[发明专利]一种组合定位中滤波模型实时校正的方法和系统

说明书

本发明提供一种组合定位中滤波模型实时校正的方法和系统，包括：步骤(1)、获得目标随机系统的数据,并进行扩展卡尔曼滤波处理；步骤(2)、计算动态模型偏差；步骤(3)、基于LSSVM的动态模型进行偏差训练；步骤(4)、无损变换。本发明利用最小二乘支持向量机(LSSVM)改进EKF算法，并运用在车辆的组合定位导航估计当中，利用无损变换(UT)将LSSVM和EKF进行结合，使用模糊集，构造时变函数，认为偏差是具有高斯正态分布的，使用有限数据集通过LSSVM进行训练，通过历史信息的偏差值进行偏差估计，进而对偏差校正、补偿。

技术领域

本发明涉及导航技术领域，具体的说是一种组合定位中滤波模型实时校正的方法和系统。

背景技术

我国正在逐步迈入智能交通的时代，对于车辆的精确定位，不仅关系到车辆的运行安全，而且也直接影响车辆调度效率。因此，研究连续、高精度、低成本、可靠的车辆定位已成为我国智能交通领域迫切需要解决的关键科技问题。

卡尔曼滤波(KF)是一种高效率的递归滤波器(自回归滤波器),它能够从一系列的不完全包含噪声的测量中估计动态系统的状态，然而简单的卡尔曼滤波必须应用在符合高斯分布的系统中。因此，在使用卡尔曼滤波器时，通常都是把使用场景简化、默认为符合高斯分布；同时，卡尔曼滤波器是一种线性滤波器，然而，实际场景几乎都是非线性的，因此对于非线性的观测量，估计值依然会快速发散。针对实际情况当中传感器的非线性观测值，扩展卡尔曼滤波(EKF)可应用于时间非线性的动态系统，EKF算法已广泛应用于陆地，海洋和飞机的GNSS导航及各种组合导航领域当中。EKF算法将非线性函数的Taylor展开式进行一阶线性化截断，间接的把局部非线性环境转变成了线性环境，然后再使用KF算法，在一定程度上增强了KF算法适应非线性的程度。对于EKF算法而言，不仅需要一个正确的观测模型，还需要一个能够准确描述车辆运动的动态模型；特别EKF算法还比较依赖动态模型的质量去提供运动状态的先验知识。然而，在实际应用中，车辆的动态通常是未知的，并且可能非常复杂；针对列车而言，虽然可以简化运动状态，但是由于未知的运动行为，依然很难建立合理的动态模型。因为上述原因，所以在实际应用当中，动态模型往往被人们忽略。此外，对于组合定位导航中使用卫星信号的情况，还大量存在信号中断或干扰的情况，那么不准确的动态模型更有可能导致迅速降低EKF算法的性能、预测故障、甚至结果快速发散。

如何最优构造、动态最优构造可以适用于EKF算法的动态模型，已经有大量的学者做出了许多研究工作，例如恒速(CV)模型、恒定加速度(CA)模型、辛格模型、半马尔科夫跳跃模型等，但是这些模型对于定位导航应用都是假设为时不变的，因此可能无法反映车辆真实、复杂的运动状况。针对KF算法，利用IMM交互模型，可以一定程度减少没有动态模型带来的影响，以便实现运动目标的跟踪；但是，依然缺少利用先验知识。基于GNSS的模型多用于GNSS/多普勒导航中，可以有效的减少多路径效应的影响，但是多普勒观测值不能被直接使用，而且在实际应用中先验知识实际是后验估计获得的。还有人提出了基于GNSS导航历史时期状态的多项式动力学模型，但是多项式特征的确定好坏会直接影响到模型和实际动态之间的偏差程度，在模型中针对偏差也没有很好的补偿措施。

其实，对于动态模型最主要的就是车辆运动中出现的偏差，对于偏差的处理一般有两种方法：其一，认为动态模型偏差是由随机误差影响的，因此在随机模型中进行补偿；其二，将动态模型偏差直接引入到状态向量当中，在预测过程中递归的估计偏差，然后再进行补偿。但是，第一种方法往往会因为不准确的先验知识而难以平衡动态模型和观测模型之间的偏差；第二种方法对于高维系统则会承担巨大的计算负担。

发明内容

为了解决上述技术问题，本发明提供了一种组合定位中滤波模型实时校正的方法和系统，利用最小二乘支持向量机(LSSVM)改进EKF算法，并运用在车辆的组合定位导航估计当中，利用无损变换(UT)将LSSVM和EKF进行结合，使用模糊集，构造时变函数，认为偏差是具有高斯正态分布的，使用有限数据集通过LSSVM进行训练，通过历史信息的偏差值进行偏差估计，进而对偏差校正、补偿。