CN111854742B - 基于多源信息融合的移动物体的测速定位方法和系统 - Google Patents

基于多源信息融合的移动物体的测速定位方法和系统 Download PDF

Info

Publication number
CN111854742B
CN111854742B CN202010680823.9A CN202010680823A CN111854742B CN 111854742 B CN111854742 B CN 111854742B CN 202010680823 A CN202010680823 A CN 202010680823A CN 111854742 B CN111854742 B CN 111854742B
Authority
CN
China
Prior art keywords
state
speed
positioning
sub
measurement
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
CN202010680823.9A
Other languages
English (en)
Other versions
CN111854742A (zh
Inventor
于天剑
刘畅
成庶
向超群
伍珣
陈特放
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010680823.9A priority Critical patent/CN111854742B/zh
Publication of CN111854742A publication Critical patent/CN111854742A/zh
Application granted granted Critical
Publication of CN111854742B publication Critical patent/CN111854742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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

Landscapes

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

Abstract

本发明提供了一种基于多源信息融合的移动物体的测速定位方法和系统，通过采用多个测速定位装置同时采集被测移动物体的运行状态相关信息，以获得各个采集状态量，然后通过构建联邦卡尔滤波器模型来融合各个所述采集状态量，以获得最终的所述移动物体的运行状态的融合状态预测量，各个测速定位装置之间实现了各装置之间的优势互补，使得整个测速定位系统的精准度。

