基于多传感器信息融合的列车定位方法研究

研究与开发

ＲＥＳＥＡＲＣＨ

ＡＮＤＤＥＶＥＬＯＰＭＥＮＴ

团盅黝蝴

康随武，刘晓娟

（兰州交通大学电子与信息工程学院，兰州

７３００７０）

第２３卷第１期

ＶｏＩ

２３

Ｎｏ．１

文章编号：１００５．８４５１（２０１４）０１—００１４—０４

基于多传感器信息融合的列车定位方法研究

摘

要：针对城市轨道交通中列车定位问题，提出了一种基于联邦卡尔曼滤波器的多传感器

信息融合列车定位方法，建立了ＧＰＳ／ＩＰＳ／ＤＲ信息融合模型，对ＧＰＳ／ＩＰＳ／ＤＲ组合的信息融合定位进行了ＭＡＴＬＡＢ仿真，结果表明，ＧＰＳ／ＩＰＳ／ＤＲ融合定位能提高列车的定位精度和可靠度，能很好的抑制传统列车定位中的积累误差。

关键词：列车定位；多传感器信息融合；联邦卡尔曼滤波器；定位精度中图分类号：Ｕ２８４：ＴＰ３９文献标识码：Ａ

Ｒｅｓｅａｒｃｈ

Ｏｎ

ｔｒａｉｎｌｏｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄ

ｏｎ

ｍｕｌｔｉ．ｓｅｎｓｏｒ

ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎ

ＫＡＮＧＳｕｉｗｕ，ＬＩＵＸｉａｏｉｕａｎ

（Ｓｃｈｏｏｌ

ｓｅｎｓｏｒ

ｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＬａｎｚｈｏｕＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，Ｃｈｉｎａ）

ｆｕｓｉｏｎ

Ａｂｓｔｒａｃｔ：ＤｕｅｔｏｔｈｅｐｒｏｂｌｅｍｏｆｔｒａｉｎｌｏｅａｔｉｏｎｉｎＵｒｂａｎＴｒａｎｓｉｔ．ａｋｉｎｄｏｆｔｒａｉｎｌｏｃａｔｉｎｇｍｅｔｈｏｄｏｆｍｕｌｔｉ．

ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｂａｓｅｄ

ｏｎ

ＦｅｄｅｒａｌＫａｌｍａｎＦｉｌｔｅｒｗａｓｐｒｏｐｏｓｅｄ．ＧＰＳ／ＩＰＳ／ＤＲ

ｉｎｆｏｒｍａｔｉｏｎ

ｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅｔｒａｉｎｌｏｃａｔｉｏｎｏｆ

ｉｎｆｏｒｍａｔｉｏｎ

ｆｕｓｉｏｎｏｆＧＰＳ／ＩＰＳ／ＤＲｗａｓｓｉｍｕｌａｔｅｄｂｖＮＩＡＴＬＡＢ．

ＴｈｅｓｉｍｕｌａｔｉｎｇｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔＧＰＳ／ＩＰＳ／ＤＲｉｎｔｅｇｒａｔｉｏｎｃｏｕｌｄｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｒｅｌｉａｂｉｌｉｔｙｏｆｔｒａｉｎｌｏｃａｔｉｏｎ．ｒｅｓｔｒａｉｎｔｈｅ

ｅｒｒｏｒ

ａｃｃｕｍｕｌａｔｉｏｎｏｆｔｒａｄｉｔｉｏｎａｌｌＯＣａｔｉｏｎｍｅｔｈｏｄ．

Ｋｅｙｗｏｒｄｓ：ｔｒａｉｎｌｏｃａｔｉｏｎ；ｍｕｌｔｉ．ｓｅｎｓｏｒ

ｉｎｆｏｒｍａｔｉｏｎ

ｆｕｓｉｏｎ；ＦｅｄｅｒａｌＫａｌｍａｎＦｉｌｔｅｒ；ｌｏｃａｔｉｏｎａｃｃｕｒａｃｙ

列车定位技术在整个列车控制系统以及列车运行中起着很重要的作用，随着基于通信的列车控制系统（ＣＢＴＣ）在我国城市轨道交通中的中广泛应用，对列车定位精度提出了更高的要求，实时、准确地获得列车的速度和位置信息是保证列车安全、高效运行的关键因素，影响列车定位精度的重要原因是车辆采用的传感器和定位机理。

