CN109709592A - 一种北斗辅助列车定位算法 - Google Patents
一种北斗辅助列车定位算法 Download PDFInfo
- Publication number
- CN109709592A CN109709592A CN201811522448.4A CN201811522448A CN109709592A CN 109709592 A CN109709592 A CN 109709592A CN 201811522448 A CN201811522448 A CN 201811522448A CN 109709592 A CN109709592 A CN 109709592A
- Authority
- CN
- China
- Prior art keywords
- train
- filtering
- track
- filter
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 57
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000013179 statistical model Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000001568 sexual effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种北斗辅助列车定位算法,针对列车定位的高安全性和稳定性要求,结合列车行驶的特殊性,提出采用铁路轨道信息对北斗定位数据进行约束的H∞滤波算法,以模糊自适应“当前”统计模型为基础建立列车运动模型,通过将轨道近似为直线段,建立轨道约束模型,将轨道约束与H∞滤波器结合实现轨道约束H∞滤波算法,通过仿真对比分析了H∞滤波与卡尔曼滤波、约束与无约束估计的误差,仿真结果表明:轨道约束在提高算法定位精度方面效果明显,H∞滤波在列车位置估计上具有鲁棒性优势,验证了轨道约束H∞滤波算法的有效性,对北斗辅助列车定位的工程应用具有理论指导意义。
Description
技术领域
本发明涉及列车定位算法技术领域,尤其涉及一种北斗辅助列车 定位算法。
背景技术
铁路运输具有单位能耗低、单次运量大、环境适应性强等特点, 特别适合运输重载货物,其中部分高附加值货物关系到国家政治、军 事以及民生等广泛利益。无论人员运输还是货物运输,提高铁路*** 运输安全以及对铁路运输进行有效管理成为我国经济和社会发展中 日趋紧迫的任务。欧美国家一直在用卫星定位跟踪技术为铁路运输提 供有力的安全运行保障。对于现代铁路运输***来说,列车的跟踪与 定位是其运行基础。随着科技进步,对列车的定位与控制要求越来越 高,而全球导航卫星***(Global NavigationSatellite System, GNSS)在其中具有重要的应用价值。以GPS为代表的GNSS***在列 车运行的定位解算、信息融合、安全评估等方面的应用发展迅速,欧 美国家在此方面已有多年技术积累,从目前铁路***对于列车定位的 需求来看,基于GNSS的列车定位***的研究具有较大发展空间。
然而实践表明,利用国外卫星导航***资源具有很大的风险性, 不能满足我国对交通安全的要求。我国自主研发的北斗卫星导航*** (BeiDou Navigation SatelliteSystem,BDS)可军民两用,是国 家安全保障的技术支撑***,对铁路相关应用具有重要的发展与应用 潜力。
经过多年发展,BDS已经能够为我国铁路和公路等交通领域以及 经济和社会发展的各领域提供自主安全、高质量的卫星定位服务。尤 其是近两年来,随着北斗三代***的发射与组网以及北斗地基增强系 统的快速建设,逐步可以为全球用户提供更优质的定位、导航、授时 等服务。BDS作为一种全球卫星导航***可以全天候、连续地对列车 进行定位,具有实时定位精度高、成本低、维护方便等优势。同时, 准确的位置信息对列车安全可靠地运行也至关重要,铁路运输及调度 需要更为优化的列车定位技术。因此,对基于BDS的列车定位方法进 行深入研究,对于推动我国铁路运输业的发展具有重要意义。