Description

基于多源信息融合的移动物体的测速定位方法和系统
技术领域
本发明属于列车测速定位技术领域，具体是涉及到一种基于多源信息融合的移动物体的测速定位方法和系统。
背景技术
随着我国交通运输行业的迅猛发展，以高速、重载列车为代表的铁路运输业已然成为我国的一项支柱性产业，是我国迈向世界现代化科技强国的综合体现。其中，磁悬浮列车作为一种先进的轨道交通运输形式，是我国乃至世界高速铁路的未来发展方向之一。在日常铁路运营过程中，列车测速定位系统为列车提供的实时位置和速度信息的精度和可靠性不仅保障了列车的正常运行，还直接影响了“列车安全”这一行业核心准则，这一点在高速客专领域的重要性显得尤为突出。因此，如何发展精确、可靠的新型测速定位系统来适应现代高速铁路行业的飞速革新以及如何为未来磁悬浮列车的大范围普及奠定良好基础，已成为国内外众多业内科研工作者的首要研究方向。
区别于普通的轮轨接触式列车，磁浮列车基于电磁感应原理，通过直线电机产生电磁力来实现列车与轨道之间的无接触式导引。因此，磁浮列车无法通过类似于在车轴上安装转速计的轮轨接触式方法来进行列车的测速定位。当前磁浮列车的测速定位方法按位置信息的参照划分，可分为相对定位法和绝对定位法两大类，基于磁浮列车初始位及实时位移来推算列车实时相对位置信息的方法称为相对定位法。此类方法主要包括：基于感应回线、基于计数轨枕、基于长定子齿槽检测、基于多普勒雷达和基于惯性导航系统(Inertial Navigation System-INS)等原理的测速定位方法。基于轨旁已知位置装置来获取列车绝对位置的方法称为绝对定位法，此类方法主要包括：基于全球卫星导航系统(Global Navigation Satellite System-GNSS)、基于查询—应答器和基于脉宽编码等原理的测速定位方法。
列车测速定位的精度和整体可靠性是评价该系统的关键性能指标。列车的测速定位精度与所用各型传感器的精度密切相关，但出于生产成本、技术以及制造工艺等诸多因素的综合考量，一味提高传感器精度的解决方案并不具有现实意义。因此，现有的使用单一传感器的相对定位法或绝对定位法由于探测范围有限且测量精度低，已经无法满足高速磁浮列车对测速定位的要求要求。针对单一传感器存在各自应用局限性的不足，现有技术提供了一种多传感器信息融合的集成测速定位系统，通过列车行驶距离来确定位置信息，借助多传感器测量列车速度信息，但该方法的实际效能受限于各种未知的外界环境因素，同时复杂的系统组成导致了高昂的成本，此外，其需要使用轮轨加速度传感器，因此现有技术一的方案并不适用于磁浮列车的测速定位。
发明内容
有鉴于此，本发明提供了一种于多源信息融合的移动物体的测速定位方法和系统，以解决现有测速定位方法和系统测速的精准度低和高昂成本的问题。
一种基于多源信息融合的移动物体的测速定位方法，包括：
采用多个测速定位装置分别实时采集所述移动物体的状态相关信息，以获得各个采集状态量，所述采集状态量包括所述移动物体的位置信息和速度信息，
构建联邦卡尔曼滤波器模型，所述联邦卡尔曼滤波器模型包括与所述多个测速定位装置对应的子滤波器和一个主滤波器，
通过各个所述子滤波器确定各个所述测速定位装置对应的离散状态方程和测量方程，以分别根据当前时刻的上一时刻的各个所述采集状态量和各个所述采集状态量对应的所述状态方程和测量方程，计算获取用于与各个所述测速定位装置对应的用于表征所述移动物体在当前时刻的状态相关信息的各个测量状态量，
使各个所述子滤波器根据当前时刻的各个所述测量状态信息量分别计算出当前时刻的所述移动物体的状态相关信息的各个子状态预测量和各个与所述子状态预测量对应的子均方误差预测量，并通过所述主滤波器将当前时刻的各个所述子状态预测量和子均方误差预测量分别进行融合，以将获得所述移动物体在当前时刻的融合状态预测量和融合均方误差预测量，并根据当前时刻的所述融合状态预测量和融合均方误差预测量获得当前时刻所述移动物体的定位测速结果。
优选地，所述的测速定位方法还包括：通过所述主滤波器将获得所述融合状态预测量反馈至至少部分所述的各个所述子滤波器中，使得各个所述子滤波器中产生所述子状态预测量与所述融合状态预测量之间的差值不断减小，以及将所述融合均方误差预测量Pg(k)的倒数与设定的各个权重分配系数相乘后分别反馈到各个所述子滤波模块，以在各个所述子滤波器中按照公式
Figure BDA0002585769040000021
来更新优化各个所述子均方误差预测量Pi(k)，所述i为N个所述测速定位装置的编号，1≤i≤N，βi为第i个所述测速定位装置对应的所述权重分配系数，
Figure BDA0002585769040000022
所述k为所述时刻编号，
各个所述测速定位装置在对应速度范围内的测速定位精确度越高，所述测速定位装置对应的所述权重分配系数越高。
优选地，测速定位方法还包括：在所述多个所述测速定位装置中的一个出现故障期间，使出现故障的所述测速定位装置对应的所述权重分配系数设置为0，且将所述出现故障的所述测速定位装置对应的所述权重分配系数按照所述移动物体在所述故障期间的速度和其它非故障的所述定位装置在对应速度内的测速定位精确度分给未出现故障的各个所述测速定位装置对应的各个子滤波器中，
且在所述故障期间，通过所述联邦卡尔曼滤波器模型根据出现所述故障前一时刻的所述测量状态量和当前时刻的所述测量状态量、融合状态预测值推算所述故障期间的各个时刻的所述融合状态预测量和融合均方误差预测量。
优选地，所述移动物体为磁浮列车，所述多个测速定位装置包括3个所述定位侧装置，第一个为北斗导航系统，第二个为惯性导航系统，第三个为多普勒雷达系统。
优选地，所述多个测速定位装置中的第i个测速定位装置对应的离散状态方程为：Xi(k)＝Φi(k,k-1)Xi(k-1)+ΓiWi(k-1)，第i个测速定位装置对应的所述测量方程为：Zi(k)＝HiX(k)+Mi(k)，
其中，Xi(k)为k时刻所述磁浮列车的采集状态量，所述采集状态量的状态变量包括所述第i个测速定位装置采集的磁浮列车的位置信息Si(k)和速度vi(k)，Γi为所述系第i个测速定位装置对应的统噪声移动矩阵；Φi(k,k-1)为所述第i个测速定位装置对应状态一步转移矩阵，Wi(k-1)为所述第i个测速定位装置对应的k时刻的前一时刻k-1的系统噪声，Zi(k)为所述第i个测速定位装置对应的所述测量状态量，Hi为所述第i个测速定位装置测量矩阵，Mi为所述第i个测速定位装置测量噪声。
优选地，将所述惯性导航系统和多普勒雷达系统所采集的所述磁浮列车的状态相关信息进行数据处理，以获得各个所述采集状态量的数据处理过程中，根据反馈的所述融合状态预测量对所述处理过程中获得的所述磁浮列车的位置信息进行误差补偿。
优选地，所述的测速定位方法还包括，初始化执行所述测速定位方法的测速定位系统，以给定初始时刻的各个所述子状态预测量的初始值和各个所述均方误差预测量的初始值，所述联邦卡尔曼滤波器模型根据各个所述子状态预测量的初始值、各个所述均方误差预测量的初始值以及根据当前时刻的所述测量状态量计算获得当前时刻的所述融合状态预测量。
一种基于多源信息融合的移动物体的测速定位系统，包括：测速定位模块、通信模块、信息处理模块、数据存储模块和定位输出模块，
所述测速定位模块包括多个测速定位装置，多个所述测速定位装置分别实时采集所述移动物体的状态相关信息，以获得各个采集状态量，所述采集状态量包括所述移动物体的位置信息和速度信息，
