CN113295161B - 一种多源信息融合的超高速磁悬浮列车车载测速定位装置 - Google Patents
一种多源信息融合的超高速磁悬浮列车车载测速定位装置 Download PDFInfo
- Publication number
- CN113295161B CN113295161B CN202010111890.9A CN202010111890A CN113295161B CN 113295161 B CN113295161 B CN 113295161B CN 202010111890 A CN202010111890 A CN 202010111890A CN 113295161 B CN113295161 B CN 113295161B
- Authority
- CN
- China
- Prior art keywords
- speed
- inertial navigation
- matrix
- time
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000005339 levitation Methods 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000000827 velocimetry Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
Abstract
一种多源信息融合的车载测速定位装置,包括车载测速装置、车载定位装置、多传感器融合模块,所述的车载测速装置包括惯性导航、多普勒雷达、主动应答器;所述主动应答器包括激光发射装置,激光接收装置;所述车载定位装置包括惯性导航、电子地图。将车载测速装置及车载定位装置的数据传输至多传感器融合模块,多传感器融合模块采用卡尔曼滤波算法融合后输出最优测速、定位信息。本发明利用多普勒雷达和惯性导航的速度差作为观测量进行滤波,实现速度校正,引入主动应答器校正位置误差,通过卡尔曼滤波技术实现最优估计。引入电子地图,使用卡尔曼滤波实现对导航位置信息的最优估计。
Description
技术领域
本发明涉及车载测速定位领域,特别是超高速磁悬浮列车的车载测速定位。
背景技术
超高速磁悬浮列车是指时速超过1000km/h的列车,超高速磁悬浮列车运行时如果出现某种故障导致紧急停车及其他突发情况,需要启动应急预案,保障乘客能够安全撤离,因此获取超高速磁悬浮列车在管道中的相对位置具有重要的意义,同时实时获取位置信息也为超高速磁悬浮列车在真空管道的环境下的牵引与控制提供重要的信息。但是由于管道内电磁环境相对复杂,现有技术无法保证超高速磁悬浮列车在超高速运行的环境下获得高可靠车载定位、测速数据。
发明内容
为解决上述问题,本发明提出了一种多源信息融合的超高速磁悬浮列车车载测速定位装置。
一种多源信息融合的超高速磁悬浮列车车载测速定位装置,包括车载测速装置、车载定位装置、多传感器融合模块;所述的车载测速装置包括惯性导航、多普勒雷达、主动应答器;惯性导航安装在超高速磁悬浮列车车体内部,用于提供超高速磁悬浮列车车体速度和相对位置信息;多普勒雷达安装在超高速磁悬浮列车车体外部,多普勒雷达发射激光,同时接收经过墙壁反射回来的激光;主动应答器包括激光发射装置和激光接收装置;激光发射装置安装于管道内,每隔5-10Km布置一个,将超高速磁悬浮列车绝对位置形成激光编码,用于向超高速磁悬浮列车发送激光编码信号;激光接收装置安装在超高速磁悬浮列车外部,超高速磁悬浮列车通过时,激光接收装置读取激光发射装置的激光编码,获得超高速磁悬浮列车当前精准位置信息,此信息用来校准惯性导航装置的误差;多普勒雷达用于校准惯性导航所提供的速度信息,并由此获得超高速磁悬浮列车车体和上一个主动应答器的相对位置信息;惯性导航、多普勒雷达、激光接收装置通过串口协议,将惯性导航数据、多普勒雷达数据、主动应答器数据传送给多传感器融合模块,多传感器融合模块利用数据协议对获得的上述数据进行解析;所述车载定位装置包括惯性导航和电子地图,电子地图具有位置信息,惯性导航及电子地图数据均传送至多传感器融合模块;多传感器融合模块采用卡尔曼滤波算法融合后输出最终测速定位数据。
