多传感器融合定位在高速铁路系统中的应用

　　2．1．2 定位方案

　　根据以上对GPS和DR定位特点的分析，本方案采取多传感器组合定位技术，即各种定位技术互相补充的方案。在铁路线路区间，当GPS信息连续时在机车头部安装的GPS接收机将GPS信息送给定位系统，GPS信息作为主信息，DR信息和查询应答器信息作为校验信息，三者联合滤波后给出最优的定位估计信息。

　　遇到“城市峡谷“等障碍区时，GPS信号会消失或减弱，这时采用DR信息作为主信息。GPS失效前一点位置正好可以作为DR的初始位置，有了初始位置以后，利用里程仪和陀螺仪就可以对下一时刻列车的位置做出估计。

　　列车进入车站后，由于股道线间距很小，GPS和DR的定位精度已经不能很好的表现出股道的差异，因此采用查询应答器来获得列车在站内的定位信息。此时查询应答器信息作为主信息，而GPS信息和DR信息作为校验信息。

　　2．2 数据融合方法

　　该方案最核心的问题就是系统基于数据融合的定位算法的设计。在列车测速定位领域应用的数据融合方法有判断检测理论、估计理论、数据关联等，而应用最广泛的就是估计理论中的卡尔曼滤波方法。与其他估计算法相比，卡尔曼滤波具有显著的优点：采用状态空间法在时域内设计滤波器，用状态方程就可以描述任何复杂多维信号的动力学特性，避开了在频域内对信号功谱做分解带来的麻烦，滤波器的设计简单易行，采用递推算法。所以卡尔曼滤波能适用于任何平稳或非平稳随机向量过程的估计，所得估计在线性估计中精度最佳。目前已经开发的滤波算法包括线性卡尔曼滤波，扩展卡尔曼滤波以及联邦卡尔曼滤波。该方案采用联邦卡尔曼滤波进行数据融合。

　　2．2．1 数据融合的联合卡尔曼滤波模型

　　此滤波算法中，取βm=0，即主滤波器没有信息输入，进一步优化系统，减少了运算量。

　　2．2．2 系统滤波算法步骤

　　(1)由局部滤波器l处理GPS接收机输出的列车位置信息，并给出状态估计x1和估计误差的协方差矩阵p1；

　　(2)局部滤波器2处理陀螺仪和里程仪输出的角度信息x2和列车运行距离信息，给出状态估计和估计误差的协方差矩阵p2；

　　(3)局部滤波器3处理查询应答器输出的进路长度等信息，给出状态估计x3和估计误差的协方差矩阵p3；

　　(4)x1，x2，x3，及p1，p2，p3被送到主滤波器，并同主滤波器的状态估计一起按式(1)和式(2)进行融合，得到全局最优估计和协方差矩阵

　　(5)利用主滤波器的最优估计值对3个子滤波器的状态估计进行重置。即