CN110395297B - 列车定位方法 - Google Patents

列车定位方法 Download PDF

Info

Publication number
CN110395297B
CN110395297B CN201910687708.1A CN201910687708A CN110395297B CN 110395297 B CN110395297 B CN 110395297B CN 201910687708 A CN201910687708 A CN 201910687708A CN 110395297 B CN110395297 B CN 110395297B
Authority
CN
China
Prior art keywords
curve
inertial navigation
navigation data
train
data
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.)
Active
Application number
CN201910687708.1A
Other languages
English (en)
Other versions
CN110395297A (zh
Inventor
陈光武
于月
程鉴皓
邢东峰
杨菊花
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.)
Lanzhou Jiaotong University
Original Assignee
Lanzhou 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 Lanzhou Jiaotong University filed Critical Lanzhou Jiaotong University
Priority to CN201910687708.1A priority Critical patent/CN110395297B/zh
Publication of CN110395297A publication Critical patent/CN110395297A/zh
Application granted granted Critical
Publication of CN110395297B publication Critical patent/CN110395297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L2205/00—Communication or navigation systems for railway traffic
    • B61L2205/04—Satellite based navigation systems, e.g. global positioning system [GPS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种列车定位方法，包括：获取传感器实时数据，所述传感器实时数据，包括惯性传感器数据和卫星数据；基于所述惯性传感器数据获取惯导数据，所述惯导数据，包括列车的姿态、位置和速度信息；判断卫星信号状态；如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，获得修正后的列车位置和速度信息。在卫星信号缺失的情况下，通过引入约束条件对所述惯导数据进行修正，获得修正后的列车位置和速度信息。达从解决了现有列车定位技术在卫星信号缺失情况下定位精度严重下降的问题。