传统定位中采用单一传感器进行测量和计算，

测速误差随时间不断累积，很难获得持续、高精度的列车位置和速度信息，只能保证短时间的定

大的特点是它属于分块估计的分布式滤波器，采

用方差上界消除技术和统一信息分配原则，对多

传感器组合系统实现信息融合，实现系统整体状态的最优估计…，这种滤波结构不仅容错结构好、计算速度快、而且信息分配十分灵活，因此在城市轨道交通智能控制系统的研究中受到了许多学

者的青睐。

１联邦卡尔曼滤波

１．１基本原理

联邦卡尔曼滤波器的结构通常为分布式融合系统结构，是一种具有两级滤波结构的分散化滤波方法阻】，如图１所示，它由参考系统、主滤波、

若干个子滤波器组成。

位精度，因此，有必要研究一种以多传感器融合技术为基础的定位方法，通过信息冗余互补提供更加可靠、精确的位置信息，这种融合技术的实现需要在融合算法的基础上才能完成。

传统的融合算法采用的是基于卡尔曼滤波理

论的状态估计算法，卡尔曼滤波器适合动态测量，

其中，每个子滤波器分别独立地进行时间更新和测量更新，而主滤波器则只进行时间更新，并且融合各子滤波器的测量结果，参考系统是整个测量系统的重要组成部分，其输出一方面给各子滤波器作为测量值输入，得出各个子滤波器的

因此在列车测速定位中有很好的应用，到１９８８年，Ｃａｒｌｓｏｎ在卡尔曼滤波的基础上又提出了联邦卡尔曼滤波算法，相对而言，联邦卡尔曼滤波器最

收稿日期：２０１３．０８—０８

作者简介：康随武，在读硕士研究生；刘晓娟，教授。

万方数据

第２３卷第１期基于多传感器信息融合的列车定位方法研究研究与开发

局部估计值Ｘｉ及其协方差阵Ｐｉ，另一方面直接送到主滤波器进行估计，把得出的子滤波器的局部

图１联邦卡尔曼滤波器的结构

估计值和主滤波器的估计值进行融合处理，最后输出全局估计ｘ。和Ｐ。对应的协方差阵。

联邦卡尔曼滤波器中子滤波器估计均方误差

阵和子滤波器的状态量可以进行重置，重置过程

中信息因子的分配方法也有许多，因此可以构造多种滤波结构，联邦卡尔曼滤波器正是利用这种信息分配原理把被测系统的动态信息分配到各子滤波器与主滤波器中，使得各个子系统之间相互独立，然后进行信息的最优融合估计，最终得出整个系统的最优解。

