System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于地图匹配的列车组合定位方法技术_技高网

一种基于地图匹配的列车组合定位方法技术

技术编号:42004739 阅读:7 留言:0更新日期:2024-07-12 12:26
本发明专利技术公开了一种基于地图匹配的列车组合定位方法,属于列车定位技术领域。本发明专利技术是在GNSS/SINS列车组合定位的基础上,融入了基于因子图的轨迹简化算法以及基于隐马尔可夫模型的地图匹配算法。由于铁路路线单一,该方法能够保证列车与列车之间的运行安全性,大大提高铁路交通的运行流量,进而提高铁路系统的利用率,更好的适配铁路系统。

【技术实现步骤摘要】

本专利技术涉及列车定位,特别涉及一种基于地图匹配的列车组合定位方法


技术介绍

1、随着列车运行技术的不断发展,对列车组合定位精度的要求也越来越高。传统的列车定位系统比较单一,而在实际情况中还存在着各种任务需求以及多种复杂情况。全球卫星导航系统(global navigation satellite system,gnss)具有全天时、全球覆盖、高精度的优点。但gnss也存在落地信号功率低、易受各种干扰、可用性差的缺点。捷联惯性导航系统(strap-down inertial navigation system,sins)具有时间短、精度高、全自主工作的优点。其核心为惯性测量单元(inertial measurement unit,imu),且imu是不依赖外界环境影响,自主性的装置。而卡尔曼滤波(kalman filtering,kf)在其中的作用则是将gnss系统和sins系统的信息进行融合,以提高列车组合定位精度;但随着时间的推移,系统存在的累积误差会越来越大,导致系统准确性降低。为此,需要新的方法来对gnss/sins列车组合定位的精度进行提高,因而引入了基于因子图的轨迹简化算法。因子图(factor graph,fg)是将一个具有多变量的全局函数因子分解,得到几个局部函数的乘积,以此为基础得到的一个双向图。能够进行全局优化;也能够利用历史信息来改善当前的状态估计;还能够直接在原始非线性空间中对问题进行处理;而且通过选择合适的误差函数和优化策略,可以更具有鲁棒地处理噪声和异常值。不仅如此,还能够用于轨迹简化以及轨迹修正。将得到的修正轨迹与地图匹配相结合,因而引入基于隐马尔可夫模型的地图匹配算法。隐马尔可夫模型(hidden markov model)是描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程。该方法是当下主流用于地图匹配的模型,该方法能够适用于多种时序数据。但计算量以及计算复杂程度高。最后需要路网图来进行结合。路网图(road network diagram,rnd)是一种用于表示道路系统的图形模型,能将道路网络抽象为图论中的节点(顶点)和边(连接节点的线),提供了进行地图匹配所需要的道路位置、连接关系和属性等信息。gnss/sins列车组合定位系统,虽然能够提高列车定位精度,但也存在一些缺点,当gnss/sins列车组合定位无法提供可靠信号时,列车定位精度可能会下降,尤其是当列车在隧道等严重遮挡场景下运行时,列车组合定位系统无法接收到可靠信号,导致列车定位误差累积甚至定位失效。

2、基于上述问题,将地图匹配算法加入到gnss/sins列车组合定位中,基于因子图的轨迹简化算法,简化并修正轨迹数据,结合基于隐马尔可夫模型的地图匹配算法,选择出一条最大似然路径,将简化并修正的轨迹数据与最大似然路径通过路网图结合起来,以提高列车组合定位的精度。因此,本专利技术提出了一种基于地图匹配的列车组合定位方法,本专利技术是在gnss/sins列车组合定位的基础上,融入了基于因子图的轨迹简化算法以及基于隐马尔可夫模型的地图匹配算法。由于铁路路线单一,该方法能够保证列车与列车之间的运行安全性,大大提高铁路交通的运行流量,进而提高铁路系统的利用率,更好的适配铁路系统。


技术实现思路

1、本专利技术目的就在于为了解决上述的问题,而提供一种基于地图匹配的列车组合定位方法。

2、为实现上述目的,本专利技术采取的技术方案为:包括以下步骤:

3、包括以下步骤:

4、步骤1:gnss与sins分别以一定频率采集列车定位数据;

5、步骤2:对实时运动信息数据进行解析,对数据进行时间和空间同步对准;

6、步骤3:根据采集的实时运动信息数据,对gnss系统和sins系统数据进行状态空间建模,将状态空间模型进行改写,并在此基础上,构建关于因子图的非线性状态空间模型,以便后续利用因子图模型对轨迹数据进行修正;

7、步骤4:利用量测方程协方差阵进行权值修正,进而在滤波结束后得到修正的数据;

8、步骤5:提取轨迹数据,将数据进行清洗以及分割,以便分析和处理;通过约简,去除不必要的复杂性,得到更为精炼和高效的轨迹数据;

9、步骤6:因子图模型引入,利用步骤3中非线性状态空间模型,对轨迹数据进行修正;具体如下:

10、因子图模型是一种用来表达随机变量联合概率分布的二分图模型,其原理是将多元变量的全局函数分解成多个局部函数因子相乘;

11、因子图模型包括两种类型的节点,一种是因子节点fi∈f,表示对全局函数分解后的局部函数;一种是变量节点xj∈x,代表全局多元函数中的变量;边缘eij∈e,当且仅当因子图中变量节点xj是与之相应的因子节点fi的自变量时,因子节点与变量节点之间存在一条连接边eij;可以将因子图定义为:

12、g=(f,x,e)

13、在上述公式中,

14、x={x1,x2,……,xm},设即表示第j个局部函数fj(·)的自变量点集,m表示变量节点的个数;f={f1(x1),f2(x2),……,fn(xn)}表示一组因子节点,n表示自变量点集的个数;e=(eij)表示所有变量节点与对应的因子节点的一条边的集合;

15、将因子图定义改写成函数分解式的形式,如下式所述:

16、

17、步骤7:根据步骤6所述,利用状态x的先验概率p(x),基于贝叶斯公式,利用得到的后验概率p(x|z),将后验概率转化为最大后验估计概率,通过边缘化处理,简化最大后验估计概率;

18、步骤8:根据构建的因子图模型,将步骤7简化后的最大后验估计概率改写成函数分解式,进行非线性最小二乘处理,接着需进行非线性线性化处理,转化为标准最小二乘问题,通过引入高斯—牛顿迭代法,对列车组合定位进行轨迹修正;

19、步骤9:引入隐马尔可夫模型,实现地图匹配算法原理;

20、隐马尔可夫模型通过对道路的连通性进行明确建模,其中包括2个状态集合,3个概率矩阵:

21、隐含状态集合i:马尔可夫模型中实际所隐含的状态,通常无法通过直接观测得到,这些状态之间满足马尔可夫性质,令n代表隐含状态数目;

22、可观测状态集合o:可以通过直接观测而得到的状态,在隐马尔可夫模型中与隐含状态集合相关联,令m代表可观测状态数目;

23、状态转移概率矩阵a:描述隐马尔可夫模型中各个状态之间的转移概率;a=[aij]n×n,其中,aij=p(it+1=qj|it=qi),1≤i,j≤n;表示在t时刻状态是qi的条件下,在t+1时刻状态为qj的概率;

24、观测状态概率矩阵b:b=[bj(k)]n×m,其中,bj(k)=p(ot=vk|it=qj),1≤j≤n,1≤k≤m。;表示在t时刻隐含状态是qj条件下,其可观测状态为vk的概率;

25、初始状态概率矩阵π:π=(πi),π本文档来自技高网...

【技术保护点】

1.一种基于地图匹配的列车组合定位方法,其特征在于:包括以下步骤:

【技术特征摘要】

1.一种基于地图匹配的列车组合定位...

【专利技术属性】
技术研发人员:陈光武陈铖司涌波李朋朋周鑫马亚军徐万镛严玉乾王思琪春意
申请(专利权)人:兰州交通大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1