所述信息处理模块通过构建包括与所述多个测速定位装置对应的子滤波器和一个主滤波器联邦卡尔曼滤波模型，确定各个所述测速定位装置对应的离散状态方程和测量方程，以分别根据当前时刻上一时刻的各个所述采集状态量和各个所述采集状态量对应的所述状态方程和测量方程计算获取用于与各个所述测速定位装置对应的用于表征所述移动物体在当前时刻的状态相关信息的各个测量状态量，
所述信息处理模块通过各个所述子滤波器根据当前时刻的各个所述测量状态信息量分别计算出当前时刻的所述移动物体的状态相关信息的各个子状态预测量和各个与所述子状态预测量对应的子均方误差预测量，并通过所述主滤波器将当前时刻的各个所述子状态预测量和子均方误差预测量分别进行融合，以将获得融合状态预测量和融合均方误差预测量，
所述定位输出模块根据所述信息处理模块产生的信息输出所述移动物体的定位测速结果，
所述数据存储模块用于存储所述通信模块传输来的各种数据和所述信息处理模块的处理过程中所产生的各个数据，以为所述信息处理模块进行信息处理提供数据。
优选地，所述主滤波器将获得所述融合状态预测量反馈至至少部分所述的各个所述子滤波器中，使得各个所述子滤波器中产生所述子状态预测量与所述融合状态预测量之间的差值不断减小，以及将所述融合均方误差预测量Pg(k)的倒数与设定的各个权重分配系数相乘后分别反馈到各个所述子滤波模块，以在各个所述子滤波器中按照公式
Figure BDA0002585769040000041
来更新优化各个所述子均方误差预测量Pi(k)，所述i为N个所述测速定位装置的编号，1≤i≤N，βi为第i个所述测速定位装置对应的所述权重分配系数，
Figure BDA0002585769040000042
所述k为所述时刻的编号，
各个所述测速定位装置在对应速度范围内的测速定位精确度越高，所述测速定位装置对应的所述权重分配系数越高，
所述测速定位系统还包括工作状态检测模块，用于检测各个所述测速定位装置是否处于故障状态，以向所述主滤波器输出故障指示信号，
所述主滤波器将出现故障的所述测速定位装置对应的所述权重分配系数设置为0，且将所述出现故障的所述测速定位装置对应的所述权重分配系数按照所述移动物体在所述故障期间的速度和其它非故障的所述定位装置在对应速度内的测速定位精确度分给未出现故障的各个所述测速定位装置对应的各个子滤波器中，
且在所述故障期间，所述信息处理模块根据出现所述故障前一时刻的所述测量状态量和当前时刻的所述测量状态量、融合状态预测值推算所述故障期间的各个时刻的所述融合状态预测量和融合均方误差预测量。
优选地，所述运动模型为匀加速运动模型，所述多个测速定位装置中的第一个为北斗导航系统，第二个为惯性导航系统，第三个为多普勒雷达系统，其中，所述惯性导航系统为捷联式惯性导航系统，
所述信息处理模块所述融合状态预测量反馈至所述惯性导航系统和多普勒雷达系统中，以在所述惯性导航系统和多普勒雷达系统获得各个所述采集状态量过程中，根据反馈的所述融合状态预测量对所述处理过程中获得的所述磁浮列车的位置信息进行误差补偿。
本发明的有益效果一：本发明通过采用多个测速定位装置同时采集被测移动物体的运行状态相关信息，以获得各个采集状态量，然后通过构建联邦卡尔滤波器模型来融合各个所述采集状态量，以获得最终的所述移动物体的运行状态的融合状态预测量，各个测速定位装置之间实现了各装置之间的优势互补，使得整个测速定位系统的精准度。
本发明的有益效果二：通过将最终获得融合状态预测量和融合均方误差量按照权重分配系数分配到各个子滤波器中，以优化各个所述子状态预测量，从而最终实现定位结果的最优化。
本发明的有益效果三：采用多个所述移动测速定位装置，使得所述测速定位系统拥有安全冗余的先天优势，以此保证系统在故障情况下的稳定容错，通过卡尔曼滤波的预测估计法得到的状态预估量可以使测速定位系统在列车不中途停运的情况下平稳运行，在保证列车运行安全的前提下，提高了线路的综合运营效率。
附图说明
图1为依据本发明提供的基于多源信息融合的移动物体的测速定位方法流程框图；
图2为依据本发明提供的基于多源信息融合的移动物体的测速定位结构示意图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。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前提下所产生的所有其他实施例，都属于本发明保护的范围。此外需要说明的是，在具体实施方式这一项内容中“所述…”是仅指本发明的中的技术属于或特征。
本发明提供了一种基于多源信息融合的移动物体的测速定位方法和系统，图1为依据本发明提供的基于多源信息融合的移动物体的测速定位方法流程框图，图2为依据本发明提供的基于多源信息融合的移动物体的测速定位结构示意图。下面我们将结合图1和图2具体阐述本发明提供的基于多源信息融合的移动物体的测速定位方法和系统。此外，在本发明实施例中，所述移动物体为磁浮列车，但本发明提供的所述测速定位方法和系统不局限与所述磁浮列车的应用。
为了避免现有的单一测速定位装置所造成定位精度和成本的矛盾问题，本发明的采用多个测速定位装置组合构成所述磁浮列车的测速定位系统中的测速定位模块，这样可以利用各个所述测速定位装置核心优势来弥补其它所述测速定位装置的弱势，从而无需对各个测速定位装置的制造和设计要求以及各方面的性能都要求过高，因而各个所述测速定位装置的制造成本相对较低。
依据本发明提供的基于多源信息融合的移动物体的测速定位方法主要包括：采用多个测速定位装置分别实时采集所述移动物体的状态相关信息，以获得各个采集状态量，所述采集状态量包括所述移动物体的位置信息和速度信息。构建所述移动物体的运动模型，以确定各个所述测速定位装置对应的离散状态方程和测量方程，以分别根据当前时刻的上一时刻的各个所述采集状态量和各个所述采集状态量对应的所述状态方程和测量方程，计算获取用于与各个所述测速定位装置对应的用于表征所述移动物体在当前时刻的状态相关信息的各个测量状态量。构建联邦卡尔曼滤波器模型，所述联邦卡尔曼滤波器模型包括与所述多个测速定位装置对应的子滤波器和一个主滤波器，通过各个所述子滤波器根据当前时刻的各个所述测量状态信息量分别计算出当前时刻的所述移动物体的状态相关信息的各个子状态预测量和各个与所述子状态预测量对应的子均方误差预测量，并通过所述主滤波器将当前时刻的各个所述子状态预测量和子均方误差预测量分别进行融合，以将获得所述移动物体在当前时刻的融合状态预测量和融合均方误差预测量，并根据当前时刻的所述融合状态预测量和融合均方误差预测量获得当前时刻所述移动物体的定位测速结果。
具体的，在本发明实施例中，各个所述测速定位装置第一个装置为惯性导航系统，第二个装置为北斗导航系统，第三个装置为多普勒雷达系统。在惯性导航系统中，我们使惯性导航传感器采集所述磁浮列车的各个状态相关信息，例如所述磁浮列车的加速度、角速度等，然后使所述惯性导航系统中的位置/数据计算模块根据所述惯性传感器采集的数据以及所述磁浮列车的初始数据计算获得所述磁浮列车的位置信息和速度信息，以作为与所述惯性导航系统相对应的第一所述状态信息量。在北斗导航系统中，我们使北斗导航传感器采集所述磁浮列车的各个状态相关信息，然后使所述北斗导航系统中的位置/数据计算模块根据所述惯性传感器采集的数据以及所述磁浮列车的初始数据计算获得所述磁浮列车的位置信息和速度信息，以作为与所述北斗导航系统相对应的第二所述状态信息量。在多普勒雷达系统中，我们使多普勒雷达传感器采集所述磁浮列车的各个状态相关信息，然后使所述多普勒雷达系统中的位置/数据计算模块根据所述多普勒雷达传感器采集的数据以及所述磁浮列车的初始数据计算获得所述磁浮列车的位置信息和速度信息，以作为与所述多普勒雷达系统相对应的第三所述状态信息量。