进一步,所述多传感器融合模块利用的数据协议包括惯导协议和测速仪协议;
惯导协议具体如下:
a)输出方向:系统输出实时导航数据;
b)更新频率:100Hz;
c)串口形式:RS422或RS232,波特率115200bps,8位数据位,1位起始位,1位停止位,无校验;
d)通信协议:见表1;
表1数据协议
测速仪协议具体如下:
a)输出方向:系统输出实时速度数据;
b)更新频率:100Hz;
c)串口形式:RS422或RS232,波特率115200bps,8位数据位,1位起始位,1位停止位,无校验;
通信协议说明:
信号共输出14个字节,其中1-4字节为帧头0x99,0x98,0x97,0x96;5-8字节为速度值;9-12字节为内部测试因子,13字节为帧序号,14字节为校验和;
速度计算公式为:
校验和为5-13字节之和。
进一步,所述卡尔曼滤波算法具体如下:
惯性导航和多普勒雷达组合状态量选取:姿态(φN φE φD)、速度(δVN δVEδVD)、位置(δL δλ δh)、加速度计零偏(εx εy εz)、陀螺零偏惯导俯仰角安装误差θ,惯导航向角安装误差/>测速仪比例因子误差K,/>为测速仪到惯性导航杆臂误差。
组合导航选取惯性导航和多普勒雷达的速度的误差值作为观测量:
Φk/k-1为标准状态矩阵,为k-1时刻组合状态量,w扰动噪声,/>为组合状态量的预测变量,
获得状态一步预测均方误差:
Pk/k-1为预测协方差矩阵,Φk/k-1为标准状态矩阵,Pk-1为k-1时刻的协方差矩阵,标准状态矩阵的转置矩阵,Qk-1为k-1时刻的系统噪声方差,
获得卡尔曼滤波增益:
Kk为k时刻的卡尔曼滤波增益,Pk/k-1为预测协方差矩阵,为k时刻的量测矩阵的转置矩阵,Hk为k时刻的量测矩阵,Rk为k时刻的传感器噪声,
获得状态估计:
为k时刻组合状态量,/>为组合状态量的预测变量,Kk为k时刻的卡尔曼滤波增益,Zk为传感器读数之差,Hk为k时刻的量测矩阵
获得状态估计均方误差:
Pk=(I-KkHk)Pk/k-1 (5)
Pk为k时刻的协方差矩阵,I为单位矩阵,Kk为k时刻的卡尔曼滤波增益,Hk为k时刻的量测矩阵,Pk/k-1为预测协方差矩阵,
利用k-1阶段的最优估计加上现阶段的扰动项获得预测变量/>利用k-1阶段的协方差矩阵与系统噪声方差获得预测协方差矩阵Pk/k-1,利用已经获得的预测协方差矩阵Pk/k-1,系统已知的量测矩阵Hk,传感器噪声Rk,获得k时刻的卡尔曼滤波增益Kk。在获得k时刻的卡尔曼虑波增益Kk,预测变量/>传感器参读数之差Zk,量测矩阵Hk后,可获得k时刻最优估计/>即公式4的输出,利用k时刻的卡尔曼虑波增益Kk,系统已知的量测矩阵Hk,预测协方差矩阵Pk/k-1,获得K时刻的协方差矩阵。上述步骤完成k时刻的滤波过程。
进一步,在主动应答器、多普勒雷达及惯性导航完成车载测速定位装置的基础上,增加机器学习模块,将当前时刻各传感器获得的超高速磁悬浮列车的行驶方向、速度、加速度、位置、曲率信息做为输入信息,通过构建马尔科夫模型,将各测量节点参数融合,构建轨迹转移矩阵,对当前位置转移到下一时刻其他位置的概率的预测,利用历史数据挖掘各测量节点间的频繁项,构造关联观测,实现轨迹预测、从历史测量数据中分析某种非线性的对应关系,建立这些运动信息与位置的对应关系,利用历史数据样本实现基于机器学习的多源信息融合的车载测速定位。
本发明提出的一种多源信息融合的超高速磁悬浮列车车载测速、定位装置,具有不依赖于外部信息输入的自主定位测速功能。惯性导航是一种典型的自主导航系统,通过陀螺仪、加速度计等器件提供运动物体的加速度、转角等信息,经过积分等运算获取到运动物体的姿态、位置、速度等导航参数,但惯性导航存在一个典型缺陷,即随时间增长测量到的运动参数存在着累积误差。为了修正测量误差,本发明在惯性导航基础上引入了位移校正、速度校正机制。其中位移校正原理通过主动应答器反馈精确位置信息,速度校正原理通过多普勒雷达反馈精确速度信息,最后通过设计的卡尔曼滤波器实现多源传感器信息的融合,实时修正惯性传感器的漂移误差,从而实现装置具备长时间的精确定位测速功能。
附图说明
图1为本发明组成示意图,
图2为基于机器学习的车载测速定位装置组成示意图,
图3为多源信息融合算法框图,