１．２联邦卡尔曼滤波系统模型

设任意离散系统的状态方程为：

墨Ｍ１．①（洲￡＾ｋ１＋ｒ１㈣ｍ１眦ｎ

（１）（１）式中置Ｍ，是系统的状态向量，ｗ㈤是系统的动态噪声，是零均值白噪声，①ｍ。Ⅲ为系统的状态转移矩阵，ｒ似。Ⅲ是系统的噪声转移矩阵。

系统的测量方程：

当有Ｎ个子滤波器对系统进行独立的测量时，

任意一个子滤波器的测量方程为：

Ｚ（呲＝ｑＩ）戒ｔ）＋Ⅵ眦（ｆ－１，２，…，Ⅳ）

（２）

（２）式中ｚ…。是第ｉ个传感器的量测值，ｙ…。是第ｉ个传感器的量测噪声，属于零均值白噪声，日ｍ。为第ｉ个传感器的量测矩阵。１．３联邦卡尔曼滤波器融合算法

设Ｘｉ、Ｐ。（涪１，２，…，Ⅳ）为第ｉ个子滤波器的估计值和方差，主滤波器的估计值与方差是瓦、Ｐ。，鼍、Ｐｇ为全局估计值和方差。

（１）联邦卡尔曼滤波器采用信息分配原理取消各个子滤波器之间的相关性，即：

Ｐ，＝∥一：Ｐ。；Ｑｉ＝∥’：Ｑ。

（３）

万方数据

其中曰，为信息分配因子，Ｑ，为第ｉ个子系统的噪声，满足信息守恒原理，即：

Ⅳ

∑局＋尾＝１

（４）

ｆ＝１

（２）联邦滤波器中子滤波器独立进行时间更新和量测更新，由于主滤波器中只有参考系统的输入值，所以量测更新过程不在主滤波器中进行。

（３）在主滤波器中进行的工作是将得到的状态估计ｘｉ和方差阵Ｐ。进行融合…，得到全局状态估计值ｘ。和方差Ｐ。，即融合算法：

ｆｘ舭＝＆∑（乓１Ｘ趾＋《ｘ。ｔ）

ｊ

Ⅳ

（５）５

ｌ珞＝∑（巧１＋础）

融合结果得出之后，再把全局状态估计ｘ。、误差协方差阵Ｐ。通过信息分配原则重置到各子滤波器和主滤波器，进行循环计算。

２多传感器信息融合测速定位系统模型的

建立

目前，已有的融合测速定位系统组合模型有：ＧＰＳ／ＩＰＳ组合、ＤＲ／Ｂａｌｉｓｅ组合、多普勒雷达与

ＧＰＳ组合、ＧＰＳ／ＩＰＳ／多普勒雷达／速度传感器组合等组合方式，这些组合方式由于既有互补，又有冗余，明显具有较高的可靠性，当其中一个有故障时，系统可以降级使用，但只有采用合理的融合算法与融合结构才能获得好的结果口】，实际应用中合理的选取多个传感器作为信息融合的对象显得尤为重要，因为不同的传感器具有不同的特征，误差来源也不同，所以需要将其进行优化配置，利用优势互补来降低定位误差，从而获得更为全面、可靠的定位结果。２．１信息融合传感器的选择

本文中选取列车定位系统（ＧＰＳ，Ｇｌｏｂａｌ

Ｐｏｓｉｔｉｏｎｉｎｇｓｙｓｔｅｍ）、航位推算系统定位（ＤＲ，Ｄｅａｄ

Ｒｅｃｋｏｎｉｎｇ）、惯性列车定位，（ＩＰＳ，Ｉｎｅｒｔｉａｌ

Ｐｏｓｉｔｉｏｎｉｎｇ

Ｓｙｓｔｅｍ）系统作为信息融合对象，建

立ＧＰＳ／ＩＰＳ／ＤＲ信息融合的组合定位模型，原因是ＧＰＳ／ＩＰＳ／ＤＲ融合结构利用ＧＰＳ的长期稳定性与适中精度，来弥补ＩＰＳ的误差随时间传播或增

研究与开发大的缺点，利用ＩＰＳ的短期高精度来弥补ＧＰＳ接收机在受干扰时误差增大或遮挡时丢失信号，ＤＲ系统的优势在于其成本较低，而且在有限的时间内提供较高精度的车辆实时定位信息口１，可以作为ＧＰＳ／ＩＰＳ的辅助定位方式，三者的结合能够使得定位系统的成本下降。ＧＰＳ、ＤＲ和ＩＰＳ各有优势，定位误差来源各不相同，所以可以将它们组