由于所述测速定位模块中具有实时精确测控能量的北斗卫星导航系统，因此本发明所述的惯性导航系统可以选用无需稳定平台，适于装备轻量化的联捷式惯性导航系统，使系统具有不依赖于外界信息、不受外界复杂环境因素影响的完全自主导航能力。我们通过所述北斗导航系统来对惯导系统的测速定位结果做不间断的校正。所述北斗导航系统也可以被全球卫星导航系统GPS替代，但是我们为了规避GPS存在的潜在依赖风险，本发明选择我国自主研发建造的北斗导航定位系统作为所述测速定位模块中的第二装置，以弥补所述惯性导航系统的不足。所述北斗导航系统不受限于时空限制，可全天候为磁浮列车提供连续、精确的实时速度、位置信息，消除积累误差。但是北斗导航系统GNSS的功效仍受限于铁路沿线如隧道等特殊封闭式地形的影响，存在卫星信号盲区的不可控因素，因此本发明在所述测速定位模块中还引入不存在工作盲区的多普勒雷达系统，采用车载XS-IQ2型雷达测速传感器(测速范围：0.1～2000km/h)对磁浮列车进行不间断的信息采集，成功克服了所述北斗导航系统的工作盲区的缺陷。反之，北斗导航系统和惯导系统也为多普勒雷达的车体震动误差修正做了良好参照。因此，本发明的所述测速定位模块中的各个测速定位装置之间实现了各装置之间的优势互补，有利于提高整个测速定位系统的精准度。
所述测速定位模块的结构组成和选取搭配是一种以一个所述测速定位装置的“核心优势”补偿其它所述测速定位装置的“潜在缺陷”的组合方法，可以从整体上提高磁浮列车测速定位系统的综合效能，此外，由于具有多个测速定位测速系统，还为系统故障情况下的安全冗余提供了前提，这为后续软件融合算法的实现提供了良好的硬件环境。
在各个所述测速定位装置获得各个所述采集状态量后，我们将各个所述状态信息量通过通信模块传输至信息处理模块和数据存储模块以分别进行信息处理和数据存储，所述通信模块将各个状态信息量进行同步处理转换成符合所述信息处理模块要求的数据后再传输至所述信息处理模块。所述信息处理模块通过软件的方式进行信息处理。由于各个所述采集状态量可能包含不同的噪声含量，因此，在所述信息处理模块中，我们通过构建软件融合算法的方式来对各个所述采集状态量进行信息处理以及融合各个所述测速定位装置的输出结果，以最终结合各个所述测速定位装置在对应的磁浮列车时速断的优劣势确定最终的定位结果。构建软件融合算法主要为构建所述联邦卡尔曼滤波器模型。
所述多个测速定位装置中的第i个测速定位装置对应的离散状态方程如公式(1):
Xi(k)＝Φi(k,k-1)Xi(k-1)+ΓiWi(k-1) (1)
第i个测速定位装置对应的所述测量方程为公式(1)：
Zi(k)＝HiX(k)+Mi(k) (2)
其中，Xi(k)为k时刻所述磁浮列车的采集状态量，所述采集状态量的状态变量包括所述第i个测速定位装置采集的磁浮列车的位置信息Si(k)和速度vi(k)，Γi为所述系第i个测速定位装置对应的统噪声移动矩阵；Φi(k,k-1)为所述第i个测速定位装置对应状态一步转移矩阵，Wi(k-1)为所述第i个测速定位装置对应的k时刻的前一时刻k-1的系统噪声，Zi(k)为所述第i个测速定位装置对应的所述测量状态量，Hi为所述第i个测速定位装置测量矩阵，Mi为所述第i个测速定位装置测量噪声。i＝1，对应所述惯性导航系统，i＝2，对应所述北斗导航系统，i＝3对应所述多普勒雷达导航系统。
本文中选取磁浮列车的位置信息Si(k)和列车速度vi(k)为第i个所述测速定位装置的测量状态量的变量，Ri(k)表示测量噪声协方差,Qi(k)表示系统噪声协方差，在本发明中我们设定：Ri(k)为正定矩阵；Qi(k)为非负定矩阵，理想情况下，将系统噪声和测量噪声视为均值为零的高斯白噪声，在此基础上，以第i个所述测速定位装置为例，我们构建的所述联邦卡尔曼滤波器递推算法依据公式(3)至公式(7)进行信息处理和融合：
Figure BDA0002585769040000081
Pi(k,k-1)＝Φi(k,k-1)Pi(k-1)·ΦT i(k,k-1)+ΓiQi(k-1)ΓT (4)
Figure BDA0002585769040000082
Figure BDA0002585769040000083
Pi(k)＝(Ii-Ki(k)Hi)Pi(k,k-1) (7)
其中，在公式(3)至公式(7)，
Figure BDA0002585769040000084
为第i个所述测速定位装置对应的所述磁浮列车状态的一步预测量，
Figure BDA0002585769040000085
为第i个所述测速定位装置对应的所述磁浮列车在k时刻的状态预测量，Ki(k)为第i个所述测速定位装置对应的卡尔曼滤波增益矩阵，Pi(k,k-1)为
Figure BDA0002585769040000086
的均方误差量，Pi(k)第i个所述测速定位装置对应的所述磁浮列车在k时刻均方误差量，Pi(k-1)第i个所述测速定位装置对应的所述磁浮列车在k的前一个时刻均方误差量Hi第i个所述测速定位装置对应的传感器测量矩阵，Ii第i个所述测速定位装置对应的单位矩阵，Zi(k)为所述第i个测速定位装置对应的所述测量状态量。
由式(3)～(7)可知，在给定状态预测量
Figure BDA0002585769040000087
的初始值
Figure BDA0002585769040000088
和均方误差量Pi(k)初始值Pi(0)的前提下，可根据各传感器在k时刻的测量状态量Zi(k)计算出k时刻磁浮列车测速定位系统的最优融合状态预测量
Figure BDA0002585769040000089
和融合均方误差预测量Pg(k)。在图1中，为了简化，每一个参数我们都省略了时间参量k。
为高效整合各个所述测速定位装置，如惯性导航系统、北斗导航系统和多普勒雷达系统的测速定位信息，如图1所示，本发明提出联邦卡尔曼滤波器由一个主滤波器和与各个所述测速定位装置对应的子滤波器构成。采用公式(3)至(7)的步骤对所述测速定位系统中的北斗导航系统、惯性导航系统和多普勒雷达系统分别按照式(3)～(7)的步骤进行卡尔曼滤波，通过各子滤波器对各个测速定位装置的采集状态量进行独立的时间、测量更新，得到多组不同但保持较小差异的列车运动状态局部状态预测量
Figure BDA0002585769040000091
和局部均方误差量Pi(k)，进而如图1中所示的主滤波器将按照公式(8)和(9)有效融合三个子滤波器输出的子状态预测量和子均方误差量，以获得磁浮列车运动状态的融合状态预测量
Figure BDA0002585769040000092
和融合均方误差量Pg(k)作为测速定位系统的最优输出。最终，将列车运动状态的融合状态预测量
Figure BDA0002585769040000093
和融合均方误差量Pg(k)通过定位输出模块输出以作为所述测速定位系统最优的定位结果。公式(8)和(9)的具体表达式如下，其中公式(9)中的N为所述测速定位模块中各个测速定位装置的编号，1≤i≤N。
Figure BDA0002585769040000094
Figure BDA0002585769040000095