图4为车载测速定位装置安装布局示意图,
图5为某时刻超高速磁悬浮列车的运动状态与列车轨道的关系示意图,
图6为机器学习模型示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
一种多源信息融合的超高速磁悬浮列车车载测速定位装置,如图1、图4所示,包括车载测速装置、车载定位装置、多传感器融合模块。所述的车载测速装置包括惯性导航、多普勒雷达、主动应答器;惯性导航安装在超高速磁悬浮列车车体内部,用于提供超高速磁悬浮列车车体速度和相对位置信息;多普勒雷达安装在超高速磁悬浮列车车体外部,多普勒雷达发射激光,同时接收经过墙壁反射回来的激光;主动应答器包括激光发射装置和激光接收装置;激光发射装置安装于管道内,每隔5-10Km布置一个,将超高速磁悬浮列车绝对位置形成激光编码,用于向超高速磁悬浮列车发送激光编码信号;激光接收装置安装在超高速磁悬浮列车外部,超高速磁悬浮列车通过时,激光接收装置读取激光发射装置的激光编码,获得超高速磁悬浮列车当前精准位置信息,此信息用来校准惯性导航装置的误差;在5km距离范围内多普勒雷达用于校准惯性导航所提供的速度信息,并由此获得超高速磁悬浮列车车体和上一个主动应答器的相对位置信息。惯性导航通过列车运行的姿态变换获得姿态、位置、速度数据;多普勒雷达利用接收激光与发射激光的频率变化获得速度信息。惯性导航、多普勒雷达、激光接收装置通过串口协议,将惯性导航数据、多普勒雷达数据、主动应答器数据传送给多传感器融合模块,多传感器融合模块利用数据协议对获得的上述数据进行解析。所述车载定位装置包括惯性导航和电子地图,电子地图具有位置信息,惯性导航及电子地图数据均传送至多传感器融合模块。多传感器融合模块采用卡尔曼滤波算法融合后输出最终测速定位数据。
多传感器融合模块利用的数据协议包括惯导协议和测速仪协议。
惯导协议具体如下:
a)输出方向:系统输出实时导航数据;
b)更新频率:100Hz;
c)串口形式:RS422或RS232,波特率115200bps,8位数据位,1位起始位,1位停止位,无校验;
d)通信协议:见表1。
表1数据协议
测速仪协议具体如下:
a)输出方向:系统输出实时速度数据;
b)更新频率:100Hz;
c)串口形式:RS422或RS232,波特率115200bps,8位数据位,1位起始位,1位停止位,无校验;
通信协议说明:
信号共输出14个字节,其中1-4字节为帧头0x99,0x98,0x97,0x96;5-8字节为速度值;9-12字节为内部测试因子,13字节为帧序号,14字节为校验和。
速度计算公式为:
校验和为5-13字节之和。
卡尔曼滤波算法具体如下:
惯性导航和多普勒雷达组合状态量选取:姿态(φN φE φD)、速度(δVN δVE δVD)、位置(δL δλ δh)、加速度计零偏(εx εy εz)、陀螺零偏惯导俯仰角安装误差θ,惯导航向角安装误差/>测速仪比例因子误差K,/>为测速仪到惯性导航杆臂误差。
组合导航选取惯性导航和多普勒雷达的速度的误差值作为观测量:
Φkfk-1为标准状态矩阵,为k-1时刻组合状态量,w扰动噪声,/>为组合状态量的预测变量
获得状态一步预测均方误差:
Pkfk-1为预测协方差矩阵,Φk/k-1为标准状态矩阵,Pk-1为k-1时刻的协方差矩阵,标准状态矩阵的转置矩阵,Qk-1为k-1时刻的系统噪声方差
获得卡尔曼滤波增益:
Kk为k时刻的卡尔曼滤波增益,Pk/k-1为预测协方差矩阵,为k时刻的量测矩阵的转置矩阵,Hk为k时刻的量测矩阵,Rk为k时刻的传感器噪声
获得状态估计:
为k时刻组合状态量,/>为组合状态量的预测变量,Kk为k时刻的卡尔曼滤波增益,Zk为传感器读数之差,Hk为k时刻的量测矩阵
获得状态估计均方误差:
Pk=(I-KkHk)Pk/k-1 (5)
Pk为k时刻的协方差矩阵,I为单位矩阵,Kk为k时刻的卡尔曼滤波增益,Hk为k时刻的量测矩阵,Pk/k-1为预测协方差矩阵,
