动态模型偏差校正在列车组合定位中的应用

作     者：陈光武 刘昊 李少远 杨菊花 魏宗寿 CHEN Guang-Wu;LIU Hao;LI Shao-Yuan;YANG Ju-Hua;WEI Zong-Shou

作者机构：甘肃省高原交通信息工程及控制重点实验室兰州730070 上海交通大学电子信息与电气工程学院上海200240 兰州交通大学交通运输学院兰州730070 

基　　金：国家自然科学基金(61863024,71761023) 甘肃省高等学校科研项目(2018C-11,2018A-22) 甘肃省自然基金(17JR5RA089,18JR3RA130)资助 

出 版 物：《自动化学报》 (Acta Automatica Sinica)

年 卷 期：2019年第45卷第12期

页      码：2281-2293页

摘      要：扩展卡尔曼滤波(Extended Kalman filter,EKF)的准确性依赖于观测的质量、观测对象的非线性程度及动态模型的准确性.该方法通常假设其动态模型是不变的,而且默认为非线性程度较弱,这些在实际的车辆运动中都是不可靠的处理方式.本文提出了一种利用最小二乘支持向量机(Least squares support vector machine,LSSVM)的技术增强扩展卡尔曼滤波的新算法.LSSVM改进后的EKF算法(LSSVM-EKF)一定程度上弥补了EKF处理强非线性问题的不足;而且可以自适应地估计历史数据的动态建模偏差,并使用估计偏差来补偿动态模型.开发了一种引入Allan方差的K折交叉验证方法来确定LSSVM的训练参数;将动态模型偏差通过有限数据集与LSSVM一起训练;并引入无损变换将LSSVM与EKF进行了集成.为了验证算法,最后设计了车载试验,并采用列车数据验证了文中所提的方法,结果表明LSSVMEKF可以较好地适应实际车辆运动环境,可以提供一种可用的车辆定位方法.

主 题 词：扩展卡尔曼滤波 最小二乘支持向量机 非线性 动态模型 Allan方差 

学科分类：08[工学] 0812[工学-测绘类] 

核心收录：

D　O　I：10.16383/j.aas.c190170

馆 藏 号：203878494...