合起来，优势互补，提高整个系统的定位精度、

容错性和可靠性。

２．２

ＧＰＳ／ＤＲ／ＩＰＳ融合结构

采用ＧＰＳ／ＤＲ／ＩＰＳ信息融合系统，设计联邦

卡尔曼滤波器，其结构如图２所示。

图２

ＧＰＳ／ＩＰＳ／ＤＲ融合结构

系统中选取ＩＰＳ作为参考系统，而ＧＰＳ、ＤＲ

作为子系统，其原因是由于ＩＰＳ无论是在工作的独立性、还是适应性都比ＧＰＳ、ＤＲ有绝对的优

势。（１）从工作原理上讲，ＩＰＳ根据惯性原理工作，而惯性是任何物体的固有属性，它不以外部环境的改变而改变，所以ＩＰＳ工作的独立性很强，仅靠系统本身就能在全天候条件下，在全球范围内和任何介质环境里自主、隐蔽的进行连续的三维

空间定位，能够提供反映运动体运动状态的完整

信息，独立自主的提供最全面的导航参数旺１；（２）从对环境的适应性来讲，ＩＰＳ适应性强很强；具有极宽的频带，能够跟踪和反映运动体的任何机动运动，并且对磁、电、光、热及核辐射等形成的波、场、线的影响都不敏感，有极强的抗干扰

能力。

２．３

ＧＰＳ／ＤＲ／ＩＰＳ融合结构的数学模型

设被测列车在区间运行，其状态方程为：

ｊ【＝［Ｐ

ｎ

Ｖ。Ｖ。ａ。ａ。占。Ｅ。］。

（６）

式中：ｅ，ｎ，ｖ。，ｖ。，ｎ。，ａ。，５。，５。分别为被测车辆东向、北向的位移量、速度、加速度，占。，占。是偏离两个坐标轴方向的误差量。

整个融合系统的状态方程为：

Ⅺ翟，＝①譬。磷）＋蛾’

（ｉ＝ｌ，２，３）（７）万方数据

第２３卷第１期

观测方程为：

Ｚ（鲁。＝哦：。磷：。＋哦：。

（ｉ＝ｌ，２，３）（８）

当ｉ＝１时，指ＧＰＳ子系统，其观测量通常是列车东向位置ｅ和北向位置ｎ（东向坐标与北向坐标）Ｈ】［５。，其中：

Ｚｌ＝［ＰＭ；ｎｋ＋ｌｎｐ芝１＝［“叭＋１１；Ｕｎ（ｋ＋１）］。

（９）

上式观测噪声ｙ‘出。中／ｇ小＋１）和Ｕ叭＋¨分别是

ＧＰＳ在定位过程中的东向和北向误差，其观测噪

声协方差阵为Ｒ‘‰。

当ｉ＝２时，指ＤＲ子系统，其观测量为陀螺的角速度∞和系统在采样周期Ｔ内里程表显示的车辆行驶距离ｓ，其中：

Ｚ２＝［ｗ川；Ｓｋ＋１］。；矿爸ｌ＝［Ｍ袱＋１１；Ｕｓ（ｋ＋１）］１

（１０）

观测噪声∥２。中Ｕ姒＋１）和ＵⅢ＋１）分别指ＤＲ系

统定位过程中里程表的误差和陀螺的漂移量的误

差，Ｒ‘爸。是ＤＲ系统口２，的协方差阵。

当ｉ＝３时指ＩＰＳ子系统，其观测量为列车加速度ａ，系统连续积分后得到的经度Ｚ、纬度／１、

和高度ｈ，其中：

Ｚ３＝［ａＭ；ｋ１Ａｋ＋ｚ；ｈｋ＋１］。；

ｐ兰ｌ＝【Ｍ矾＋１）；“ｍ＋１）；“袱＋Ｉ）；Ｕｈ（ｋ＋１）］。

（１１）

上式中“础＋１），Ｍ姒＋１），Ｕ撇＋１），Ｕ揪＋１）分别是ＩＰＳ定位时加速度偏置量误差、系统输出纬度、经度、

高程误差，该系统观测噪声协方差阵为尉‰。

得到上述子系统的观测噪声阵和协方差阵后，ＧＰＳ／ＤＲ／ＩＰＳ子滤波器再进行时间更新以随时通过测量传感器获取最新数据，在此基础上再进行量

测更新，从而得到ＧＰＳ子系统和ＤＲ子系统的状

态估计ｘ，和方差阵Ｐｉ（ｉ＿１、２），然后根据上文中所讲到的融合算法将ＩＰＳ、ＧＰＳ、ＤＲ子系统的全局状态估计值ｘ。和方差Ｐ。，最后通过信息分配本文基于ＭＡＴＬＡＢ仿真平台，对所提出的

