西南交通大学 一种基于自适应容积卡尔曼滤波的分布式车速估计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018077294A (ja) * 2016-11-08 2018-05-17 株式会社テクノワークス 使用者の注視点および移動速度を利用した電子機器の機能制限装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高速列车牵引制动过程的动力学性能仿真;蒋俊;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20131115;全文 *

Also Published As

Publication number Publication date
CN109782325A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN109782325B (zh) 基于粒子滤波和多传感器信息融合的列车速度估计方法
Liu et al. Sideslip angle estimation of ground vehicles: a comparative study
CN109343095B (zh) 一种车载导航车辆组合定位装置及其组合定位方法
CN111025250B (zh) 一种车载毫米波雷达在线标定方法
CN103930312A (zh) 包括用于共同处理信号的融合滤波器的传感器系统
CN110095635A (zh) 一种全轮驱动车辆的纵向车速估计方法
CN108345021B (zh) 一种多普勒雷达辅助gps/ins车辆测速方法
Holm Vehicle mass and road grade estimation using Kalman filter
CN109684677A (zh) 一种基于卡尔曼滤波算法的坡度估算方法
Van Gennip et al. Parameter identification and validation for combined slip tire models using a vehicle measurement system
Xue et al. A robust unscented M-estimation-based filter for vehicle state estimation with unknown input
Shaw et al. Instantaneous fuel consumption estimation using smartphones
Jin et al. Multi-model train state estimation based on multi-sensor parallel fusion filtering
JP3095189B2 (ja) ナビゲーション装置
Sun et al. Dimensionless model-based system tracking via augmented Kalman filter for multiscale unmanned ground vehicles
US20230182751A1 (en) Tire stiffness estimation system
Lu et al. Road adhesion coefficient identification method based on vehicle dynamics model and multi-algorithm fusion
US11525728B1 (en) Systems and methods for determining an estimated weight of a vehicle
Liu et al. Vehicle state and parameter estimation based on adaptive robust unscented particle filter
CN115130728A (zh) 列车车轮直径校准时间预测方法及装置
Do et al. Real-time estimation of longitudinal tire stiffness considering dynamic characteristics of tire
Wang et al. Vehicle state and parameter estimation based on adaptive cubature Kalman filter
CN106324590A (zh) 一种提高列车测速系统测量精度的方法及装置
Liu et al. Vehicle state estimation based on strong tracking central different Kalman filter
EP4187215B1 (en) Systems and methods for determining an estimated weight of a vehicle

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210312

CF01 Termination of patent right due to non-payment of annual fee