多传感器融合定位在高速铁路的应用

　2009年在武广、郑西等客运专线中，C3列控系统的应用，对高速铁路列车定位威廉希尔官方网站 提出了更高的要求。C3列控系统的主要威廉希尔官方网站 原则中明确提出，列车的运营速度达到350 km／h，最小追踪间隔为3 min，并且300 km／h及以上动车组不装设列车运行监控装置，在300 km／h及以上线路，CTCS-3级列控系统车载设备速度容限规定为超速2 km／h报警、超速5 km／h触发常用制动、超速15 km／h触发紧急制动。这些威廉希尔官方网站 原则要求高速铁路列车运行控制系统必须在任何时刻、任何地方都能确定列车的准确位置，包括列车的行车安全的相关间隔、速度、加速度及轨旁设备和车载设备资源的分配。由这些信息来确定是否需要采取制动措施，保证安全间隔。目前，陀螺、加速度计、里程仪、GPS接收机等传感器已经普遍应用于列车测速定位系统。

　　1 高速铁路威廉希尔官方网站 的发展

　　高速铁路威廉希尔官方网站 的发展是多种多样的，各个国家根据其路况、地形、运营需求采用不同的定位威廉希尔官方网站 。法国AS-TREE系统采用多普勒雷达进行测速定位；北美ARES，PTC，PTS系统采用GPS(全球定位系统)进行定位；欧洲ETCS、日本CARAT系统采用查询／应答器和速度传感器进行定位；德国LZB系统采用轨间电缆进行列车定位；美国AATC系统采用无线测距进行定位。

　　根据中国铁路地形、线路的复杂状况及高速铁路对列车定位威廉希尔官方网站 的要求，文中提出了多传感器组合定位的方案，选用GPS／DR／MM组合定位的方式，利用多传感器组合定位威廉希尔官方网站 信息互补的特点，采用卡尔曼滤波将所得信息进行数据融合，得到比单一传感器定位更精确的定位数据。

　　2 列车定位系统方案

　　该方案利用DR自主定位的特点，可以保证列车在任何地方、任何时候都可以输出定位信息，而GPS的采用可以给DR提供初始位置数据，MM的运用满足了系统对定位精度的需求。融合算法部分采用联邦滤波算法，解决了其他滤波算法计算负担重，容错性能差的缺点。

　　2．1 列车定位方式的选择

　　2．1．1 定位方式介绍

　　GPS是一种无线电导航系统。作为最早应用于导航定位系统的高新威廉希尔官方网站 ，有着在全球范围内、在任意时刻、任意气象条件下为用户提供连续不断的高精度三维位置、速度和时间信息的特点。采用GPS定位时只需要在机车上安装接收机即可，但在周围阻挡物多的地方列车的定位精度会受到影响。并且，GPS对卫星故障十分敏感，一但一颗卫星失效，就会出现GPS性能恶化的情况。所以，不能单一的将GPS定位信息作为列控系统的位置参数。

　　DR是车辆定位导航中采用的一种比较经典的算法。它由测量航向的传感器和测量距离的传感器构成。本方案中采用里程仪作为测量距离的传感器，陀螺仪作为测量航向的传感器。里程仪输出的是脉冲信号。车轮每转一圈，里程仪输出固定数量的脉冲信号，通过累加一定时间内的里程仪的脉冲数目，可以计算出车辆在这一段时间内所驶过的距离，也可以计算出车辆行驶的速度。陀螺仪输出航向角的角速率信息。将陀螺输出的角速率信息积分可得到列车的相对转角。与GPS相比，DR可以自主定位，不存在遮挡等问题引起的列车定位信息遗失。但DR系统的初始位置无法自主得到，并且航迹推算是一个累加的过程，不同时刻的测量误差和计算误差都会累积起来，随着时间的推移，DR误差是一个发散的过程。

　　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威廉希尔官方网站 ，即各种定位威廉希尔官方网站 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。