Description

列车定位方法
技术领域
本发明涉及惯性导航领域，具体地，涉及一种列车定位方法。
背景技术
列车定位是列车控制系统的重要组成部分，以往常用的列车定位技术有里程计、应答器、轨道电路等。但是随着列车控制系统对于列车定位性能的要求不断增加，以往用的定位设备都存在一定的缺点，例如铺设大量轨道电路等轨旁设备需要较高的成本以及定期的维护，惯性传感器则存在定位误差随时间积累的问题，所以为了满足目前对列车定位性能的要求，使用不同定位设备进行定位并进行融合处理。目前最为广泛使用的定位方法是将惯性导航系统和卫星导航系统融合的定位方式。
但是基于INS/GPS的定位方法仍存在一定的问题，卫星导航系统虽然能够提供全天候高精度定位信息，但是卫星信号容易受到干扰而导致系统定位性能下降。惯性导航系统能够提供短期高精度定位结果，但是其存在结果误差随时间不断积累的问题。基于INS/GPS的组合定位系统对GPS信号的依赖过大，在卫星信号受到干扰时，INS误差随时间不断增大，列车定位系统的精度就会很大程度地降低。
发明内容
本发明的目的在于，针对上述问题，提出一种列车定位方法，以解决现有列车定位技术在卫星信号缺失情况下定位精度严重下降的问题。
为实现上述目的，本发明实施例采用的技术方案是：
一种列车定位方法，包括：
获取传感器实时数据，所述传感器实时数据，包括惯性传感器数据和卫星数据；
基于所述惯性传感器数据获取惯导数据，所述惯导数据，包括列车的姿态、位置和速度信息；
判断卫星信号状态；
如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，获得修正后的列车位置和速度信息。
作为本发明实施例的一种具体实现方式，所述惯性传感器数据，包括三轴角速率和三轴加速度；
所述卫星数据，包括经度、纬度、高度、东向速度、北向速度和天向速度。
作为本发明实施例的一种具体实现方式，所述判断卫星信号状态步骤之后；
如卫星信号良好，则将卫星数据与所述惯导数据融合，获得列车的位置和速度信息。
作为本发明实施例的一种具体实现方式，所述将卫星数据与所述惯导数据进行融合，为：
使用扩展卡尔曼滤波将卫星数据与所述惯导数据融合。
作为本发明实施例的一种具体实现方式，所述将卫星数据与所述惯导数据进行融合，包括：
将选取的经纬度误差、东向速度误差、北向速度误差、姿态角误差、加速度计零偏和陀螺常值漂移组成状态量；
基于状态量、加速度计随机噪声和陀螺仪随机噪声建立状态方程；
基于状态方程建立观测模型。
作为本发明实施例的一种具体实现方式，所述引入约束条件对所述惯导数据进行修正，包括：
假设非线性不等式约束条件为：c(xk)≤0，c是一个已知的非线性状态约束函数，xk为获得的状态估计值；
在所述非线性不等式约束条件下使用最大似然法则对进行修正。
作为本发明实施例的一种具体实现方式，所述使用最大似然法则对进行修正，为：
根据贝叶斯理论，得到状态转移概率：
Figure BDA0002146893300000031
令
Figure BDA0002146893300000032
为滤波误差函数，将上式视为一个目标函数，则可以把约束问题转换为带约束的优化问题，优化函数为：
Figure BDA0002146893300000033
其中，
Figure BDA0002146893300000034
表示高斯分布，均值和协方差分别为
Figure BDA0002146893300000035
和Pk|k，n为状态维数，xk为k时刻系统真实值，Yk为前k个时刻的量测值，
Figure BDA0002146893300000036
为k时刻系统估计值，Pk|k为k时刻滤波误差协方差。
作为本发明实施例的一种具体实现方式，对所述优化函数求解采用序列二次规划算法。
作为本发明实施例的一种具体实现方式，所述如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，包括：
在列车遇到弯道时，使用轨道曲线约束信息对所述惯导数据进行修正。
作为本发明实施例的一种具体实现方式，所述使用轨道曲线约束信息对所述惯导数据进行修正，包括：
将弯道的曲线段分为第一缓和曲线，圆曲线和第二缓和曲线；
并为第一缓和曲线，圆曲线和第二缓和曲线在统一的切线坐标系中建立数学模型；
第一缓和曲线的数学模型：
Figure BDA0002146893300000041
圆曲线的数学模型：
Figure BDA0002146893300000042
第二缓和曲线的数学模型：
Figure BDA0002146893300000043
其中，L为相对于起点的弧长，m为切线加长，A为回旋系数，p为切线内移，T为切线长，J为曲线全长，l0是缓和曲线长，X和Y分别为切线坐标系的坐标，R为半径，I为转向角，g(x)为非线性函数。
本发明的实施例，在卫星信号缺失的情况下，通过引入约束条件对所述惯导数据进行修正，获得修正后的列车位置和速度信息。达从解决了现有列车定位技术在卫星信号缺失情况下定位精度严重下降的问题。
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列车定位方法的流程图；