目前,列车一般常用的定位方法是轨道电路定位和应答查询定位。 轨道电路定位法虽然简单有效,但是定位精度常会受到恶劣的气候和 工作环境的影响。同时随着轨道电路放置的间隔不同,定位精度也有 不同,其他的影响因素还有道砟阻抗和牵引电流等。应答查询定位可 实现高精度定位,但是只能进行定点跟踪定位,需要沿途铺设应答器 设备。测速定位是一种通过测量运行速度并根据时间推算距离,从而 计算出列车位置的定位方法,但是也存在定位误差积分影响。因此, 常规的列车跟踪定位方法无法实现对列车实时高精度跟踪定位。
BDS为列车安全运行提供了更多的定位信息与安全保障。但由于 卫星信号的强度容易受到周围环境因素的影响,包括面临卫星星座、 信号衰减与遮蔽、环境电磁干扰以及多径效应等多种因素,所以将 BDS用于列车定位时还需要寻求方法弥补其缺陷,以保证列车可以进 行连续准确可靠地定位,这也是北斗辅助列车定位的基础和前提。
由于卫星易受外界环境影响,为了保证在卫星定位失效的情况下 定位数据的持续输出,可以采用与惯性导航***信息融合的方法进行 辅助定位。这种方法具有容错能力强的优势。列车受各种影响因素, 其运动具有不确定性,无法认为是单一的匀速、匀加速和匀减速运动, 而且列车对定位的安全性和稳定性具有较高要求,所以鲁棒性算法更 具有实际应用意义。
卡尔曼滤波是GNSS/INS组合导航的主要算法之一,其设计思路是 出于最小线性方差估计。其限制条件之一是要求首先确定***噪声协 方差矩阵Q和量测噪声协方差矩阵R,而由于误差模型与真实***的 差异,Q阵和R阵具有一定的不确定性。H∞滤波算法具有很好的鲁棒 性,是针对Q阵、R阵和估计误差协方差阵未知的算法。其设计思路 来自博弈论,需要预先设置代价函数,再做极小值或者设置H∞范数 上界的求解。
H∞滤波的鲁棒性体现在对于未知统计特性的有界噪声均可以有效 处理,而卡尔曼滤波的建模以零均值的随机过程为噪声。同时H∞滤 波器以传递函数的范数最小或者小于预设值为目标。所以,相比卡尔 曼滤波器,H∞滤波器具有强鲁棒性。
H∞滤波能够有效抑制非高斯统计特性噪声的能力,结合轨道信息 后,可以更好地实现对列车的定位与追踪。所以,为了满足列车定位 实时性和鲁棒性的要求,采用H∞滤波算法融合BDS定位信息与轨道 约束信息,对列车进行定位解算。将轨道信息作为约束条件引人滤波 方程,其思路是在原有滤波的基础上,利用轨道信息约束条件,对滤 波方程中一步预测值的表达式作补充,即对一步预测值作修正,以改 善滤波结果。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种 北斗辅助列车定位算法。
为了实现上述目的,本发明采用了如下技术方案:
一种北斗辅助列车定位算法,包括建立***方程模型步骤、滤波 器初始化模型步骤和每一时刻状态估计步骤:
所述***方程模型包括有***的状态方程和量测方程、轨道约束 方程;
所述***的状态方程和量测方程如下:
式中:w,v分别是过程噪声和量测噪声,为不相关的白噪声;
轨道约束方程为Ay-bAx=0,约束已规范化,满足I为 单位矩阵;
所述滤波器初始化步骤的初始化状态和协方差P0如下:
所述每一时刻状态估计步骤为:
S1:选择可调参数矩阵Gk;
Gk为加权过程噪声的偏移分量;
S2:状态估计计算:
式中:Vk,Σk为中间变量,Pk+1为k+1时刻协方差,Kk为状态估计 增益,为k+1时刻状态估计;
S3:滤波器验证条件:
若满足滤波器验证条件,则回到步骤S1进行下一时刻估计;若 不满足滤波器验证条件,则滤波器无效,可以减小Gk并重新计算。
优选的,还有包括有分析验证步骤:
为了验证轨道约束H∞滤波算法,采用蒙特卡罗法对典型列车定 位场景进行仿真,对比卡尔曼滤波、轨道约束卡尔曼滤波、H∞滤波和 轨道约束H∞滤波四种算法的滤波结果;
在满足一定精度的前提下,曲线段轨道可以近似为多条一定长度 的直线段,并根据列车的当前位置选择相应的直线段轨道约束方程进 行约束,所以采用直线段仿真不失一般性;
假设列车行驶在某段直线轨道上,与东向坐标轴夹角为60°, 则列车状态向量为式列车的初始状态 为:
x0=[0 10 0 0 20 0]T
采样周期为1s,列车先后经过匀速运动周期、变加速运动周期、 匀速运动周期、匀减速运动周期,每个运动周期时长10s,加速度的 变化范围为[-5m/s2,5m/s2],对列车的北向和东向位置施加白噪声,其 方差为10m,模型具有***噪声协方差自适应能力,只需设量测噪声 协方差R=diag([100 100]),滤波器初始协方差为 P0=diag([100 100 25 100100 25]);
进行100次蒙特卡罗仿真实验,获取北向和东向不同时刻的平均 距离误差。
