衛(wèi)星遮擋交通環(huán)境下車輛融合定位策略研究.pdf

1、全球定位系統(tǒng)(Global Positioning System，GPS)和基于微機電系統(tǒng)(Micro-Electro-Mechanical System，MEMS)技術(shù)的慣性導航系統(tǒng)(Inertial NavigationSystem，INS)的組合為陸地車輛的準確、可靠定位提供了一種低成本解決方案。但是在GPS中斷期間，MEMS INS/GPS組合系統(tǒng)的定位精度迅速降低。為了解決此問題，本文開展了衛(wèi)星遮擋交通環(huán)境下車輛融合定位策略研

2、究，圍繞MEMS慣性測量單元(Inertial Measurement Unit，IMU)隨機誤差處理和MEMS INS/GPS信息融合算法兩大關(guān)鍵技術(shù)，針對其中的若干關(guān)鍵性問題展開深入探索。主要研究內(nèi)容及成果包括:
　　(1)為了抑制MEMS IMU隨機誤差的高頻部分，本文設計了一種基于改進小波濾波(Improved Wavelet Filter，IWF)的數(shù)據(jù)預處理算法。針對傳統(tǒng)小波濾波中分解層數(shù)確定以及閾值函數(shù)存在的不足，該

3、算法采用頻譜分析結(jié)合實驗評估的方法來選擇小波分解的最優(yōu)層數(shù)，并設計了一種改進的帶調(diào)節(jié)因子的閾值函數(shù)。實驗結(jié)果表明，該方法在一定程度上克服了傳統(tǒng)閾值函數(shù)的缺點，可以較好的抑制MEMS慣性數(shù)據(jù)隨機誤差的高頻部分。
　　(2)針對MEMS IMU隨機誤差的低頻緩變部分，本文結(jié)合經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)和分形高斯噪聲(fractional Gaussian noise，fGn)的優(yōu)點

4、，設計了一種基于EMD區(qū)間閾值濾波的自適應數(shù)據(jù)預處理算法。該算法首先利用fGn對慣性數(shù)據(jù)中的隨機誤差進行建模，然后利用fGn在各層本征模函數(shù)(Intrinsic Mode Function，IMF)內(nèi)方差的關(guān)系，確定了EMD濾波閾值選擇準則;同時，構(gòu)建了一種基于IMF區(qū)間的閾值處理方案，來消除濾波后信號的不連續(xù)性。實驗結(jié)果表明，該預處理算法既可以有效的消除部分低頻緩變隨機誤差，又可以消除隨機誤差的高頻部分，與基于改進小波濾波的預處理算法

5、相比，濾波后慣性數(shù)據(jù)數(shù)據(jù)的精度得到進一步提升。
　　(3)提出了一種基于自回歸(Auto-Regressive，AR)模型輔助卡爾曼濾波(Kalman Filter，KF)的混合策略，來提高衛(wèi)星遮擋交通情況下車輛組合定位系統(tǒng)的精度和可靠性。該策略首先在系統(tǒng)結(jié)構(gòu)中引入了慣性數(shù)據(jù)預處理步驟，為后續(xù)信息融合提供高精度的慣性數(shù)據(jù);然后對傳統(tǒng)的INS誤差建模結(jié)構(gòu)進行改進，設計了一種基于序列的INS誤差建模和預測結(jié)構(gòu);在此基礎上，設計了基于A

6、R模型的前向估計器(AR model-based Forward Estimator，ARFE)，并構(gòu)建基于ARFE/KF的混合策略對INS位置誤差建模并預測。實車實驗結(jié)果表明，該方法可以有效地補償GPS中斷情況下INS位置誤差，并具有較好的泛化能力和實時性，大幅度提高了GPS遮擋情況下的車輛定位精度。
　　(4)為了進一步提高車輛組合定位系統(tǒng)在較長GPS中斷情況下的性能，提出一種基于最小二乘向量機(Least Squares S

7、upport Vector Machine，LSSVM)的帶外部輸入非線性自回歸模型(Nonlinear Auto-Regressive with Exogenous inputs，NARX)輔助KF的INS誤差混合預測策略。該策略設計了一種帶有記憶功能和內(nèi)部反饋的INS誤差建模結(jié)構(gòu)，兼顧了INS誤差歷史發(fā)展趨勢和車輛運動狀態(tài)影響;構(gòu)建了LSSVM-NARX/KF混合策略對INS誤差進行建模，并在GPS中斷期間實現(xiàn)對INS誤差的預測和補