列车定位技术研究-29页PPT文档

一.列车定位研究的意义及现状二.目前存在的问题三.基于多传感器信息融合的列车定位技术四.列车定位系统模型的建立五.卡尔曼滤波由于轨道交通列车运行密度高、车站间距近、安全性要求高，列车需要实时了解列车在线路中的精确位置，从而实时、动态地对每一列车进行监督、控制、调度及安全防护，在保证列车运行安全的前提下，最大限度地提高系统的效率，为乘客提供最佳服务。列车定位方法的精度和可靠性是影响列车安全防护距离的重要因素之一，会关系到列车的运行间隔，会影响到轨道交通系统的效率；列车定位方法的机理和采用的传感器是影响列车运行控制系统制式的重要因素之一，会关系到可采用的闭塞制式，会影响到列车运行控制系统的兼容性和生命周期费用。所以列车运行控制系统的性能与列车定位子系统密不可分，在轨道交通行车安全和指挥系统中，实时、准确地获得列车速度和位置信息是列车安全、高效运行的保障。如何精确地检测列车的速度和位置以对列车的运行等进行控制是轨道交通运输系统的核心内容。因此对列车测速定位方法的深入研究对于推动列车运行控制系统的研究和轨道交通系统的发展具有重大和深远的意义。(1)基于轨道电路(2)多普勒雷达测速(3)查询／应答器的列车定位(4)里程计（5）扩频无线通信定位(6)GPS1、基于轨道电路的列车定位可以实现列车定位，又可以检测轨道的完好情况；但误差是一个轨道电路区段长度。2、基于里程计累加测距的列车定位通过累计车轮转数，计算出列车行驶过的里程。但存在空转、滑行轮径磨耗带来的误差。3、基于测速的列车定位采用加速度传感器(陀螺仪)测量列车在三维空间的加速度，然后通过积分计算获得，也可以通过多普勒雷达测速方式测量。这是一种典型的增量式相对定位，缺点是积分造成累计误差。4、基于查询／应答器的列车定位间隔设置在铁路沿线上，列车经过应答器，车载查询器就会读取存储其上的位置数据信息，实现定位。优点是在地面应答器安装点的定位精度较高，缺点是只能给出点式定位信息，存在设置间距和投资规模的矛盾5、基于无线通信的列车定位在列车和铁路沿线上设置扩频无线电设备，利用先进的无线扩频通信、伪码测距和计算机信息处理技术，可以实现对列车的实时定位、跟踪。无线扩频列车定位的优点是定位比较精确，但需要在沿线设置专用扩频基站，投资成本较高。6、基于GPS定位可实现全球、全天候连续地实时导航与定位，操作简单，抗干扰性能好，但城市轨道交通因其自身环境限制不能使用。以上列车定位方式都有自己的优点和不足，CBTC是车-地双向通信，运输效率高，而列车定位是CBTC其中一项关键的技术。列车定位精确性、可靠性、安全性事关重要。在城市轨道交通中，列车运行环境比较复杂，任何单一的定位方式难以获得高精度、高可靠性的列车位置和速度信息。因而，可否利用多传感器融合技术去把各个定位传感器优点结合起来，弥补各自的不足，通过冗余互补提供更加可靠、精确的列车位置和速度信息。以下就多传感器信息融合技术展开讨论。定义：多传感器信息融合（multi-sensordatafusion）是一种针对多传感器信息的处理技术，通过数据关联、相关、和组合等方式以获得对被测对象更加精确的定位。优点：1、提高可信度2、降低不确定度3、改善信噪比4、增强鲁棒性5、降低成本构建一个多传感器信息融合系统考虑以下三个问题:1、如何组合传感器,保证多传感器信息融合系统的输入输出满足要求;2、如何合理选择信息融合结构,保证信息融合的有效性,最大限度地发挥多传感器信息融合的优势;3、大量的输入数据有助于信息融合,同时也会导致融合计算量呈级数级增加,要考虑控制计算量,降低处理负荷轮轴速度传感器和多普勒雷达速度传感器的测速原理决然不同,它们的误差来源也有很大的区别,来自不同的情况,互不相干,轮轴速度传感器和多勒雷达速度传感器能地进行优势互补而加速度计更是与上述两种传感器有较大区别,上述两种传感器测量的是列车速度分量,而加速度计测量的是列车加速度分量,其随机误差主要是其固有测量误差和列车振动引起的测量误差,不受轨道状况的影响,所以加速度计与上述两种传感器进行信息融合能进一步提高测速定位的精度信息融合的结构方案关系到测速定位系统的性能,对列车状态估计的精度和实时性有很大的影响,但是也不能忽视系统中的处理算法模型。“融合结构是框架,处理算法是内容”，没有好的融合结构,再好的处理算法也力不从心;没有好的处理算法,再好的融合结构也无从发挥，所以有了适当的融合结构,还要有适当的处理算法。下面就进行处理算法模型的设计算法的基本思想。1.状态方程的建立在城市轨道交通中,列车动量较大,而且列车的运作要遵循相关的准则，规章,正常情况下都是等速运行和等加速运行,而匀速运行动模型可以认为是加速度为高斯白噪声的匀加速运动模型所以比较适合用匀加速运动模型来描述城市轨道交通中的列车运动状态,即0100000100()00011lllvvvwtaaa式中l、v、a分别为列车的位置、速度和加速度分量;设w(t)是均值为,方差为∂2,的高斯白噪声,相当于随机扰动加速度“可以看出,列车的加速度是改变列车状态的根源。