基于联邦卡尔曼滤波器的ＧＰＳ／ＤＲ／ＩＰＳ融合定位方法进行了仿真试验呻。】，试验分别用ＤＲ、ＧＰＳ、方法分别对运行车辆进行定位，比较２种方法的

列车定位精度，采样周期取Ｔ＝ＩＳ，仿真时长为

输出与主滤波器进行融合，得到ＧＰＳ／ＤＲ／ＩＰＳ的原则，进行上述过程的循环运算。

３仿真试验与分析

ＩＰＳ数据单独滤波，ＧＰＳ／ＤＲ／ＩＰＳ融合滤波这２种

第２３卷第１期基于多传感器信息融合的列车定位方法研究

研究与开发

２００

Ｓ，仿真中为了对实际ＩＰＳ定位系统误差进行

简化，假设列车所行使的轨道在一定时间内是平坦的且初始位置一定，说明与ＩＰＳ定位系统相关的列车纬度、经度、高度误差均可忽略不计，设该列车以东向７５ｋｍ／ｈ速度匀速行驶，ＧＰＳ单独定位时接收机位置误差均方差为８ｍ，速度误差均方差为０．３ｍ／ｓ，ＤＲ系统单独定位时陀螺仪漂移均方差为Ｏ．２。／ｈ，里程表输出误差取０．１

ｍ，

ＩＰＳ单独定位时加速度偏置量取１０。ｇ。

图３为所得到的定位误差曲线，从仿真结果可见，采用基于联邦滤波器的ＧＰＳ／ＤＲ／ＩＰＳ融合定位方法后，车辆定位精度比其各自单独定位时有明显改进，ＧＰＳ／ＤＲ／ＩＰＳ组合导航显著的抑制了ＩＰＳ的输出误差随时间明显发散的趋势，改善了各自单独定位出现的误差积累，提高了定位精度和整个系统对的容错性与可靠性。

∞

∞

ｏ

加Ｏ

５０

１００

１５０

２００

一一∞

∞

ｏ

加

Ｏ

５０

１００

１５０２００

０５０１００

１５０

２００

图３定位误差比较图

万方数据

４结束语

本文研究了以多传感器信息融合技术为基础的列车定位方法，建立了联邦卡尔曼滤波的ＧＰＳ／ＩＰＳ／ＤＲ组合模型，并通过ＭＡＴＬＡＢ仿真平台进行了验证，结果表明了ＧＰＳ／ＩＰＳ／ＤＲ融合测速定位的可行性，保证了列车定位误差不随时间增长而积累，有效地提高了城市轨道交通列车定位的精度和定位系统的可靠性。