在所述信息处理模块中，我们构建的所述卡尔曼滤波模型还通过所述主滤波器将获得所述融合状态预测量反馈至至少部分所述的各个所述子滤波器中，使得各个所述子滤波器中产生所述子状态预测量与所述融合状态预测量之间的差值不断减小，以及将所述融合均方误差预测量Pg(k)的倒数与设定的各个权重分配系数相乘后分别反馈到各个所述子滤波模块，以在各个所述子滤波器中来更新优化各个所述子均方误差预测量Pi(k)。其中，各个所述测速定位装置在对应速度范围内的测速定位精确度越高，所述测速定位装置对应的所述权重分配系数越高。此外，本发明提供的所述测速定位系统中，还设置有用于检测各个所述测速定位装置的工作状态，以判断当前各个所述测速定位装置是否出现故障，在所述多个所述测速定位装置中的一个出现故障期间，使出现故障的所述测速定位装置对应的所述权重分配系数设置为0，且将所述出现故障的所述测速定位装置对应的所述权重分配系数按照所述移动物体在所述故障期间的速度和其它非故障的所述定位装置在对应速度内的测速定位精确度分给未出现故障的各个所述测速定位装置对应的各个子滤波器中，且在所述故障期间，通过所述联邦卡尔曼滤波器模型根据出现所述故障前一时刻的所述测量状态量和当前时刻的所述测量状态量、融合状态预测值推算所述故障期间的各个时刻的所述融合状态预测量和融合均方误差预测量。
下面我们将具体公式来进一步详细阐述具体如何将主滤波器输出的最优输出按照权重分配反馈至各个所述子滤波器中，用以优化各个所述子滤波器的输出。按照权重分配反馈的分配规则如公式(10)至公式(12)所示：
Xi(k)＝Xg(k) (10
Figure BDA0002585769040000101
Figure BDA0002585769040000102
其中，设定βi为权重分配系数，i＝1,2,…N，为实现最优的信息融合，我们按照磁浮列车的速度分段，根据各个速度范围内各个所述测速定位装置进行测速定位时的精准度来分配所述权重分配系数βi。如图1所示，本发明根据所述分配规则进行所述权重系数分配的一个具体实施例的分配情况为：
在所述磁浮列车的测速小于50km/h时，使β1＝0.6，β2＝0.3，β3＝0.1；
在所述磁浮列车的测速大于50km/h且小于150km/h时，使β1＝0.5，β2＝0.4，β3＝0.1；
在所述磁浮列车的测速大于150km/h时，使β1＝0.4，β2＝0.4，β3＝0.2；其中，
其中，β1对应所述惯性导航系统，β2对应所述北斗导航系统，β3对应所述多普勒雷达系统。
上述去权重分配系数调整按时速段分析，在低速段时，由于北斗系统和多普勒雷达系统的测速定位精度比较低，所以权重分配较小的系数，而惯导系统在低速段时有良好的表现，正好可以弥补这一时速段的不足，所以分配的系数也比较大。在中高速段时，北斗导航系统的采集数据的误差对测速定位的精准度的影响会减小，此时可增大其权重分配系数。此外，在列车高速运行时，多普勒雷达系统可以很好地发挥它的测速定位优势，所以此时也应该增大雷达的分配系数。在上述参数优化方法中，充分考虑了测速定位系统中各测速定位装置在不同运行时速段内的测速精准度，这种贴近实际复杂情况的细化讨论进一步提升了测速定位系统的可靠性和算法精度。
此外，本发明提出的组合式测速定位系统还拥有安全冗余的先天优势。当某个所述测速定位装置磁浮列车运行过程中发生故障时，所述信息处理模块中的主滤波器可将故障测速定位装置对应的权重分配系数按照平均分配法或按照所述磁浮列车当前的速度和其它非故障的所述测速定位装置在当前速度范围内的精准度分配给其它各个非故障的所述测速定位装置，以此保证系统在故障情况下的稳定容错，同时又可借助卡尔曼滤波模型所获得的状态预测法来对系统状态做出临时、可靠的预估，即根据所述测速定位系统前一时刻和当前时刻的所述测量状态量、融合状态预测量来对未来一定时段内(所述测速定位模块中的测速定位装置出现故障期间)的所述磁浮列车的运行状态做出合理的预测，如公式(13)和(14)所示，从而实现安全过渡。
Figure BDA0002585769040000111
Figure BDA0002585769040000112
其中，j为出现故障的时刻，t为出现所述故障后从j到k的时刻，Φi(k,j)为从时刻j到时刻k的状态转移阵。通过卡尔曼滤波的预测估计法得到的状态预估量可以使测速定位系统在列车不中途停运的情况下平稳运行，在保证列车运行安全的前提下，提高了线路的综合运营效率。
在根据所述惯性导航传感器和多普勒雷达传感器进行位置/速度计算以获得所述第一采集状态量和第三采集状态量的进行数据处理的过程中，我们在该处理过程中反馈了所述融合状态预测量
Figure BDA0002585769040000113
所述惯性导航系统根据反馈的所述融合状态预测量
Figure BDA0002585769040000114
对所述处理过程中获得的所述磁浮列车的位置信息进行误差补偿。此外，本发明提供的测速定位方法，在进行所述卡尔曼滤波算法的递推算法前，还包括，初始化执行所述测速定位方法的测速定位系统，以给定初始时刻的各个所述子状态预测量的初始值和各个所述均方误差预测量的初始值，从而使所述联邦卡尔曼滤波器模型根据各个所述子状态预测量的初始值、各个所述均方误差预测量的初始值以及根据当前时刻的所述测量状态量计算获得当前时刻的所述融合状态预测量。
本发明在完成软件融合算法后，还为对所述测速定位系统的性能进行检测，为此搭建一个贴近磁浮列车实际运动状态且适于理论分析的运动模型。合理地，可将磁浮列车视为一个处于匀速或匀加速运动状态下的惯性体，而在变加速情况下加速度不可突变，所以列车加速度在某一瞬时是保持恒定的。此外，匀速运动模型可等效于加速度均值为零的匀加速运动模型。因此，本发明最终选用匀加速运动模型来描述磁浮列车的运动状态。数学模型推导公式(15)所示：
Figure BDA0002585769040000121
其中，S(k)、a(k)、v(k)分别表示k时刻磁浮列车的位移、加速度和速度信息，ωS(k)、ωa(k)、ωv(k)分别表示k时刻磁浮列车位移、加速度和速度信息中所包含的系统噪声。
我们令：
Figure BDA0002585769040000122
Figure BDA0002585769040000123
由此，我们可以得到公式(1)、(2)所对应的列车离散状态方程和测量方程如公式(16)、(17)和(18)所示：
Figure BDA0002585769040000124
Figure BDA0002585769040000125
Figure BDA0002585769040000126
在公式(16)和(18)中，n、b、r分别对应所述惯性导航系统、北斗导航系统、开普勒雷达系统，上式带入预设参数值后，即可得到磁浮列车匀加速运行工况下的列车离散状态方程和测量方程。
为实现验证本发明提供的所述测速定位系统在是否能获得测速定位数据刷新率不低于50Hz，定位误差精度高于于10m，测速误差小于1km/h的性能，我们还借助MATLAB软件平台对本发明提供的所述测速定位系统进行实验仿真。为更加贴合实际情况，加入仿真的系统各种不同的噪声标准差，依据已建立的磁浮列车运加速运动模型，设定仿真时间为500s，主滤波器融合周期为1s，通过模拟仿真可产生列车实时运行数据，根据仿真结果可见，本发明提出的基于联邦卡尔曼滤波与状态预测原理的多测速定位装置组合式的测速定位方法已达到了较高的精度水平。在加入多项外界干扰噪声的情况下，系统仍能够保持较高的校正精度和稳定的波形输出，这体现出本发明提供的测速定位方案不仅具有较优的测量精度，而且还拥有较强的鲁棒性和自主运行能力。
