论文部分内容阅读
车辆定位技术是智能交通的关键技术之一。全球定位系统GPS(GlobalPosition System)具有良好的长期误差特性较差的短时误差特性,而航位推算DR(Dead Reckoning)系统却具有好的短期精度,差的长期精度。车载GPS/DR系统通过数据融合可提供高精度、高频率和可靠的定位数据。论文在分析车载DR系统多传感器特性的基础上,导出了DR多传感器系统在当地水平坐标系下的力学编排公式,对来自电子指南针和角速率陀螺的角运动数据,加速度计和车辆里程表的线运动数据分别建立了分散卡尔曼滤波融合模型,进行车辆定位状态的最优估计,并对融合算法进行了仿真研究。基于机动目标较合理的“当前统计”模型,根据车辆的动力学特性,提出了用模糊逻辑融合车辆状态数据,确定合理的加速度区间,使模型能更适合车辆运动的实际,定性分析和Matlab仿真表明加速度区间的模糊逻辑确定提高了定位精度和跟踪能力。此外,针对GPS/DR数据融合的卡尔曼滤波算法中可能出现的滤波发散,根据滤波收敛性判据论文还设计了基于模糊逻辑的卡尔曼滤波自适应发散抑制算法,并进行了仿真实验。为提高对机动目标的跟踪性能,加速度在载体运动模型中必须予以考虑。论文提出了基于自适应神经模糊推理系统ANFIS(Adaptive Neural FuzzyInferential System)加速度估计自适应卡尔曼滤波算法,构建了ANFIS神经元网络结构,根据提取的特征数据,对载体机动进行融合估计。仿真研究表明,该算法可显著地提高定位精度和跟踪能力。为进一步提高GPS/DR融合定位的连续性和精度,建立了增加速度观测,把加速度作为扰动输入的载体二维状态方程;提出了GPS/DR联合卡尔曼滤波数据融合算法以及基于神经元网络ANN(Artificial Neural Network)的GPS/DR数据融合算法模型以提高GPS/DR在GPS信号失锁时的连续定位能力,并进行了仿真验证。论文从工程应用角度,系统的研究了GPS/DR车载组合定位的多传感器数据融合框架和算法,其成果为车载组合定位系统的物化实现奠定基础。