参考文献：

【ｌ】阎树田，曹长虹．多传感器信息融合的列车定位方法研

究［Ｊ］．机械与电子，２０１ｌ（４）：１９．２２．［２】朱虹，关桂霞，关

永．基于联邦卡尔漫滤波器的车

载ＧＰＳ／ＤＲ信息融合［Ｊ】．计算机工程与设计，２００８，２９

（２０）：５３５７—５３５９．

［３】刘晓娟，张雁鹏，汤自安．城市轨道交通智能控制系统［Ｍ］．北京：中国铁道出版社，２００８．

［４】张洋，周达天，刘宏杰，刘波．基于多传感器融合

的列车测速定位方法【Ｊ】．都市快轨交通，２０１ｌ，２４（４）：

３０—３２．

［５］严建鹏，陈小强，侯涛．基于改进联合卡尔曼滤波算

法的列车测速信息融合【Ｊ】．铁道科学与工程学报，

２０１２，９（２）：８９—９３．

【６】唐向宏，岳恒立，郑雪峰．ＭＡＴＬＡＢ及在电子信息类课

程中的应用［Ｍ】．北京：电子工业出版社，２００５．

【７】冯

刚，吕茂天，覃天．基于ＭＡＴＬＡＢ的卡尔曼滤波

仿真研究【Ｊ】．计算机科学与技术，２０１１，２９（６）：６１．６３．

［８】ＢｉｎＬｉｎｇ，ＸｉａｏｙａｎＹｕ，ＬｉｃｈｅｎＬｉｕ．ＴＨＥＩＮＦＯＲＭＡ—

Ｔ１０ＮＦＵＳｌ０ＮＯＦＢＡＳＥＤ０ＮＦＥＤＥＲＡＴＥＤＫＡＬＭＡＮＦＩＬＴＥＲＡＮＤＮＥＵＲＡＬＮＥＴＷＯＲＫＳ［Ｊ］．２０１０

Ｉｎｔｅｒｎａ—

ｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅ

ｏｎ

ｃｏｍｐｕｔａｔｉｏｎａｌａｎｄｉｎｆｏｒｍａｔｉｏｎｓｃｉｅｎｃｅ，

２０１０，ＰＰ．１０９９－１１０２．

【９］ＨｏｎｇｗｕＣａｏ，ＲｅｎｈａｏＺｈｏｕ，ＪｉａｎＬｉａｎｇＨａｏ．ＡｎＩｎｔｒｏｄｕｃ—

ｔｉｏｎｏｆＭｕｌｔｉｓｅｎｓｏｒＯｐｔｉｍａｌＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎＢａｓｅｄ

ｏｎ

ＫａｌｍａｎＦｉｌｔｅｒＭｅｔｈｏｄ［Ｊ］．２０１１ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎ

Ｅｌｅｃｔｒｏｎｉｃ＆ＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎ

Ｔｅｃｈｎｏｌｏｇｙ，２０１ｌ，ＰＰ．３２７２—３２７６．

［１０】刘锋．基于通信的列车控制模式下的列车定位新技

术［Ｊ］．城市轨道交通研究，２０１２（４）：４８．５３．

责任编辑徐侃春

基于多传感器信息融合的列车定位方法研究

作者：

作者单位：刊名：英文刊名：年，卷(期)：

康随武， 刘晓娟， KANG Suiwu， LIU Xiaojuan兰州交通大学电子与信息工程学院,兰州,730070铁路计算机应用

Railway Computer Application2014,23(1)

参考文献(10条)

1.阎树田;曹长虹 多传感器信息融合的列车定位方法研究[期刊论文]-机械与电子 2011(04)2.朱虹;关桂霞;关 永 基于联邦卡尔漫滤波器的车载GPS/DR信息融合 2008(20)3.刘晓娟;张雁鹏;汤自安 城市轨道交通智能控制系统 2008

4.张洋;周达天;刘宏杰;刘波 基于多传感器融合的列车测速定位方法[期刊论文]-都市快轨交通 2011(04)5.严建鹏;陈小强;侯涛 基于改进联合卡尔曼滤波算法的列车测迷信息融合 2012(02)6.唐向宏;岳恒立;郑雪峰 MATLAB及在电子信息类课程中的应用 2005

7.冯 刚;吕茂天;覃 天 基于MATLAB的卡尔曼滤波仿真研究[期刊论文]-电子产品可靠性与环境试验 2011(06)

8.Bin Ling;Xiaoyan Yu;Lichen Liu THE INFORMATION FUSION OF BASED ON FEDERATED KALMAN FILTER AND NEURAL NETWORKS2010

9.Hongwu Cao;Renhao Zhou;JianLiang Hao An Introduction of Multisensor Optimal Information Fusion Based on KalmanFilter Method 2011

10.刘 锋 基于通信的列车控制模式下的列车定位新技术[期刊论文]-城市轨道交通研究 2012(04)

引用本文格式：康随武.刘晓娟.KANG Suiwu.LIU Xiaojuan 基于多传感器信息融合的列车定位方法研究[期刊论文]-铁路计算机应用 2014(1)

本文来源：https://www.bwwdw.com/article/1kp1.html