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于多源信息融合的移动物体的测速定位方法，其特征在于，包括：
采用多个测速定位装置分别实时采集所述移动物体的状态相关信息，以获得各个采集状态量，所述采集状态量包括所述移动物体的位置信息和速度信息，
构建联邦卡尔曼滤波器模型，所述联邦卡尔曼滤波器模型包括与所述多个测速定位装置对应的子滤波器和一个主滤波器，
通过各个所述子滤波器确定各个所述测速定位装置对应的离散状态方程和测量方程，以分别根据当前时刻的上一时刻的各个所述采集状态量和各个所述采集状态量对应的所述状态方程和测量方程，计算获取用于与各个所述测速定位装置对应的用于表征所述移动物体在当前时刻的状态相关信息的各个测量状态量，
使各个所述子滤波器根据当前时刻的各个所述测量状态量分别计算出当前时刻的所述移动物体的状态相关信息的各个子状态预测量和各个与所述子状态预测量对应的子均方误差预测量，并通过所述主滤波器将当前时刻的各个所述子状态预测量和子均方误差预测量分别进行融合，以将获得所述移动物体在当前时刻的融合状态预测量和融合均方误差预测量，并根据当前时刻的所述融合状态预测量和融合均方误差预测量获得当前时刻所述移动物体的定位测速结果；
通过所述主滤波器将获得所述融合状态预测量反馈至至少部分所述的各个所述子滤波器中，使得各个所述子滤波器中产生所述子状态预测量与所述融合状态预测量之间的差值不断减小，以及将所述融合均方误差预测量
Figure 36407DEST_PATH_IMAGE001
的倒数与设定的各个权重分配系数相乘后分别反馈到各个所述子滤波器，以在各个所述子滤波器中按照公式
Figure 676467DEST_PATH_IMAGE002
来更新优化各个所述子均方误差预测量
Figure 772599DEST_PATH_IMAGE003
，所述
Figure 172618DEST_PATH_IMAGE004
为
Figure 709910DEST_PATH_IMAGE005
个所述测速定位装置的编号，
Figure 566876DEST_PATH_IMAGE006
，
Figure 150304DEST_PATH_IMAGE007
为第
Figure 603282DEST_PATH_IMAGE008
个所述测速定位装置对应的所述权重分配系数，
Figure 588556DEST_PATH_IMAGE009
，所述
Figure 898315DEST_PATH_IMAGE010
为所述时刻编号，
各个所述测速定位装置在对应速度范围内的测速定位精确度越高，所述测速定位装置对应的所述权重分配系数越高；
在所述多个所述测速定位装置中的一个出现故障期间，使出现故障的所述测速定位装置对应的所述权重分配系数设置为0，且将所述出现故障的所述测速定位装置对应的所述权重分配系数按照所述移动物体在所述故障期间的速度和其它非故障的所述定位装置在对应速度内的测速定位精确度分给未出现故障的各个所述测速定位装置对应的各个子滤波器中，
且在所述故障期间，通过所述联邦卡尔曼滤波器模型根据出现所述故障前一时刻的所述测量状态量和当前时刻的所述测量状态量、融合状态预测值推算所述故障期间的各个时刻的所述融合状态预测量和融合均方误差预测量，公式为：
Figure 657454DEST_PATH_IMAGE011
，
Figure 710861DEST_PATH_IMAGE012
，
其中，
Figure 878537DEST_PATH_IMAGE013
为出现故障的时刻，
Figure 890355DEST_PATH_IMAGE014
为出现所述故障后从
Figure 589321DEST_PATH_IMAGE013
到
Figure 446419DEST_PATH_IMAGE015
的时刻，
Figure 823261DEST_PATH_IMAGE016
为从时刻
Figure 474823DEST_PATH_IMAGE013
到时刻
Figure 457822DEST_PATH_IMAGE015
的状态转移阵，
Figure 39982DEST_PATH_IMAGE017
为
Figure 792037DEST_PATH_IMAGE013
时刻所述移动物体的采集状态量，
Figure 145658DEST_PATH_IMAGE018
为第
Figure 569949DEST_PATH_IMAGE004
个测速定位装置在
Figure 768849DEST_PATH_IMAGE013
时刻对应的所述测量状态量，
Figure 437728DEST_PATH_IMAGE019
表示基于
Figure 634354DEST_PATH_IMAGE013
时刻所述移动物体的采集状态量
Figure 123104DEST_PATH_IMAGE020
、第1时刻至j时刻时段内得到的多个测量状态量
Figure 578225DEST_PATH_IMAGE021
求期望值，求得的期望值作为所述移动物体在
Figure 101610DEST_PATH_IMAGE013
时刻的状态预测量；
Figure 265875DEST_PATH_IMAGE022
为第
Figure 445184DEST_PATH_IMAGE004
个所述测速定位装置对应的所述移动物体在
Figure 985887DEST_PATH_IMAGE013
时刻的状态预测量，
Figure 52194DEST_PATH_IMAGE023
为第
Figure 652939DEST_PATH_IMAGE004
个所述测速定位装置对应的所述移动物体在从
Figure 319544DEST_PATH_IMAGE013
时刻推算到
Figure 663938DEST_PATH_IMAGE015
时刻的状态预测量，
Figure 83287DEST_PATH_IMAGE024
为
Figure 792617DEST_PATH_IMAGE023
的均方误差预测量，
Figure 8834DEST_PATH_IMAGE025
为第
Figure 579755DEST_PATH_IMAGE004
个所述测速定位装置对应的所述移动物体在
Figure 932239DEST_PATH_IMAGE013
时刻均方误差预测量，
Figure 937104DEST_PATH_IMAGE026
为所述第
Figure 375039DEST_PATH_IMAGE027
个测速定位装置对应的系统噪声移动矩阵，
Figure 998918DEST_PATH_IMAGE028
表示系统噪声协方差。
2.根据权利要求1所述的测速定位方法，其特征在于，所述移动物体为磁浮列车，所述多个测速定位装置包括3个所述定位侧装置，第一个为北斗导航系统，第二个为惯性导航系统，第三个为多普勒雷达系统。
3.根据权利要求2所述的测速定位方法，其特征在于，所述多个测速定位装置中的第
Figure 205909DEST_PATH_IMAGE029
个测速定位装置对应的离散状态方程为：
Figure 319358DEST_PATH_IMAGE030
，第
Figure 763083DEST_PATH_IMAGE029
个测速定位装置对应的所述测量方程为：