图2为本发明实施例所述的列车定位方法具体应用的流程图；
图3为本发明实施例所述的轨道曲线示意图。
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，一种列车定位方法，包括：
S101：获取传感器实时数据，所述传感器实时数据，包括惯性传感器数据和卫星数据；
S102：基于所述惯性传感器数据获取惯导数据，所述惯导数据，包括列车的姿态、位置和速度信息；
S103：判断卫星信号状态；
S104：如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，获得修正后的列车位置和速度信息。
作为本发明实施例的一种具体实现方式，所述惯性传感器数据，包括三轴角速率和三轴加速度；
所述卫星数据，包括经度、纬度、高度、东向速度、北向速度和天向速度。
作为本发明实施例的一种具体实现方式，所述判断卫星信号状态步骤之后；
如卫星信号良好，则将卫星数据与所述惯导数据融合，获得列车的位置和速度信息。
作为本发明实施例的一种具体实现方式，所述将卫星数据与所述惯导数据进行融合，为：
使用扩展卡尔曼滤波将卫星数据与所述惯导数据融合。
作为本发明实施例的一种具体实现方式，所述将卫星数据与所述惯导数据进行融合，包括：
将选取的经纬度误差、东向速度误差、北向速度误差、姿态角误差、加速度计零偏和陀螺常值漂移组成状态量；
基于状态量、加速度计随机噪声和陀螺仪随机噪声建立状态方程；
基于状态方程建立观测模型。
作为本发明实施例的一种具体实现方式，所述引入约束条件对所述惯导数据进行修正，包括：
假设非线性不等式约束条件为：c(xk)≤0，c是一个已知的非线性状态约束函数，xk为获得的状态估计值；
在所述非线性不等式约束条件下使用最大似然法则对进行修正。
作为本发明实施例的一种具体实现方式，所述使用最大似然法则对进行修正，为：
根据贝叶斯理论，得到状态转移概率：
Figure BDA0002146893300000061
令
Figure BDA0002146893300000062
为滤波误差函数，将上式视为一个目标函数，则可以把约束问题转换为带约束的优化问题，优化函数为：
Figure BDA0002146893300000063
其中，
Figure BDA0002146893300000064
表示高斯分布，均值和协方差分别为
Figure BDA0002146893300000065
和Pk|k，n为状态维数，xk为k时刻系统真实值，Yk为前k个时刻的量测值，
Figure BDA0002146893300000066
为k时刻系统估计值，Pk|k为k时刻滤波误差协方差。
作为本发明实施例的一种具体实现方式，对所述优化函数求解采用序列二次规划算法。
作为本发明实施例的一种具体实现方式，所述如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，包括：
在列车遇到弯道时，使用轨道曲线约束信息对所述惯导数据进行修正。
作为本发明实施例的一种具体实现方式，所述使用轨道曲线约束信息对所述惯导数据进行修正，包括：
将弯道的曲线段分为第一缓和曲线，圆曲线和第二缓和曲线；
并为第一缓和曲线，圆曲线和第二缓和曲线在统一的切线坐标系中建立数学模型；
第一缓和曲线的数学模型：
Figure BDA0002146893300000071
圆曲线的数学模型：
Figure BDA0002146893300000072
第二缓和曲线的数学模型：
Figure BDA0002146893300000073
其中，L为相对于起点的弧长，m为切线加长，A为回旋系数，p为切线内移，T为切线长，J为曲线全长，l0是缓和曲线长，X和Y分别为切线坐标系的坐标，R为半径，I为转向角，g(x)为非线性函数。
列车定位方法的一个具体应用如下：
如图2所示，列车定位方法，包括：
步骤一、获得传感器实时数据，包括惯性传感器数据和卫星数据，所述惯性传感器数据包括三轴角速率和三轴加速度；所述卫星数据包括经度、纬度、高度、东向速度、北向速度以及天向速度。；
步骤二、对惯性传感器数据进行解算获得载体的姿态、位置以及速度信息；
步骤三、选取经纬度误差、东向速度误差、北向速度误差、姿态角误差、加速度计零偏以及陀螺常值漂移组成状态量：
Figure BDA0002146893300000074
式中，δλ为经度误差，
Figure BDA0002146893300000075
为纬度误差；δvx、δvy分别为东向速度误差和北向速度误差；(αx,αy,αz)为姿态角误差；
Figure BDA0002146893300000076
为加速度计常值偏移；(εx,εy,εz)为陀螺仪常值偏移。
建立系统状态方程为：
Figure BDA0002146893300000081
其中，W(t)为系统过程噪声，
Figure BDA0002146893300000082
上式中，
Figure BDA0002146893300000083
为加速度计随机噪声，(wεx,wεy,wεz)为陀螺仪随机噪声。
建立系统观测模型为：
Z(t)＝HX(t)+V(t) (4)，