本发明的有益效果是:
1)对加速度极值进行模糊自适应调整的“当前”统计模型可以较 好地跟踪列车运行,可用于列车的实时定位。
2)由于列车轨道及运行的特殊性,可以通过将列车轨道近似为连 续直线段,建立线性轨道约束模型,仿真结果显示轨道约束可以明显 提高列车定位滤波算法的位置精度。
3)列车定位***具有高的安全性和稳定性要求。通过对比分析 了轨道约束H∞滤波算法与无约束算法的定位精度误差。结果表明,H ∞滤波相对卡尔曼滤波在位置估计上具有优势,验证了轨道约束H∞滤 波算法的有效性。
附图说明
图1为本发明东向平均距离误差图;
图2为本发明北向平均距离误差图;
图3为本发明100次蒙特卡罗仿真误差对比图。
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,所描述的实施例仅仅是本发明一部 分实施例,而不是全部的实施例。
参照图1-3;
列车运动模型:
列车运动模型的准确性对滤波估计算法具有重要影响。为了能够 真实地反映列车的运动,本文采用“当前”统计模型作为列车的运动 模型,该模型具有加速度均值和方差的自适应性。
“当前”统计模型:
实际列车的运动往往并不完全属于匀速或匀加速范围的运动。“当 前”统计模型采用修正的瑞利分布来描述加速度的概率密度,认为当 前加速度均值等于加速度预测值。所以,当列车以某一加速度运动时, 下一时刻的加速度取值是有限的,且只能在“当前”加速度的邻域内。
“当前”模型假定目标的加速度连续变化,加速度均值与当前时 刻的加速度估计相等,方差由均值决定。该模型本质上是非零均值时 间相关模型,其机动加速度的“当前”概率密度可用某种适当函数分 布描述。
模型在估计目标状态的同时辨识加速度均值的取值范围,实时修 正加速度的分布,最后以方差的形式反馈到下一时刻的***滤波增益 中,从而实现均值和方差的自适应滤波。
其一阶时间相关模型为:
式中:μ(t)为均值为零的有色噪声,为加速度的均值,在单一采 样周期内为常数。γ为加速度时间常数,ω(t)为均值为零的白 噪声。
模型一维状态向量的离散形式状态方程和量测方 程分别为:
式中:
T为采样时间间隔;F为状态转移矩阵;H 为量测矩阵,当仅有含噪声的目标位置可观测时,有H=[1 0 0]; wk,vk为零均值不相关白噪声,wk~N(0,Q),vk~N(0,R)。为“当 前”列车加速度均值,为的先验估计。
***噪音协方差为:
式中:为目标的加速度方差,q为常值矩阵。为:
忽略高程后,列车可认为运行在二维平面内,以xe,xn分别表示 东向和北向位置,则列车状态向量表示为:
列车运动模型与式(2)表达相同,式中的F、G、H做相应的调整。 模糊自适应调整
由式(3)、式(4)可以得出“当前”模型自适应的特性,即*** 噪声方差主要取决于加速度均值当越大时,修正的瑞利分布函 数方差越小,噪声方差也越小;而当越小时,噪声方差越大。当列 车当前加速度均值处于时,跟踪误差较大。
通过采用模糊自适应方法对加速度极限值进行自适应调整,可以 加强当加速度均值较小时“当前”模型对目标的跟踪性能。
引入模糊隶属度函数M:
式中:a为列车的当前加速度;c为常值,1≤c≤4/(4-π)。c的 取值由a'max/|a|决定,a'max为加速度测量的极限值。
则加速度极限值amax和a-max进行模糊自适应调整后分别为Mamax和Ma-max。调整后的加速度极限值包含了a较小时的区间,所以具有 更好的自适应性。
轨道约束H∞滤波算法
H∞滤波与卡尔曼滤波在应用场景和滤波目标方面具有一定的差 异。H∞滤波是在***具有模型不确定性时求最小化最大误差估计,而 卡尔曼滤波是在***模型和噪声等已知的前提下求最小均方误差估 计。所以,H∞滤波相对卡尔曼滤波具有更好的鲁棒性,可将H∞滤波 视为一个鲁棒形式的卡尔曼滤波,而对于线性***,状态等式约束估 计优于无约束估计。
传统无约束H∞滤波
H∞滤波可以稳定地处理未知统计特性的噪声,其计算过程与卡尔 曼滤波类似。H∞滤波形式有多种,以文献[9]中的离散型H∞滤波为 研究对象。
***状态方程与量测方程为:
式中:xk为状态变量;Fk为状态转移阵;Hk为量测阵;w'k和v'k分 别为***噪声项和量测噪声项,不要求为白噪声,状态变量的线性组 合zk是被估计量,Lk是满秩的自定义估计矩阵。
代价函数J的上界为即θ是预设的滤波器性能上界参数。 P0,Qk分别为初始误差协方差阵、***噪声协方差阵,Rk和Sk分别是 量测噪声协方差阵和状态变量估计误差协方差阵,皆是预先设置的对 称正定矩阵。