Figure 987391DEST_PATH_IMAGE031
，
其中，
Figure 252150DEST_PATH_IMAGE032
为
Figure 536501DEST_PATH_IMAGE033
时刻所述磁浮列车的采集状态量，所述采集状态量的状态变量包括所述第i个测速定位装置采集的磁浮列车的位置信息
Figure 135978DEST_PATH_IMAGE034
和速度
Figure 163977DEST_PATH_IMAGE035
，
Figure 345560DEST_PATH_IMAGE036
为所述第
Figure 738495DEST_PATH_IMAGE027
个测速定位装置对应的系统噪声移动矩阵；
Figure 638318DEST_PATH_IMAGE037
为所述第
Figure 892844DEST_PATH_IMAGE038
个测速定位装置对应状态一步转移矩阵，
Figure 928933DEST_PATH_IMAGE039
为所述第
Figure 758349DEST_PATH_IMAGE040
个测速定位装置对应的
Figure 879888DEST_PATH_IMAGE041
时刻的前一时刻
Figure 249690DEST_PATH_IMAGE042
的系统噪声，
Figure 592815DEST_PATH_IMAGE043
为所述第
Figure 389870DEST_PATH_IMAGE040
个测速定位装置对应的所述测量状态量，
Figure 890384DEST_PATH_IMAGE044
为所述第
Figure 798297DEST_PATH_IMAGE040
个测速定位装置测量矩阵，
Figure 746661DEST_PATH_IMAGE045
为所述第
Figure 714617DEST_PATH_IMAGE040
个测速定位装置测量噪声。
4.根据权利要求3所述的测速定位方法，其特征在于，将所述惯性导航系统和多普勒雷达系统所采集的所述磁浮列车的状态相关信息进行数据处理，以获得各个所述采集状态量的数据处理过程中，根据反馈的所述融合状态预测量对所述处理过程中获得的所述磁浮列车的位置信息进行误差补偿。
5.根据权利要求4所述的测速定位方法，其特征在于，还包括，初始化执行所述测速定位方法的测速定位系统，以给定初始时刻的各个所述子状态预测量的初始值和各个所述均方误差预测量的初始值，所述联邦卡尔曼滤波器模型根据各个所述子状态预测量的初始值、各个所述均方误差预测量的初始值以及根据当前时刻的所述测量状态量计算获得当前时刻的所述融合状态预测量。
6.一种基于多源信息融合的移动物体的测速定位系统，其特征在于，包括：测速定位模块、通信模块、信息处理模块、数据存储模块和定位输出模块，
所述测速定位模块包括多个测速定位装置，多个所述测速定位装置分别实时采集所述移动物体的状态相关信息，以获得各个采集状态量，所述采集状态量包括所述移动物体的位置信息和速度信息，
所述信息处理模块通过构建包括与所述多个测速定位装置对应的子滤波器和一个主滤波器联邦卡尔曼滤波模型，确定各个所述测速定位装置对应的离散状态方程和测量方程，以分别根据当前时刻上一时刻的各个所述采集状态量和各个所述采集状态量对应的所述状态方程和测量方程计算获取用于与各个所述测速定位装置对应的用于表征所述移动物体在当前时刻的状态相关信息的各个测量状态量，
所述信息处理模块通过各个所述子滤波器根据当前时刻的各个所述测量状态量分别计算出当前时刻的所述移动物体的状态相关信息的各个子状态预测量和各个与所述子状态预测量对应的子均方误差预测量，并通过所述主滤波器将当前时刻的各个所述子状态预测量和子均方误差预测量分别进行融合，以将获得融合状态预测量和融合均方误差预测量，
所述定位输出模块根据所述信息处理模块产生的信息输出所述移动物体的定位测速结果，
所述数据存储模块用于存储所述通信模块传输来的各种数据和所述信息处理模块的处理过程中所产生的各个数据，以为所述信息处理模块进行信息处理提供数据；
所述主滤波器将获得所述融合状态预测量反馈至至少部分所述的各个所述子滤波器中，使得各个所述子滤波器中产生所述子状态预测量与所述融合状态预测量之间的差值不断减小，以及将所述融合均方误差预测量
Figure 997700DEST_PATH_IMAGE046
的倒数与设定的各个权重分配系数相乘后分别反馈到各个所述子滤波器，以在各个所述子滤波器中按照公式
Figure 709304DEST_PATH_IMAGE047
来更新优化各个所述子均方误差预测量
Figure 777754DEST_PATH_IMAGE048
，所述
Figure 916612DEST_PATH_IMAGE049
为
Figure 234460DEST_PATH_IMAGE050
个所述测速定位装置的编号，
Figure 579116DEST_PATH_IMAGE051
，
Figure 564390DEST_PATH_IMAGE052
为第
Figure 61099DEST_PATH_IMAGE053
个所述测速定位装置对应的所述权重分配系数，
Figure 866244DEST_PATH_IMAGE009
，所述
Figure 857334DEST_PATH_IMAGE054
为所述时刻的编号，
各个所述测速定位装置在对应速度范围内的测速定位精确度越高，所述测速定位装置对应的所述权重分配系数越高，
所述测速定位系统还包括工作状态检测模块，用于检测各个所述测速定位装置是否处于故障状态，以向所述主滤波器输出故障指示信号，
所述主滤波器将出现故障的所述测速定位装置对应的所述权重分配系数设置为0，且将所述出现故障的所述测速定位装置对应的所述权重分配系数按照所述移动物体在所述故障期间的速度和其它非故障的所述定位装置在对应速度内的测速定位精确度分给未出现故障的各个所述测速定位装置对应的各个子滤波器中，
且在所述故障期间，所述信息处理模块根据出现所述故障前一时刻的所述测量状态量和当前时刻的所述测量状态量、融合状态预测值推算所述故障期间的各个时刻的所述融合状态预测量和融合均方误差预测量。
7.根据权利要求6所述测速定位系统，所述移动物体为磁浮列车，所述磁浮列车的运动模型为匀加速运动模型，所述多个测速定位装置中的第一个为北斗导航系统，第二个为惯性导航系统，第三个为多普勒雷达系统，其中，所述惯性导航系统为捷联式惯性导航系统，
所述信息处理模块所述融合状态预测量反馈至所述惯性导航系统和多普勒雷达系统中，以在所述惯性导航系统和多普勒雷达系统获得各个所述采集状态量过程中，根据反馈的所述融合状态预测量对所述处理过程中获得的所述磁浮列车的位置信息进行误差补偿。
CN202010680823.9A 2020-07-15 2020-07-15 基于多源信息融合的移动物体的测速定位方法和系统 Active CN111854742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680823.9A CN111854742B (zh) 2020-07-15 2020-07-15 基于多源信息融合的移动物体的测速定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680823.9A CN111854742B (zh) 2020-07-15 2020-07-15 基于多源信息融合的移动物体的测速定位方法和系统

