摘 要： 在萬物互聯(lián)的時(shí)代，交通系統(tǒng)中精準(zhǔn)的車輛位置信息顯得尤為重要。為了能夠得到準(zhǔn)確的車輛位置，通過硬件采集到基本數(shù)據(jù)后，可再經(jīng)過一系列數(shù)據(jù)處理，能夠一定程度上提高車輛定位的精度。本文將自適應(yīng)的交互多模算法和容積卡爾曼濾波算法（CKF）相結(jié)合，能適應(yīng)車輛的各種機(jī)動狀態(tài)。仿真實(shí)驗(yàn)表明，交互多模容積卡爾曼濾波算法的定位精度相較于容積卡爾曼濾波算法的定位精度能夠提升25%左右。

關(guān)鍵詞： 車輛定位;容積卡爾曼濾波;交互多模算法

當(dāng)今是一個(gè)萬物互聯(lián)的時(shí)代，而“智能交通”[1]是一種先進(jìn)的技術(shù)，其需要以一系列的交通設(shè)施為依托，將信息采集技術(shù)、傳感器技術(shù)、無線通信技術(shù)、計(jì)算機(jī)技術(shù)、自動化控制技術(shù)集合應(yīng)用于整個(gè)交通管理系統(tǒng)。由此建立的綜合交通管理體系能夠在大范圍內(nèi)，實(shí)時(shí)、準(zhǔn)確、高效、全方位地實(shí)現(xiàn)自動化交通管理，是現(xiàn)代交通進(jìn)入信息化時(shí)代的重要標(biāo)志。

本文采用容積卡爾曼濾波算法[2-4]作為基本定位算法，但是容積卡爾曼濾波算法無法自動適應(yīng)車載的運(yùn)動狀態(tài)變化，當(dāng)車載突然加減速或者轉(zhuǎn)彎時(shí)，會出現(xiàn)較大的定位誤差出。本文將交互多模算法與其結(jié)合，能較好地解決這一問題。

1 交互多模容積卡爾曼濾波算法

交互多模[5-6]CKF作為一種自適應(yīng)算法，通過構(gòu)建多個(gè)車載運(yùn)動模型，對每一個(gè)車載運(yùn)動模型都利用CKF算法進(jìn)行濾波，利用多個(gè)濾波器與實(shí)際系統(tǒng)中的多種運(yùn)動狀態(tài)相匹配，然后依據(jù)似然函數(shù)的大小決定某一子濾波器的濾波結(jié)果在系統(tǒng)總輸出中的占比，最后融合輸出。

假定系統(tǒng)選取了含有r個(gè)模型的模型集，模型i轉(zhuǎn)移到模型j的轉(zhuǎn)移概率為Pij。

則交互多模CKF算法的流程可以表示為以下幾個(gè)步驟[5-7]：

步驟1：計(jì)算各個(gè)CKF濾波器的混合輸入。

步驟2：r個(gè)CKF并行濾波，每個(gè)濾波器得到各自新的狀態(tài)估計(jì)和協(xié)方差矩陣。

步驟3：計(jì)算各個(gè)CKF濾波器對應(yīng)模型的似然函數(shù)。

步驟4：r個(gè)模型進(jìn)行概率更新。確定各個(gè)模型在總輸出中的所占比例。

步驟5：r個(gè)CKF濾波器融合輸出。公式（1）和（2）描述如何將r個(gè)CKF濾波器的狀態(tài)預(yù)計(jì)與協(xié)方差矩陣進(jìn)行融合輸出。

X? ^ （k|k）=∑ r j=1 μj（k）X? ^ j（k|k） （1）

P（k|k）= ∑ r j=1 μj（k）{Pj（k|k）+[X? ^ j（k|k）-X? ^ （k|k）]

×[X? ^? j（k|k）-X? ^? （k|k）]T} （2）

X? ^ （k|k）是當(dāng)前時(shí)刻總的融合輸出，X? ^ j（k|k）是第j個(gè)濾波器的輸出，μj是第j個(gè)濾波器輸出占比，P（k|k）是總的輸出協(xié)方差矩陣。

至此，交互多模CKF算法的一個(gè)濾波周期到此也就完成了。由于采用了多個(gè)模型，這樣當(dāng)車載運(yùn)動狀態(tài)發(fā)生改變時(shí)，總能找到最適合描述車輛當(dāng)前運(yùn)動狀態(tài)的模型。通過概率更新將此模型的概率設(shè)置為最大，這樣最終濾波輸出就能最接近實(shí)際值。

2 仿真分析

由于受實(shí)驗(yàn)條件的限制，本文在仿真時(shí)，首先對車載的運(yùn)動軌跡進(jìn)行假設(shè)模擬并記錄，然后在真實(shí)的位置信息加上均值為零方差為10的高斯隨機(jī)噪聲作為觀測向量。仿真工具是MATLAB R2010a，PC環(huán)境為Windows XP。

車輛運(yùn)動軌跡：車輛在二維平面內(nèi)做簡單S形運(yùn)動。現(xiàn)分別采用CKF算法和交互多模CKF算法對車輛定位信息進(jìn)行濾波。下表是五次仿真試驗(yàn)的結(jié)果。

仿真實(shí)驗(yàn)結(jié)果分析：多模型交互CKF比CKF的定位精度提高了有25%左右，能夠?qū)囕v運(yùn)動的機(jī)動突變，進(jìn)行應(yīng)變處理。

3 結(jié)語

交互多模容積卡爾曼濾波算法對車載的定位效果優(yōu)于容積卡爾曼濾波算法，這種提升效果在車載運(yùn)動狀態(tài)轉(zhuǎn)換時(shí)刻表現(xiàn)的尤其明顯。交互多模CKF和容積卡爾曼濾波的核心算法都是非線性的卡爾曼濾波算法，前者之所以有定位效果的提升主要是因?yàn)榻换ザ嗄KF算法結(jié)合了交互多模這種自適應(yīng)算法，能夠在車載運(yùn)動狀態(tài)的轉(zhuǎn)換時(shí)，找到最適合描述車載運(yùn)動狀態(tài)的模型，而單獨(dú)的容積卡爾曼濾波算法則不能做到這點(diǎn)。

參考文獻(xiàn)：

[1]梁偉，鄭印，王沁艷，等.智能交通系統(tǒng)消息交換的復(fù)雜度研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2014，（01）：81-84.

[2]唐李軍.Cubature卡爾曼濾波及其在導(dǎo)航中的應(yīng)用研究[D].哈爾濱：哈爾濱工程大學(xué)博士論文，2012.

[3]史軍.基于容積卡爾曼濾波的船舶非線性觀測器研究[D].哈爾濱：哈爾濱工程大學(xué)博士論文，2013.

[4]葛磊.容積卡爾曼濾波算法研究及其在導(dǎo)航中的應(yīng)用[D].哈爾濱：哈爾濱工程大學(xué)博士論文，2013.

[5]張會先.自適應(yīng)濾波算法的研究與應(yīng)用[D].西安：西安電子科技大學(xué)碩士論文，2012.

[6]胡煒.交互多模型目標(biāo)跟蹤算法的研究[D].沈陽：東北大學(xué)碩士論文，2010.

作者簡介： 卞月根（1989—），男，江蘇鹽城人，碩士研究生，助教，研究方向?yàn)槲锫?lián)網(wǎng)、導(dǎo)航定位。