求解步骤为:
限制条件是在每步迭代计算时应满足代价函数J取得极小值,即 求解需要满足条件:
列车轨道约束模型
通过列车轨道信息对***定位数据进行约束,其本质是将轨道信 息融合到定位信息中,形成多信息融合定位,通过融合改善定位效果。
铁路轨道线路由直线、圆曲线以及连接直线与圆曲线的缓和曲线 组成,而曲线可以近似为由多个直线段首尾连接组成。所以,在保证 所需定位精度的条件下可将列车轨道近似为由一定长度的直线段组 合而成。
列车行驶具有特殊性,即列车始终行驶在轨道上,数字轨道具有 相对精确的位置坐标,基于此前提可对列车进行轨道约束。列车沿直 线轨道运动时,可将轨道方程表达为:
yt=bxt+m (11)
式中:yt、xt为轨道点的北向和东向坐标,b、m为直线参数。
由于列车的行驶轨迹受轨道约束,运动方向与轨道方向一致,以Ay、Ax为列车北向和东向的速度,则约束方程为:
yt-bxt=m (12)
Ay-bAx=0 (13)
改写为矩阵形式为:
DXk=d (14)
式中:Xk为状态向量,
d=[m 0]T
轨道约束的H∞滤波
直线轨道约束为线性约束,将线性轨道约束模型与H∞滤波相结合 的轨道约束H∞滤波算法可提高列车的定位精度。约束H∞滤波可得轨 道约束H∞滤波算法。
(1)***方程
***的状态方程和量测方程如下:
式中:w,v分别是过程噪声和量测噪声,为不相关的白噪声。
轨道约束方程如式(13)所示,约束已规范化,满足为单位矩阵。
(2)滤波器初始化
初始化状态和协方差P0如下:
(3)每一时刻状态估计步骤
STEP1:选择可调参数矩阵Gk
Gk为加权过程噪声的偏移分量。增加Gk表示过程噪声具有更多的 偏移分量,此时均方差误差性能会下降。如果Gk=0,则过程噪声为 零均值,可得到卡尔曼滤波性能。
STEP2:状态估计计算
式中:Vk,Σk为中间变量,Pk+1为k+1时刻协方差,Kk为状态估计增 益,为k+1时刻状态估计。
STEP3:滤波器验证条件
式(18)为判断H∞滤波器存在的条件。如果条件满足则回到STEP1 进行下一时刻估计;如果条件不满足则滤波器无效,可以减小Gk并重 新计算。
仿真验证与分析
为了验证轨道约束H∞滤波算法,本文采用蒙特卡罗法对典型列车 定位场景进行仿真,对比卡尔曼滤波(KF)、轨道约束卡尔曼滤波 (TC-KF)、H∞滤波(HF)和轨道约束H∞滤波(TC-HF)四种算法的滤 波结果。
在满足一定精度的前提下,曲线段轨道可以近似为多条一定长度 的直线段,并根据列车的当前位置选择相应的直线段轨道约束方程进 行约束,所以采用直线段仿真不失一般性。
假设列车行驶在某段直线轨道上,与东向坐标轴夹角为60°,则 列车状态向量为式(5),列车的初始状态为:
x0=[0 10 0 0 20 0]T(19)
采样周期为1s,列车先后经过四种运动周期(匀速、变加速、匀 速、匀减速),每个运动周期时长10s,加速度的变化范围为 [-5m/s2,5m/s2]。对列车的北向和东向位置施加白噪声,其方差为10m。 模型具有***噪声协方差自适应能力,只需设量测噪声协方差 R=diag([100 100]),滤波器初始协方差为P0=diag([100 100 25 100 100 25])。
进行100次蒙特卡罗仿真实验,北向和东向不同时刻的平均距离 误差分别如图1和图2所示。通过对比图1与图2可以看出,HF算 法相对KF算法具有更好的稳定性和定位精度,而TC-HF算法进一步 提高了定位精度,说明轨道约束可以提高滤波算法的精度。从东向的 平均距离误差相对北向较大的现象中可以发现,KF算法比HF算法对 噪声更敏感,而HF算法鲁棒性更好,这与HF的理论特性相一致。
四种滤波算法仿真轨迹全程平均距离误差比较结果如图3所示, 统计数据如表1所示,表1中D表示每次仿真轨迹全程平均距离误差 值。
图3中,HF和TC-HF曲线相对平缓,而KF和TC-KF曲线相对突 出,表示定位有失准现象发生,进一步表明了增加轨道约束的滤波算 法具有更高的定位精度,而HF算法具有更强的鲁棒性,可以更好地 适应列车的多变的运动状态。
表1显示,对于卡尔曼滤波算法,无约束时KF算法的平均距离 误差为13.35m,而有约束估计器平均距离误差为9.51m,增加轨道约 束后,定位精度提高了约28.7%。对于H∞滤波,有约束估计器比无约 束估计器提高精度约33%。
表1
算法 | 最小D/m | 最大D/m | 平均D/m |