其中，H为量测矩阵，V(t)为量测噪声。在卫星信号良好的情况下，将卫星数据与惯导解算结果使用扩展卡尔曼滤波进行融合，获得列车的位置、速度信息；
步骤四、在卫星信号缺失的情况下，引入约束条件对惯导解算数据进行修正，获得修正后的位置速度信息。
由于列车受到所运行轨道的约束，引入约束条件以降低惯导解算误差，主要过程为：
假设系统受到的非线性不等式约束条件为：
c(xk)≤0 (5)，
其中，c是一个已知的非线性状态约束函数。那么，约束问题可以表示为：将约束条件式(5)引入到系统中，即对系统所获得的状态估计值xk进行修正，从而获得更加准确的状态估计值。
在公式(5)的约束下，可以利用最大似然法则对系统进行修正。由于系统中所有变量均满足高斯分布，根据贝叶斯理论，得到状态转移概率为：
Figure BDA0002146893300000084
Figure BDA0002146893300000091
其中，
Figure BDA0002146893300000092
表示高斯分布，均值和协方差分别为
Figure BDA0002146893300000093
和Pk|k，n为状态维数，xk为k时刻系统真实值，Yk为前k个时刻的量测值，
Figure BDA0002146893300000094
为k时刻系统估计值，Pk|k为k时刻滤波误差协方差。
根据公式(6)，令
Figure BDA0002146893300000095
为滤波误差函数。将它视为一个目标函数，则可以把约束问题转换为带约束的优化问题，即
Figure BDA0002146893300000096
针对上述的不等式状态约束优化问题，本文采用序列二次规划算法求解。
序列二次规划算法主要过程为：
现考虑如下的约束问题：
Figure BDA0002146893300000097
根据最优化理论可将上式转化为
Figure BDA0002146893300000098
用牛顿法求解上式方程组，设当前迭代点为xk和λk，其迭代点的增量值(δx)k和(δλ)k满足下式：
Figure BDA0002146893300000101
令λk+1＝λk+(δλ)k，xk+1＝xk+(δx)k，通过下面的方程组确定λk+1和(δx)k，然后就能得到新的近似解xk+1，在给定初始迭代点x1和λ1后，再根据公式(11)获得迭代序列{xk,λk}：
Figure BDA0002146893300000102
公式(10)可以改写成式(12)：
Figure BDA0002146893300000103
其中λk+(δλ)k为一个拉格朗日乘子。如下二次规划问题的KT点即为方程组(12)中的(δx)k：
Figure BDA0002146893300000104
因此，可将牛顿法看作是通过迭代求解上述二次规划来实现。那么，对于一般非线性约束优化问题即可通过如下的二次规划子问题来求解，即
Figure BDA0002146893300000105
在遇到弯道时，使用轨道曲线约束信息，具体过程为：
对于整个曲线来说，可以将曲线段分为第一缓和曲线(ZH-HY段)，圆曲线(HY-YH段)和第二缓和曲线(YH-HZ段)，如图3所示。各曲线段在统一的切线坐标系中的数学模型为：
第一缓和曲线：
Figure BDA0002146893300000111
圆曲线：
Figure BDA0002146893300000112
第二缓和曲线：
Figure BDA0002146893300000113
在上式中，L为相对于起点的弧长，m为切线加长，
Figure BDA0002146893300000114
A为回旋系数，
Figure BDA0002146893300000115
p为切线内移，
Figure BDA0002146893300000116
T为切线长，θ为转向角，J为曲线全长，l0是缓和曲线长，R为半径，I为转向角，g(x)为非线性函数。
当第一缓和曲线作为约束条件时，将其表示成矩阵形式：
D1·X(k)＝N1 (18)，
其中，
Figure BDA0002146893300000117
当圆曲线作为约束条件时，将其表示成矩阵形式：
D2·X(k)＝N2 (19)，
式中，D2＝D1，
Figure BDA0002146893300000121
当第二缓和曲线作为约束条件时，将其表示成矩阵形式：
D3·X(k)＝N3 (20)，
其中，D3＝D1，
Figure BDA0002146893300000122
设非线性系统状态方程和量测方程为：
xk＝f(xk-1,uk-1,wk-1)
zk＝h(xk,vk) (21)，
式中，xk为状态向量，zk为观测向量，wk-1为模型噪声向量，vk为量测噪声向量，wk-1和vk是均值为0、方差分别为Qk-1、Rk的高斯白噪声。
带有轨道约束的扩展卡尔曼滤波方程为
Figure BDA0002146893300000123
线性化矩阵：
Figure BDA0002146893300000124
Figure BDA0002146893300000125
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 (8)

