鄭定富 匡磊

摘 要：航位推算（Dead-Recking，簡稱DR）和全球定位系統(tǒng)（GPS）是車輛定位與導航系統(tǒng)中應用最廣泛的兩種定位技術。針對GPS和DR各自的特點，車輛定位系統(tǒng)常采用GPS/DR組合定位方案與單獨的DR系統(tǒng)定位方案，采用信息融合技術來組合GPS系統(tǒng)和DR系統(tǒng)，使得GPS/DR組合后的定位與導航系統(tǒng)的性能要優(yōu)于各個子系統(tǒng)的性能，由基本Kalman濾波算法而派生出的擴展的Kalman濾波算法可以解決實際工程中的非線性濾波問題，本文提出的BP神經網絡的非線性映射能力修正的擴展的Kalman濾波算法性能要優(yōu)于傳統(tǒng)的基本Kalman濾波算法。

關鍵詞：組合導航信息融合；Kalman濾波；BP神經網絡

1 前言

車輛導航與自動駕駛需要精確地知道車輛的位置信息和速度信息。GPS衛(wèi)星定位系統(tǒng)通過接收機可以在全球范圍內提供用戶精確的位置信息。然而，GPS測量中幾種誤差的存在使其具有良好的長期誤差特性而具有較差的短時誤差特性。對很多導航用戶來說，GPS作為單個獨立的導航系統(tǒng)是不夠的。由GPS和其他導航方式通過數(shù)據(jù)融合組成的導航系統(tǒng)是一種較為理想的選擇。在GPS/DR組合定位系統(tǒng)中，多傳感器的信息融合是根據(jù)系統(tǒng)的物理模型（由狀態(tài)方程和測量方程來描述）和系統(tǒng)模型（即傳感器噪聲的統(tǒng)計假設），將量測數(shù)據(jù)映射到狀態(tài)矢量空間。其中，狀態(tài)矢量包括一組目標載體定位的變量，如位置、速度、加速度和角速度等，通過描述載體的狀態(tài)，精確測量載體的運動行為。GPS/DR組合定位系統(tǒng)的數(shù)據(jù)融合就是可以根據(jù)量測數(shù)據(jù)給出一個狀態(tài)的最優(yōu)估計量。通常，多個傳感器可以具有不同的物理模型。在車輛GPS/DR組合定位系統(tǒng)中，Kalman濾波是應用最為廣泛的數(shù)據(jù)融合算法。但是對組合導航系統(tǒng)中具有非先驗性的噪聲的情況，傳統(tǒng)的Kalman濾波不是很有效，用BP神經網絡來輔助調節(jié)Kalman濾波，可使其具有自適應能力以應付動態(tài)環(huán)境的擾動。

2 GPS/DR組合系統(tǒng)狀態(tài)方程和觀測方程的建立

建立系統(tǒng)狀態(tài)方程存在的一個難點是如何描述車輛的加速度變化。采用機動載體的“當前”統(tǒng)計模型來描述車輛加速度的統(tǒng)計分布。這種模型的意義在于，在每一種具體的場合，人們僅關心機動加速度的“當前概率密度”，即目標機動的當前可能性，當目標以某一加速度機動時，它在下一時刻的加速度取值范圍是有限的，并且只能在“當前”加速度的鄰域內，即

使用上式在實際的非線性系統(tǒng)中濾波時必定會產生較大的誤差，甚至發(fā)散。因此需要用BP神經網絡來校正。把能直接影響Kalman濾波估計的誤差的參數(shù)作為神經網絡的輸入，由其下3部分組成：①狀態(tài)預測值與狀態(tài)估計值之差；②觀測值與估計觀測值之差；③Kalman濾波增益；④協(xié)方差PK。BP神經網絡的期望輸出值為，其中E為目標狀態(tài)向量的理論值。BP神經網絡經過這樣的訓練后，把網絡輸出的與經過Kalman濾波的結果相加，便可以得到精度更高的結果?；贐P神經網絡修正的擴展的Kalman濾波算法的原理框圖如圖1所示。

4 仿真結果

輸入輸出層的神經元的個數(shù)由輸入輸出向量的維數(shù)決定。理論證明，在任何閉區(qū)間內的連續(xù)函數(shù)都可以用三層BP神經網絡逼近，因此本文采用單隱層BP神經網絡，隱層神經元個數(shù)由公式來確定。其中，N和M分別為輸入和輸出單元個數(shù)，a為[1 10]之間的數(shù)，a的最優(yōu)值由實驗測試決定——可以將隱層神經元個數(shù)當成一個參數(shù)，通過一個循環(huán)得出范圍內所有的結果。經測試，最優(yōu)值為16。仿真結果如圖2所示。

5 結論

從圖1可以看出，在東向和北向上的位移誤差，經BP網絡校正的擴展的Kalman濾波比之前的經典的擴展的Kalman濾波要小。本文提出的BP神經網絡修正的擴展的Kalman濾波算法優(yōu)于傳統(tǒng)的擴展的Kalman濾波算法，在組合定位中擁有更好的性能和更廣泛的應用前景。

參考文獻

[1]Salmon D.C.，Bevly D.M..An exploration of low-cost sensor and vehicle model solutions for ground vehicle navigation[A].Position，Location and Navigation Symposium-PLANS 2014，2014 IEEE/ION[C].2014：462-471.

[2]Kim D.J.，Kim M.K.，Lee K.S.，et al.Localization system of autonomous vehicle via Kalman filtering[A].Control，Automation and Systems（ICCAS），2011 11th International Conference on[C].2011：934-937.

[3] 趙琳，王小旭，丁繼成，等.組合導航系統(tǒng)非線性濾波算法綜述[J].中國慣性技術學報，2009，17（1）：46-52.

[4] 趙艷飛，張樹君.車載 GPS/DR 組合導航系統(tǒng)的 DR 算法[J].科技資訊，2013，（22）：8-10.

[5]Heeger D.J.，Hager G..Egomotion and the stabilized world[A].Computer Vision.，Second International Conference on[C].1988：435-440.

[6]Groves P.D.Principles of GNSS，inertial，and multisensor integrated navigation systems[M].Artech house，2013.

[7]Khaleghi B.，Khamis A.，Karray F.O.，et al.Multisensor data fusion：A review of the state-of-the-art[J].Information Fusion，2013，14（1）：28-44.

[8]He W.，Lian B.，Tang C..GNSS/INS integrated navigation system based on adaptive robust Kalman filter restraining outliers[A].Communications in China-Workshops（CIC/ICCC），2014 IEEE/CIC International Conference on[C].2014：32-35.

[9]鄧自立.Wiener濾波，Kalman濾波和信息融合濾波理論研究進展[J].黑龍江大學工程學報，2011，（3）：37-44.

[10]德鈞，房建成.GPS 動態(tài)濾波的理論，方法及其應用[M].江蘇科學技術出版社，2000.

[11]Singer R.Estimating optimal tracking filter performance for manned maneuvering targets[J].Aerospace and Electronic Systems，IEEE Transactions on，1970，（4）：473-483.

（作者單位：華中科技大學自動化學院）