Publications (2)

Publication Number Publication Date
CN111854742A CN111854742A (zh) 2020-10-30
CN111854742B true CN111854742B (zh) 2022-06-21

Family

ID=72984527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680823.9A Active CN111854742B (zh) 2020-07-15 2020-07-15 基于多源信息融合的移动物体的测速定位方法和系统

Country Status (1)

Country Link
CN (1) CN111854742B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112722008A (zh) * 2021-01-27 2021-04-30 吉林云帆智能工程有限公司 一种客运轨道车辆安全管理系统
CN113359171B (zh) * 2021-05-17 2023-03-14 交控科技股份有限公司 基于多传感器融合的定位方法、装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106679693A (zh) * 2016-12-14 2017-05-17 南京航空航天大学 一种基于故障检测的矢量信息分配自适应联邦滤波方法
CN110095800A (zh) * 2019-04-19 2019-08-06 南京理工大学 一种多源融合的自适应容错联邦滤波组合导航方法
CN110823217A (zh) * 2019-11-21 2020-02-21 山东大学 一种基于自适应联邦强跟踪滤波的组合导航容错方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8296065B2 (en) * 2009-06-08 2012-10-23 Ansaldo Sts Usa, Inc. System and method for vitally determining position and position uncertainty of a railroad vehicle employing diverse sensors including a global positioning system sensor
CN103487822A (zh) * 2013-09-27 2014-01-01 南京理工大学 北斗/多普勒雷达/惯性自主式组合导航系统及其方法
CN105501256B (zh) * 2015-12-23 2017-05-31 中国铁道科学研究院通信信号研究所 一种中低速磁悬浮列车组合测速定位装置
CN109522591A (zh) * 2018-10-10 2019-03-26 中南大学 一种应用于中高速磁浮列车的数据融合方法
CN109737959A (zh) * 2019-03-20 2019-05-10 哈尔滨工程大学 一种基于联邦滤波的极区多源信息融合导航方法
CN111189441B (zh) * 2020-01-10 2023-05-12 山东大学 一种多源自适应容错联邦滤波组合导航系统及导航方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106679693A (zh) * 2016-12-14 2017-05-17 南京航空航天大学 一种基于故障检测的矢量信息分配自适应联邦滤波方法
CN110095800A (zh) * 2019-04-19 2019-08-06 南京理工大学 一种多源融合的自适应容错联邦滤波组合导航方法
CN110823217A (zh) * 2019-11-21 2020-02-21 山东大学 一种基于自适应联邦强跟踪滤波的组合导航容错方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于联邦卡尔曼滤波器的多源信息融合定位算法;张靖等;《导弹与航天运载技术》;20180410(第02期);全文 *
磁浮列车测速定位中的信息融合研究;李晓龙等;《电子科技大学学报》;20130130(第01期);全文 *

Also Published As

Publication number Publication date
CN111854742A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
JP6198933B2 (ja) 自動列車運行システム及びブレーキ制御装置
CN107402006B (zh) 基于轨道几何特征信息匹配的列车精密定位方法和系统
KR970008025B1 (ko) 차량에 장착한 차량정보측정장치를 이용한 트래픽제어시스템
CN102251451B (zh) 基于多源信息融合的轨道几何状态测量方法
Albrecht et al. A precise and reliable train positioning system and its use for automation of train operation
CN111854742B (zh) 基于多源信息融合的移动物体的测速定位方法和系统
CN107389064A (zh) 一种基于惯性导航的无人车变道控制方法
CN108454652A (zh) 一种安全可靠的实时测速和连续定位的方法、装置及系统
CN102180187B (zh) 一种铁路轨道高低高精度检测装置和检测方法
CN111267912B (zh) 基于多源信息融合的列车定位方法和系统
CN103612649A (zh) 基于激光多普勒测速的列车精确定位方法及装置
CN103644888B (zh) 一种用于检测桥梁形变的惯性基准测量方法
CN103354030B (zh) 利用浮动公交车can总线信息判别道路交通状况的方法
CN110907976A (zh) 基于北斗卫星的高速铁路组合导航系统
CN114132358B (zh) 一种多平台智能化轨道综合检测系统
CN110203253A (zh) 一种非固定式虚拟应答器实现方法
CN102980589A (zh) 一种通过gps速度自动计算车辆脉冲系数的方法及装置
CN101807348B (zh) 一种动态网络导航系统及方法
CN116358515A (zh) 一种低速无人驾驶系统的建图定位方法与装置
Zhou et al. Onboard train localization based on railway track irregularity matching
CN114136275A (zh) 一种轨道线路状态检测装置及路基沉降检测方法
CN102980592A (zh) 一种通过gps经纬度自动计算车辆脉冲系数的方法及装置
CN112578420B (zh) 一种基于卫星定位的机车运行状态检测方法
Xi et al. Map matching algorithm and its application
Liu et al. Position and Speed Measuring Method of Maglev Train Based on Federal Kalman Filter and Information Fusion

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