KF | 6.04 | 43.29 | 13.35 |
TC-KF | 4.01 | 34.43 | 9.51 |
HF | 7.35 | 12.62 | 10.02 |
TC-HF | 4.14 | 9.33 | 6.71 |
总体上,轨道约束后的滤波器在定位精度改善方面效果明显,H∞ 滤波相对卡尔曼滤波在位置估计上具有明显优势。
1)对加速度极值进行模糊自适应调整的“当前”统计模型可以较 好地跟踪列车运行,可用于列车的实时定位。
2)由于列车轨道及运行的特殊性,可以通过将列车轨道近似为连 续直线段,建立线性轨道约束模型,仿真结果显示轨道约束可以明显 提高列车定位滤波算法的位置精度。
3)列车定位***具有高的安全性和稳定性要求。通过对比分析 了轨道约束H∞滤波算法与无约束算法的定位精度误差。结果表明,H ∞滤波相对卡尔曼滤波在位置估计上具有优势,验证了轨道约束H∞滤 波算法的有效性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,根据本发明的技术方案及其发明构思加以等同替换或改 变,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种北斗辅助列车定位算法,其特征在于,包括建立***方程模型步骤、滤波器初始化模型步骤和每一时刻状态估计步骤:
所述***方程模型包括有***的状态方程和量测方程、轨道约束方程;
所述***的状态方程和量测方程如下:
式中:w,v分别是过程噪声和量测噪声,为不相关的白噪声;
轨道约束方程为Ay-bAx=0,约束已规范化,满足I为单位矩阵;
所述滤波器初始化步骤的初始化状态和协方差P0如下:
所述每一时刻状态估计步骤为:
S1:选择可调参数矩阵Gk;
Gk为加权过程噪声的偏移分量;
S2:状态估计计算:
式中:Vk,Σk为中间变量,Pk+1为k+1时刻协方差,Kk为状态估计增益,为k+1时刻状态估计;
S3:滤波器验证条件:
若满足滤波器验证条件,则回到步骤S1进行下一时刻估计;若不满足滤波器验证条件,则滤波器无效,可以减小Gk并重新计算。
2.根据权利要求1所述的一种北斗辅助列车定位算法,其特征在于,还有包括有分析验证步骤:
为了验证轨道约束H∞滤波算法,采用蒙特卡罗法对典型列车定位场景进行仿真,对比卡尔曼滤波、轨道约束卡尔曼滤波、H∞滤波和轨道约束H∞滤波四种算法的滤波结果;
在满足一定精度的前提下,曲线段轨道可以近似为多条一定长度的直线段,并根据列车的当前位置选择相应的直线段轨道约束方程进行约束,所以采用直线段仿真不失一般性;
假设列车行驶在某段直线轨道上,与东向坐标轴夹角为60°,则列车状态向量为式列车的初始状态为:
x0=[0 10 0 0 20 0]T
采样周期为1s,列车先后经过匀速运动周期、变加速运动周期、匀速运动周期、匀减速运动周期,每个运动周期时长10s,加速度的变化范围为[-5m/s2,5m/s2],对列车的北向和东向位置施加白噪声,其方差为10m,模型具有***噪声协方差自适应能力,只需设量测噪声协方差R=diag([100 100]),滤波器初始协方差为P0=diag([100 100 25 100 100 25]);
进行100次蒙特卡罗仿真实验,获取北向和东向不同时刻的平均距离误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811522448.4A CN109709592A (zh) | 2018-12-13 | 2018-12-13 | 一种北斗辅助列车定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811522448.4A CN109709592A (zh) | 2018-12-13 | 2018-12-13 | 一种北斗辅助列车定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109709592A true CN109709592A (zh) | 2019-05-03 |
Family