1.一种列车定位方法，其特征在于，包括：
获取传感器实时数据，所述传感器实时数据，包括惯性传感器数据和卫星数据；
基于所述惯性传感器数据获取惯导数据，所述惯导数据，包括列车的姿态、位置和速度信息；
判断卫星信号状态；
如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，获得修正后的列车位置和速度信息；
所述引入约束条件对所述惯导数据进行修正，包括：
假设非线性不等式约束条件为：c(xk)≤0，c是一个已知的非线性状态约束函数，xk为获得的状态估计值；
在所述非线性不等式约束条件下使用最大似然法则对所述惯导数据进行修正；
所述使用最大似然法则对所述惯导数据进行修正，为：
根据贝叶斯理论，得到状态转移概率：
Figure FDA0003108859370000011
令
Figure FDA0003108859370000012
为滤波误差函数，将上式视为一个目标函数，则可以把约束问题转换为带约束的优化问题，优化函数为：
Figure FDA0003108859370000013
其中，
Figure FDA0003108859370000014
表示高斯分布，n为状态维数，Yk为前k个时刻的量测值，
Figure FDA0003108859370000015
为k时刻系统估计值，Pk|k为k时刻滤波误差协方差。
2.根据权利要求1所述的列车定位方法，其特征在于，
所述惯性传感器数据，包括三轴角速率和三轴加速度；
所述卫星数据，包括经度、纬度、高度、东向速度、北向速度和天向速度。
3.根据权利要求2所述的列车定位方法，其特征在于，所述判断卫星信号状态步骤之后；
如卫星信号良好，则将卫星数据与所述惯导数据融合，获得列车的位置和速度信息。
4.根据权利要求3所述的列车定位方法，其特征在于，所述将卫星数据与所述惯导数据进行融合，为：
使用扩展卡尔曼滤波将卫星数据与所述惯导数据融合。
5.根据权利要求4所述的列车定位方法，其特征在于，所述将卫星数据与所述惯导数据进行融合，包括：
将选取的经纬度误差、东向速度误差、北向速度误差、姿态角误差、加速度计零偏和陀螺常值漂移组成状态量；
基于状态量、加速度计随机噪声和陀螺仪随机噪声建立状态方程；
基于状态方程建立观测模型。
6.根据权利要求1所述的列车定位方法，其特征在于，对所述优化函数求解采用序列二次规划算法。
7.根据权利要求1所述的列车定位方法，其特征在于，所述如卫星信号缺失，则引入约束条件对所述惯导数据进行修正，包括：
在列车遇到弯道时，使用轨道曲线约束信息对所述惯导数据进行修正。
8.根据权利要求7所述的列车定位方法，其特征在于，所述使用轨道曲线约束信息对所述惯导数据进行修正，包括：
将弯道的曲线段分为第一缓和曲线，圆曲线和第二缓和曲线；
并为第一缓和曲线，圆曲线和第二缓和曲线在统一的切线坐标系中建立数学模型；
第一缓和曲线的数学模型：
Figure FDA0003108859370000031
圆曲线的数学模型：
Figure FDA0003108859370000032
第二缓和曲线的数学模型：
Figure FDA0003108859370000033
其中，L为相对于起点的弧长，m为切线加长，A为回旋系数，p为切线内移，T为切线长，J为曲线全长，l0是缓和曲线长，X和Y分别为切线坐标系的坐标，R为半径，I为转向角，g(x)为非线性函数。
CN201910687708.1A 2019-07-29 2019-07-29 列车定位方法 Active CN110395297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910687708.1A CN110395297B (zh) 2019-07-29 2019-07-29 列车定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910687708.1A CN110395297B (zh) 2019-07-29 2019-07-29 列车定位方法

