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