ID=66255754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811522448.4A Pending CN109709592A (zh) | 2018-12-13 | 2018-12-13 | 一种北斗辅助列车定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709592A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567456A (zh) * | 2019-09-03 | 2019-12-13 | 兰州交通大学 | 基于抗差卡尔曼滤波的bds/ins组合列车定位方法 |
CN110728309A (zh) * | 2019-09-27 | 2020-01-24 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 |
CN111007541A (zh) * | 2019-12-18 | 2020-04-14 | 中国电子科技集团公司第二十研究所 | 一种卫星导航地基增强***仿真性能评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494685A (zh) * | 2011-11-14 | 2012-06-13 | 东南大学 | 用于wsn/ins高精度实时组合导航的h无穷信息融合方法 |
CN103063212A (zh) * | 2013-01-04 | 2013-04-24 | 哈尔滨工程大学 | 一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法 |
CN106352876A (zh) * | 2016-07-25 | 2017-01-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
CN108155648A (zh) * | 2018-01-09 | 2018-06-12 | 河海大学 | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 |
CN108646277A (zh) * | 2018-05-03 | 2018-10-12 | 山东省计算中心(国家超级计算济南中心) | 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 |
-
2018
- 2018-12-13 CN CN201811522448.4A patent/CN109709592A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494685A (zh) * | 2011-11-14 | 2012-06-13 | 东南大学 | 用于wsn/ins高精度实时组合导航的h无穷信息融合方法 |
CN103063212A (zh) * | 2013-01-04 | 2013-04-24 | 哈尔滨工程大学 | 一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法 |
CN106352876A (zh) * | 2016-07-25 | 2017-01-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
CN108155648A (zh) * | 2018-01-09 | 2018-06-12 | 河海大学 | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 |
CN108646277A (zh) * | 2018-05-03 | 2018-10-12 | 山东省计算中心(国家超级计算济南中心) | 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 |
Non-Patent Citations (3)
Title |
---|
王向华 等: "基于"当前"统计模型的模糊自适应跟踪算法", 《兵工学报》 * |
钱华明 等: "基于当前统计模型的机动目标自适应跟踪算法", 《***工程与电子技术》 * |
马海平 等: "道路条件下车辆跟踪的鲁棒H∞滤波算法", 《电子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567456A (zh) * | 2019-09-03 | 2019-12-13 | 兰州交通大学 | 基于抗差卡尔曼滤波的bds/ins组合列车定位方法 |