利用k-1阶段的最优估计加上现阶段的扰动项获得预测变量/>利用k-1阶段的协方差矩阵与系统噪声方差获得预测协方差矩阵Pk/k-1,利用已经获得的预测协方差矩阵Pk/k-1,系统已知的量测矩阵Hk,传感器噪声Rk,获得k时刻的卡尔曼滤波增益Kk。在获得k时刻的卡尔曼虑波增益Kk,预测变量/>传感器参读数之差Zk,量测矩阵Hk后,可获得k时刻最优估计/>即公式4的输出,利用k时刻的卡尔曼虑波增益Kk,系统已知的量测矩阵Hk,预测协方差矩阵Pk/k-1,获得K时刻的协方差矩阵。上述步骤完成k时刻的滤波过程。
多源信息融合算法框架如图3所示,惯性导航通过自身的陀螺仪、加速度计信息通过惯性坐标系转换为当地坐标系获取运动物体的姿态、速度、位置信息,为了修正惯性导航自身引起的误差,引入多普勒雷达,利用多普勒雷达和惯性导航的速度差作为观测量进行滤波,实现校正速度误差,以卡尔曼滤波算法后的速度量为最优值。引入主动应答器通过激光发射装置发射激光编码,安装在车上的激光接收装置接收激光编码校正位置误差,以主动应答器提供的位置信息为最终值,校正位置信息。引入电子地图,利用惯性导航的位置数据与电子地图的位置数据的差别作为观测量,使用卡尔曼滤波实现对导航位置信息的最优估计,以卡尔曼滤波算法后的位置量为最优值。
某时刻超高速磁悬浮列车的运动状态与列车轨道的关系,如图5所示,超高速磁悬浮列车从A点运行到B点时,速度变化有:
v2为B点速度,v1为A点速度,t2为B点时间,t1为A点时间,a1为A点加速度,里程变化有:
s2为B点里程,s1为A点里程,t2为B点时间,t1为A点时间,v1为A点速度,当前曲率为:
K为A到B点曲率,Δ∝为A到B点的切线转角,Δs为A到B点的弧长,同时,利用超高速磁悬浮列车边界条件σ对上述条件进行有效判定。
有效判定为:
M(xm,ym)为当前轨道的中心点,若满足上式,则为有效,数据保留;不满足上式,则为无效,数据放弃。
进一步,本发明的一个优化实施例,是在主动应答器、多普勒雷达及惯性导航完成车载测速定位装置的基础上,增加机器学习模块,如图2所示,利用历史数据样本实现基于机器学习的多源信息融合的车载测速定位,目的是减少地面布置主动应答器的数量,减少依托地面精确定位部件,完全自主依托惯性导航、多普勒雷达、电子地图,实现满足要求的车载测速、定位。
所述机器学习模块,如图6所示,将当前时刻各传感器获得的超高速磁悬浮列车的行驶方向、速度、加速度、位置、曲率信息做为输入信息,通过构建马尔科夫模型,将各测量节点参数融合,构建轨迹转移矩阵,对当前位置转移到下一时刻其他位置的概率的预测,利用历史数据挖掘各测量节点间的频繁项,构造关联观测,实现轨迹预测、从历史测量数据中分析某种非线性的对应关系,建立这些运动信息与位置的对应关系,作为之后测量结果的参考、匹配和校准。
Claims (1)
1.一种多源信息融合的超高速磁悬浮列车车载测速定位装置,其特征是包括车载测速装置、车载定位装置、多传感器融合模块;所述的车载测速装置包括惯性导航、多普勒雷达、主动应答器;惯性导航安装在超高速磁悬浮列车车体内部,用于提供超高速磁悬浮列车车体速度和相对位置信息;多普勒雷达安装在超高速磁悬浮列车车体外部,多普勒雷达发射激光,同时接收经过墙壁反射回来的激光;主动应答器包括激光发射装置和激光接收装置;激光发射装置安装于管道内,每隔5-10Km布置一个,将超高速磁悬浮列车绝对位置形成激光编码,用于向超高速磁悬浮列车发送激光编码信号;激光接收装置安装在超高速磁悬浮列车外部,超高速磁悬浮列车通过时,激光接收装置读取激光发射装置的激光编码,获得超高速磁悬浮列车当前精准位置信息,此信息用来校准惯性导航装置的误差;多普勒雷达用于校准惯性导航所提供的速度信息,并由此获得超高速磁悬浮列车车体和上一个主动应答器的相对位置信息;惯性导航、多普勒雷达、激光接收装置通过串口协议,将惯性导航数据、多普勒雷达数据、主动应答器数据传送给多传感器融合模块,多传感器融合模块利用数据协议对获得的上述数据进行解析;所述车载定位装置包括惯性导航和电子地图,电子地图具有位置信息,惯性导航及电子地图数据均传送至多传感器融合模块;多传感器融合模块采用卡尔曼滤波算法融合后输出最终测速定位数据;
所述多传感器融合模块利用的数据协议包括惯导协议和测速仪协议;
惯导协议具体如下:
a)输出方向:系统输出实时导航数据;
b)更新频率:100Hz;
c)串口形式:RS422或RS232,波特率115200bps,8位数据位,1位起始位,1位停止位,无校验;
d)通信协议:见表1;
表1数据协议
测速仪协议具体如下:
a)输出方向:系统输出实时速度数据;
b)更新频率:100Hz;
c)串口形式:RS422或RS232,波特率115200bps,8位数据位,1位起始位,1位停止位,无校验;
通信协议说明:
信号共输出14个字节,其中1-4字节为帧头0x99,0x98,0x97,0x96;5-8字节为速度值;9-12字节为内部测试因子,13字节为帧序号,14字节为校验和;
速度计算公式为:
校验和为5-13字节之和;
所述卡尔曼滤波算法具体如下:
惯性导航和多普勒雷达组合状态量选取:姿态(φNφN φEφE φDφD)、速度(δVN δVN δVE δVEδVD δVD)、位置(δL δL δλ δλ δhδh)、加速度计零偏(εxεx εyεy εzεz)、陀螺零偏惯导俯仰角安装误差θ,惯导航向角安装误差/>测速仪比例因子误差K,/>为测速仪到惯性导航杆臂误差;
组合导航选取惯性导航和多普勒雷达的速度的误差值作为观测量:
Φk/k-1Φk/k-1为标准状态矩阵,为k-1时刻组合状态量/>为k-1时刻组合状态量w扰动噪声w扰动噪声,/>为组合状态量的预测变量,
获得状态一步预测均方误差:
Pk/k-1为预测协方差矩阵Pk/k-1为预测协方差矩阵,Φk/k-1Φk/k-1为标准状态矩阵,Pk-1Pk-1为k-1时刻的协方差矩阵,标准状态矩阵的转置矩阵/>标准状态矩阵的转置矩阵,Qk-1为k-1时刻的系统噪声方差Qk-1为k-1时刻的系统噪声方差
获得卡尔曼滤波增益:
Kk为k时刻的卡尔曼滤波增益,Pk/k-1为预测协方差矩阵Kk为k时刻的卡尔曼滤波增益,Pk/k-1为预测协方差矩阵为k时刻的量测矩阵的转置矩阵,HkHk为k时刻的量测矩阵,RkRk为k时刻的传感器噪声,
获得状态估计:
为k时刻组合状态量/>为k时刻组合状态量,/>为组合状态量的预测变量,Kk为k时刻的卡尔曼滤波增益Kk为k时刻的卡尔曼滤波增益,ZkZk为传感器读数之差,HkHk为k时刻的量测矩阵
获得状态估计均方误差:
Pk=(I-KkHk)Pk/k-1 (5)
PkPk为k时刻的协方差矩阵,I为单位矩阵I为单位矩阵,Kk为k时刻的卡尔曼滤波增益Kk为k时刻的卡尔曼滤波增益,HkHk为k时刻的量测矩阵,Pk/k-1为预测协方差矩阵Pk/k-1为预测协方差矩阵,
利用k-1阶段的最优估计加上现阶段的扰动项获得预测变量/>利用k-1阶段的协方差矩阵与系统噪声方差获得预测协方差矩阵Pk/k-1Pk/k-1,利用已经获得的预测协方差矩阵Pk/k-1Pk/k-1,系统已知的量测矩阵HkHk,传感器噪声RkRk,获得k时刻的卡尔曼滤波增益KkKk;在获得k时刻的卡尔曼虑波增益KkKk,预测变量/>传感器参读数之差zk之差zk,量测矩阵HkHk后,可获得k时刻最优估计/>即公式4的输出,利用k时刻的卡尔曼虑波增益KkKk,系统已知的量测矩阵HkHk,预测协方差矩阵Pk/k-1Pk/k-1,获得K时刻的协方差矩阵;上述步骤完成k时刻的滤波过程;
还包括一个机器学习模块,将当前时刻各传感器获得的超高速磁悬浮列车的行驶方向、速度、加速度、位置、曲率信息做为输入信息,通过构建马尔科夫模型,将各测量节点参数融合,构建轨迹转移矩阵,对当前位置转移到下一时刻其他位置的概率的预测,利用历史数据挖掘各测量节点间的频繁项,构造关联观测,实现轨迹预测、从历史测量数据中分析某种非线性的对应关系,建立这些运动信息与位置的对应关系,利用历史数据样本实现基于机器学习的多源信息融合的车载测速定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111890.9A CN113295161B (zh) | 2020-02-24 | 2020-02-24 | 一种多源信息融合的超高速磁悬浮列车车载测速定位装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111890.9A CN113295161B (zh) | 2020-02-24 | 2020-02-24 | 一种多源信息融合的超高速磁悬浮列车车载测速定位装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113295161A CN113295161A (zh) | 2021-08-24 |
CN113295161B true CN113295161B (zh) | 2023-11-03 |
Family
ID=77317852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111890.9A Active CN113295161B (zh) | 2020-02-24 | 2020-02-24 | 一种多源信息融合的超高速磁悬浮列车车载测速定位装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113295161B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413885B (zh) * | 2021-12-22 | 2024-05-24 | 华人运通(上海)自动驾驶科技有限公司 | 基于多传感器融合定位的时间同步方法及系统 |
CN114295858B (zh) * | 2021-12-31 | 2023-09-26 | 江苏集萃智能光电系统研究所有限公司 | 基于多源数据融合的列车车速采集与相机触发方法及装置 |
CN114545022A (zh) * | 2022-01-28 | 2022-05-27 | 中国科学院电工研究所 | 一种高速直线电机定位测速实时仿真方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103612649A (zh) * | 2013-11-25 | 2014-03-05 | 成都南中软易科技有限公司 | 基于激光多普勒测速的列车精确定位方法及装置 |
CN107976697A (zh) * | 2017-11-30 | 2018-05-01 | 中国铁路总公司 | 一种基于北斗/gps组合的列车安全定位方法及系统 |
CN108725520A (zh) * | 2018-06-22 | 2018-11-02 | 中国铁道科学研究院集团有限公司通信信号研究所 | 适用于低密度铁路的列车运行控制系统 |
CN108983270A (zh) * | 2018-06-14 | 2018-12-11 | 兰州晨阳启创信息科技有限公司 | 一种基于多传感器融合的列车安全定位系统及方法 |
CN110789575A (zh) * | 2019-11-13 | 2020-02-14 | 交控科技股份有限公司 | 适用于高原稀疏铁路的列车运行控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6641090B2 (en) * | 2001-01-10 | 2003-11-04 | Lockheed Martin Corporation | Train location system and method |
-
2020
- 2020-02-24 CN CN202010111890.9A patent/CN113295161B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103612649A (zh) * | 2013-11-25 | 2014-03-05 | 成都南中软易科技有限公司 | 基于激光多普勒测速的列车精确定位方法及装置 |
CN107976697A (zh) * | 2017-11-30 | 2018-05-01 | 中国铁路总公司 | 一种基于北斗/gps组合的列车安全定位方法及系统 |
CN108983270A (zh) * | 2018-06-14 | 2018-12-11 | 兰州晨阳启创信息科技有限公司 | 一种基于多传感器融合的列车安全定位系统及方法 |
CN108725520A (zh) * | 2018-06-22 | 2018-11-02 | 中国铁道科学研究院集团有限公司通信信号研究所 | 适用于低密度铁路的列车运行控制系统 |