令：则状态方程为：010,001,001000TTXlvaAB()()()XtAXtBwt离散化，取，根据速度和加速度的迭代公式式中l(k)、v(k)和a(k)分别为k时刻列车的位置、速度和加速度分量;分别为在k时刻影响列车位置、速度和加速度的系统噪声。用矩阵表示为：1kkTtt2()(1)(1)(/2)(1)(1)()(1)(1)(1)()(1)(1)lvalklkTvkTakwkvkvkTakwkakakwkv()()()lawkwkwk、和22()1/2(1)100(1)()01(1)010(1)()001(1)001(1)()1/2100X()(),01,010,()001001lvalkTTlkwkvkTvkwkakakwklkTTkvkTak令()()()()()(1)(1)lvawkWkwkwkXkXkWk则有2.量测方程的建立轮轴速度传感器的测量方程为：加速度计的测量方程为：多普勒雷达速度传感器的测量方程为：其中V(k)为测量噪声，H(k)为测量矩阵。()()()LLLZkHXkVk()()()AAAZkHXkVk()()()RRRZkHXkVk综上所述的系统的公共状态方程为：各传感器的观测方程为：()(1)(1)iiXkXkWk()()(),(AR)iiiZkHXkVkiL、、简单来说，卡尔曼滤波器是一个“optimalrecursivedataprocessingalgorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。Kalman滤波器从有关的测量值中,通过算法估计出所需信号“其中被估计信号是含有由白噪声激励引起的随机响应的信号，它十分适合于动态测量,在列车测速定位中具有很好的应用。常用的Kalman滤波器有线性Kalman滤波器、扩展Kalman滤波器和联邦Kalman滤波器等”。线性Kalman滤波器、扩展Kalman滤波器都属于集中式Kalman滤波器,系统使用一个滤波器集中地处理所有动态定位子系统的信息,其工作原理如前所述联邦Kalman滤波器的结构基本上采用分布式融合结构,是一种具有两级结构的分散化滤波算法,它由若干子滤波器和一个主滤波器组成,各子滤波器独立地进行时间更新和量测更新。由于列车测速定位中的观测量较少,而且离散化后方程是线性方程,所以列车测速定位系统中的Kalman滤波器采用直接法设计:首先每个传感器要单独进行常规Kalman滤波,Kalman滤波给出的系统状态估计递归算法为状态估计值：状态进一步预测值:一步预测误差方差阵:滤波增益矩阵:估计误差方差阵:式中的下标表示对应的时刻,/1/11ˆˆkkkkkXX/1/11/1/1/1/1TTkkkkkkkkkkkkkPPQ-1TTkk/k-1kkk/k-1kkK=PHHPH+Rkkkk/k-1P=I-KHPkk/k-1X=Xk,X=Xk/k-1/1/1ˆˆˆ()kkkkkkkkXXKZHX每个传感器经过常规Kalman滤波后得到各自的最优状态估计戈(k}k)及其协方差矩阵月(k}k),再把各个局部滤波器的最优状态估计及协方差一起送到主Kalman滤波器,进行全局状态的最优估计主滤波器要进行状态更新和时间更新,同时对每个局部滤波器进行信息分配并与最终的状态估计一起反馈到各个局部滤波器信息分配是按照信息守恒原理在各局部滤波器和主滤波器之间分配整体系统信息这样可以根据不同传感器的特性和工作状态进行信息分配,从而能更好的发挥不同传感器的优势和减少因某个传感器发生故障而给主滤波器的融合滤波带来的影响在这里,由于信息来源主要是各个传感器,主滤波器只把各局部滤波器的最优估计进行全局最优估计所以把信息都分配到各个局部滤波器,主滤波器不返回任何分配信息ˆˆA,R-1ggiii=LXk=PkPkXk-1R,A-1gii=LPk=i=PkRALRARAlvhkmhkmvhkmhkmvhkmhkmvvhkmhkmv1/80,6.0/80/50,5.0/50/10,4.0/10,2.0/50,1.0/50,2.01要根据轮轴速度传感器!多普勒雷达速度传感器和加速度计的特性,以及各传感器的工作状态对信息分配系数进行自适应分配,具体原则如下:具休算法流程如图具体的基于联邦Kalman滤波的多传感器信息融合测速定位系统的结构如图基于速度的测距定位存在误差累积的问题,长期运作误差会越来越大,所以需要查询应答器进行定位校根据不同传感器的特点研究多传感器融合的方法,并分析了几种信息融合的结构的优缺点“接着对最优信息融合估计方法进行深入的分析研究,建立测速定位系统的算法模型,并具体研究了基于Kalman滤波融合的测速定位方法这种方法是把经典的信息融合算法应用到城市轨基于多传感器信息融合测速定位方法研究道交通的列车测速定位上,并针对各个传感器测速定位的特点进行了相应的处理,如测速轮对的名义轮径的修正!多普勒雷达速度传感器的速度系数的调整等”Kalman滤波融合算法估计精度较高,但需要对干扰信号有准确的数学描述,鲁棒性不强;