CN110728309A (zh) * | 2019-09-27 | 2020-01-24 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 |
CN110728309B (zh) * | 2019-09-27 | 2023-05-02 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于铁路信号与北斗定位的行车轨迹聚类方法 |
CN111007541A (zh) * | 2019-12-18 | 2020-04-14 | 中国电子科技集团公司第二十研究所 | 一种卫星导航地基增强***仿真性能评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536171A (zh) | 一种多约束下多无人机协同跟踪的路径规划方法 | |
CN109709592A (zh) | 一种北斗辅助列车定位算法 | |
CN108061889A (zh) | Ais与雷达角度***偏差的关联方法 | |
CN106646356A (zh) | 一种基于卡尔曼滤波定位的非线性***状态估计方法 | |
CN102088769B (zh) | 直接估计和消除非视距误差的无线定位方法 | |
CN108983271A (zh) | 基于rtk-gps/ins列车组合定位方法 | |
CN110749891B (zh) | 一种可估计未知有效声速的自适应水下单信标定位方法 | |
Ullah et al. | Evaluation of Localization by Extended Kalman Filter, Unscented Kalman Filter, and Particle Filter‐Based Techniques | |
CN110646783B (zh) | 一种水下航行器的水下信标定位方法 | |
CN111854769B (zh) | 位姿数据处理方法、装置、地图生成设备和存储介质 | |
CN110794409A (zh) | 一种可估计未知有效声速的水下单信标定位方法 | |
Zhang et al. | High-precision, limited-beacon-aided AUV localization algorithm | |
Liang et al. | UAV-aided positioning systems for ground devices: Fundamental limits and algorithms | |
Dawson et al. | Radar-based multisensor fusion for uninterrupted reliable positioning in GNSS-denied environments | |
CN108871365A (zh) | 一种航向约束下的状态估计方法及*** | |
CN103575298A (zh) | 基于自调节的ukf失准角初始对准方法 | |
CN104237862A (zh) | 基于ads-b的概率假设密度滤波雷达***误差融合估计方法 | |
Hu et al. | A reliable cooperative fusion positioning methodology for intelligent vehicle in non-line-of-sight environments | |
CN106597428A (zh) | 一种海面目标航向航速估算方法 | |
CN103678925A (zh) | 基于辅助信源的航迹分类方法 | |
CN105527639A (zh) | 一种基于平滑与外推的卫星定位方法 | |
Siebler et al. | Train localization with particle filter and magnetic field measurements | |
CN117146830A (zh) | 一种自适应多信标航位推算和长基线的紧组合导航方法 | |
CN107390166A (zh) | 一种自适应干扰源定位飞行校验方法 | |
CN105549003A (zh) | 一种汽车雷达目标跟踪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |