列车组合定位中改进CPF算法的探讨-计算机科学

统线性化，直接利用非线性系统通过选择一百度文库样本点的方法
逼近状态随机变量分布，适合于高斯条件下的大多数非线性 系统，但其无法适用于非高斯条件。 PF 作为一种基于贝叶斯 估计的非线性滤波算法，适用于状态空间模型表示的非线性
统的实时性、连续性、精确度和可靠度。
实现组合定位的关键是如何有效地进行数据融合。近几
which are widely used in the GNSS / INS integrated train positioning , can not meet the complex environment problem of high speed train positioning , a new method based on improved cubature particle filter (CPF) algorithm was proposed for the information fusion of intergrated train positioning.
关键词
列车组合定位，容积粒子滤泼，重要性密度函数，马尔科夫链蒙特卡洛
中图法分类号
TP13
文献标识码
A
001
10. 11896/j. issn. 1002-137X. 2017. 09. 055
Research of Improved CPF Algorithm for Intergrated Train Positioning W ANG Geng-sheng ZHANG Min (School of Inforrnation Engineering , East China ]iaotong University , Nanchang 330013 , China) Abstract In order to solve the problem that the extended Kalman filter (EKF) and unscented Kalman filter (UKF) ,
的缺点，以 CTCS3 为基础，把剧S 的自主性好、抗干扰性强、 短时间精度高等优点与 GNSS 的定位精度高、误差与时间不 相关等优点结合起来，可以有效地降低系统成本，提高定位系
EKF 使用泰勒展开对非线性系统进行线性化，但是在线性化 的过程中会产生较大的误差。 UKF 和 CKF 无须对非线性系
密度函数，通过融入当前的量测信息，提高了滤波的精确性和
实时性。
是完全不同的，非线性融合算法的性能取决于采用的非线性 滤波器。到目前为止，常用的非线性滤波器有扩展卡尔曼滤
波 (Extended Kalman Filter , EKF)[3J 、无迹卡尔曼滤波 (Un到稿日期: 2016-08-02 返修日期: 2017-01-08
第 44 卷第 9 期 2017 年 9 月
计算机科学 COMPUTER SCIENCE
Vo1. 44 No. 9 Sep.2017
列车组合定位中改进 CPF 算法的探讨
王更生张敏 (华东交通大学信息工程学院
摘
南昌 330013)
要针对在 GNSS/INS 列车组合定位中普遍采用的扩展卡尔曼滤.泼 (EKF) 、元迹卡尔曼滤泼 (UKF) 等滤.泼技术
无法满足复杂的高速列车组合定位环境问题，研究了列车组合定位中改进的容积粒子滤波 (CPF) 算法，提出了基于改
进 CPF 算法的列车组合定位信息融合技术。该算法采用马尔科夫链蒙特卡洛 (MCMC) 移动方法来解决粒子退化问
题，进而提高滤、波性能。使用 Matlab 对改进算法进行仿真，结果表明改进 CPF 具有更小的位置误差和速度误差，提 高了列车非线性运动过程中的定位精度。
系统，精度逼近最优估计，是解决非线性、非高斯滤波问题的 一种非常有效的方法。但粒子滤波也存在缺陷，如重要性分
布函数难以选取，导致粒子退化，用重采样方法解决粒子退化
问题时存在粒子匮乏、计算量大等问题[7-8J 。最近，一种基于
十年来，许多研究者对线性器系统的数据融合理论和方法进
行了研究和逐步完善[口，但大多数现代系统是非线性的，线性
融合理论不能直接扩展处理非线性数据融合，因此非线性融 合的研究越来越受到重视，成为了数据融合领域的热门话 题[2J 。非线性融合与基于传统线性卡尔曼滤波器的融合理论
CKF 的粒子滤波算法
容积卡尔曼粒子滤波 CPF(Cuba
ture Particle Filter) 被提出。该算法利用 CKF 来产生重要性
本文在此基础上提出改进 CPF 算法，该算法将 CKF 应
PF)[町、容积卡尔曼滤波 (Cubature Particle Filter , CKF)[6J 。
引言
GNSS/INS( Global Navigation S巴tellite System/ Inertial Navigation System) 组合定位系统克服了 GNSS 和 INS 各自
The 鸟也rkov
chain Monte Carlo (MCMC) method was used to
solve the particle degeneracy problem , improving the filter performance. Using Matlab simulation , the results show that the improved CPF algorithm has smaller position error and velocity error , whitch improves the accuracy in the process of train nonlinear motion. Keywords Integrated train positioning , Cubature particle filter , lmportance density function , Markov chain Monte Carlo scented Kalman Filter , UKF)[4 J 、粒子滤波 (Particle Filter ,