CN110789575A (zh) * | 2019-11-13 | 2020-02-14 | 交控科技股份有限公司 | 适用于高原稀疏铁路的列车运行控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113295161A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113295161B (zh) | 一种多源信息融合的超高速磁悬浮列车车载测速定位装置 | |
US5902351A (en) | Apparatus and method for tracking a vehicle | |
CN109000640B (zh) | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 | |
Mirabadi et al. | Application of sensor fusion to railway systems | |
EP2187170B1 (en) | Method and system for estimation of inertial sensor errors in remote inertial measurement unit | |
US8756001B2 (en) | Method and apparatus for improved navigation of a moving platform | |
CN106840154B (zh) | 地下空间惯性测量与无线传感器组合定位系统与方法 | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
US20030216865A1 (en) | Inertial navigation system for mobile objects with constraints | |
US8548731B2 (en) | Navigation method, navigation system, navigation device, vehicle provided therewith and group of vehicles | |
CN108345021B (zh) | 一种多普勒雷达辅助gps/ins车辆测速方法 | |
CN110702091A (zh) | 一种沿地铁轨道移动机器人的高精度定位方法 | |
CN114088091B (zh) | 一种基于多传感器的井工矿位姿融合方法和系统 | |
CN109781098A (zh) | 一种列车定位的方法和系统 | |
US20230182790A1 (en) | Method for calculating an instantaneous velocity vector of a rail vehicle and corresponding system | |
CN111323012A (zh) | 载体高动态环境下的ins辅助dvl测速误差补偿方法 | |
CN111207743A (zh) | 基于编码器与惯性设备紧耦合实现厘米级精确定位的方法 | |
CN114323003A (zh) | 一种基于umb、imu及激光雷达的井工矿融合定位方法 | |
CN116224407B (zh) | 一种gnss和ins组合导航定位方法及系统 | |
WO2007105294A1 (ja) | ビークル走行軌跡計測装置 | |
CN111693044A (zh) | 一种融合定位方法 | |
CN116659496A (zh) | 激光测距仪与加速度计组合的机器人导航定位系统及方法 | |
JPH09280877A (ja) | 車載用ナビゲーション装置 | |
Parviainen et al. | Doppler radar and MEMS gyro augmented DGPS for large vehicle navigation | |
MXPA96004150A (en) | Navigating system vehicu |
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 |