Publications (2)

Publication Number Publication Date
CN110395297A CN110395297A (zh) 2019-11-01
CN110395297B true CN110395297B (zh) 2021-08-10

Family

ID=68326418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910687708.1A Active CN110395297B (zh) 2019-07-29 2019-07-29 列车定位方法

Country Status (1)

Country Link
CN (1) CN110395297B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114074693B (zh) * 2020-08-13 2023-05-05 比亚迪股份有限公司 多传感器融合的列车定位方法、装置、定位系统及列车
CN112141164B (zh) * 2020-09-15 2021-12-14 北京交通大学 一种基于贝叶斯博弈的列车自主防护方法和系统
CN115635994A (zh) * 2022-11-04 2023-01-24 北京酷鲨科技有限公司 一种列车尾部辅助定位方法和装置
CN115855066B (zh) * 2023-02-22 2023-05-05 湖南迈克森伟电子科技有限公司 一种高铁坐标定位修正方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108931244A (zh) * 2018-07-18 2018-12-04 兰州交通大学 基于列车运动约束的惯导误差抑制方法及系统
CN108931799A (zh) * 2018-07-18 2018-12-04 兰州交通大学 基于递归快速正交搜索的列车组合定位方法及系统
CN108974054A (zh) * 2018-07-18 2018-12-11 兰州交通大学 无缝列车定位方法及其系统
CN109059909A (zh) * 2018-07-23 2018-12-21 兰州交通大学 基于神经网络辅助的卫星/惯导列车定位方法与系统
CN109781098A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种列车定位的方法和系统
EP3499271A1 (de) * 2017-12-18 2019-06-19 Siemens Aktiengesellschaft Ermittlung einer position eines fahrzeugs
CN109975851A (zh) * 2019-04-04 2019-07-05 河南思维轨道交通技术研究院有限公司 一种列车线路故障点精确定位方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6826478B2 (en) * 2002-04-12 2004-11-30 Ensco, Inc. Inertial navigation system for mobile objects with constraints

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3499271A1 (de) * 2017-12-18 2019-06-19 Siemens Aktiengesellschaft Ermittlung einer position eines fahrzeugs
CN108931244A (zh) * 2018-07-18 2018-12-04 兰州交通大学 基于列车运动约束的惯导误差抑制方法及系统
CN108931799A (zh) * 2018-07-18 2018-12-04 兰州交通大学 基于递归快速正交搜索的列车组合定位方法及系统
CN108974054A (zh) * 2018-07-18 2018-12-11 兰州交通大学 无缝列车定位方法及其系统
CN109059909A (zh) * 2018-07-23 2018-12-21 兰州交通大学 基于神经网络辅助的卫星/惯导列车定位方法与系统
CN109781098A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种列车定位的方法和系统
CN109975851A (zh) * 2019-04-04 2019-07-05 河南思维轨道交通技术研究院有限公司 一种列车线路故障点精确定位方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于北斗_SINS融合的列车定位方法研究;张宇阳;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160715(第7期);第5-6页 *

Also Published As

Publication number Publication date
CN110395297A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110395297B (zh) 列车定位方法
CN111721289B (zh) 自动驾驶中车辆定位方法、装置、设备、存储介质及车辆
CN110487301B (zh) 一种雷达辅助机载捷联惯性导航系统初始对准方法
CN109211276B (zh) 基于gpr与改进的srckf的sins初始对准方法
CN109974697B (zh) 一种基于惯性系统的高精度测绘方法
CN112505737B (zh) 一种gnss/ins组合导航方法
CN111551175B (zh) 一种航姿参考系统的互补滤波姿态解算方法
CN110954102B (zh) 用于机器人定位的磁力计辅助惯性导航系统及方法
CN110631574B (zh) 一种惯性/里程计/rtk多信息融合方法
CN109870173A (zh) 一种基于校验点的海底管道惯性导航系统的轨迹修正方法
CN109612460B (zh) 一种基于静止修正的垂线偏差测量方法
CN110285804B (zh) 基于相对运动模型约束的车辆协同导航方法
CN113252038B (zh) 基于粒子群算法的航迹规划地形辅助导航方法
CN111189442B (zh) 基于cepf的无人机多源导航信息状态预测方法
CN109489661B (zh) 一种卫星初始入轨时陀螺组合常值漂移估计方法
CN113551668A (zh) 一种航天器惯性/恒星星光矢量/星光折射组合导航方法
CN111190207B (zh) 基于pstcsdref算法的无人机ins bds组合导航方法
CN114111767B (zh) 基于多信息融合对线路设计线型进行优化的方法
Bonnabel et al. Design and prototyping of a low-cost vehicle localization system with guaranteed convergence properties
CN116222551A (zh) 一种融合多种数据的水下导航方法及装置
CN116399351A (zh) 一种车辆位置估计方法
Wang et al. Land vehicle navigation using odometry/INS/vision integrated system
CN113236363A (zh) 开采设备导航定位方法、系统、设备及可读存储介质
CN111220151B (zh) 载体系下考虑温度模型的惯性和里程计组合导航方法
CN109827572B (zh) 一种检测车位置预测的方法及装置

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