多传感器融合定位在高速铁路的应用1

　　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。