王小敏 雷 筱 張亞?wèn)|

①(西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院 成都 611756)

②(四川省列車(chē)運(yùn)行控制技術(shù)工程研究中心 成都 611756)

1 引言

列車(chē)定位是列車(chē)運(yùn)行控制系統(tǒng)(簡(jiǎn)稱列控系統(tǒng))的關(guān)鍵技術(shù)之一。隨著列車(chē)運(yùn)行速度的不斷提升，列控系統(tǒng)需要通過(guò)實(shí)時(shí)獲取精確的位置信息來(lái)保證列車(chē)運(yùn)行的安全和效率。目前基于單一傳感器的列車(chē)定位方式已不能滿足精準(zhǔn)定位的需求，基于多傳感器的組合定位正逐漸成為列車(chē)高精度定位的發(fā)展趨勢(shì)[1]。

在列車(chē)多傳感器組合定位中，衛(wèi)星導(dǎo)航系統(tǒng)(Global Navigation Satellite System, GNSS)因其低成本、連續(xù)、高精度的定位能力得到廣泛應(yīng)用[2]。GNSS在山區(qū)、隧道及城市等復(fù)雜的列車(chē)線路環(huán)境時(shí)定位性能下降，需要輔助其它類別傳感器實(shí)現(xiàn)組合定位[3]。文獻(xiàn)[4]提出一種GNSS/慣導(dǎo)系統(tǒng)(Inertial Navigation System, INS)/里程計(jì)/地圖匹配定位方法，在衛(wèi)星長(zhǎng)時(shí)間失鎖場(chǎng)景時(shí)用里程計(jì)糾正INS錯(cuò)誤。文獻(xiàn)[5]考慮實(shí)際成本和需求，綜合利用GNSS、輪軸測(cè)速傳感器、加速度計(jì)、應(yīng)答器的信息，設(shè)計(jì)了一種基于卡爾曼濾波的多傳感器組合定位方案。文獻(xiàn)[6]采用兩級(jí)聯(lián)邦卡爾曼濾波器的融合框架，將GNSS、INS、輪軸測(cè)速傳感器和射頻識(shí)別系統(tǒng)的信息進(jìn)行融合，并用INS對(duì)車(chē)輪空滑進(jìn)行檢測(cè)與修正。

列車(chē)多傳感器組合定位的關(guān)鍵是濾波融合算法，上述濾波算法[4-6]普遍采用單一的運(yùn)動(dòng)模型，難以精準(zhǔn)描述列車(chē)完整的運(yùn)動(dòng)過(guò)程而導(dǎo)致濾波精度下降。交互多模算法(Interacting Multiple Model,IMM)[7]并行使用多個(gè)運(yùn)動(dòng)模型，采用馬爾可夫過(guò)程來(lái)模擬模型之間的轉(zhuǎn)換，最后對(duì)多個(gè)模型的濾波值加權(quán)得到目標(biāo)的狀態(tài)估計(jì)[8]。只要構(gòu)造的系統(tǒng)運(yùn)動(dòng)模型與目標(biāo)軌跡匹配，那么IMM算法可以較好地跟蹤機(jī)動(dòng)目標(biāo)[9]。然而傳統(tǒng)的IMM算法及其非線性濾波集成算法[10,11]，依賴先驗(yàn)信息將馬爾可夫轉(zhuǎn)移概率矩陣(Transition Probability Matrix, TPM)設(shè)為固定值，導(dǎo)致模型切換滯后甚至濾波精度下降。針對(duì)此類問(wèn)題，文獻(xiàn)[12]將IMM的模型預(yù)測(cè)概率之比定義為誤差壓縮率比值，并以此來(lái)自適應(yīng)調(diào)節(jié)TPM參數(shù)。由于在定義模型壓縮率時(shí)過(guò)分增大了向匹配模型的轉(zhuǎn)移概率，導(dǎo)致某些特殊場(chǎng)景下濾波發(fā)散。文獻(xiàn)[13]推導(dǎo)了自適應(yīng)調(diào)節(jié)的必要條件，重新定義了模型誤差壓縮率之比，但在模型切換時(shí)產(chǎn)生較大的誤差。文獻(xiàn)[14,15]通過(guò)子模型間的似然函數(shù)值之比來(lái)自適應(yīng)更新TPM值，并通過(guò)限制閾值來(lái)保證TPM主對(duì)角占優(yōu)，提高了濾波穩(wěn)定性。文獻(xiàn)[16]利用指數(shù)函數(shù)的非負(fù)單調(diào)性，通過(guò)相鄰時(shí)刻子模型的概率比對(duì)TPM進(jìn)行實(shí)時(shí)修正。這些算法[12-16]能自適應(yīng)更新TPM，當(dāng)目標(biāo)處于匹配模型時(shí)，通過(guò)提高匹配模型權(quán)重來(lái)提高濾波精度，但當(dāng)目標(biāo)處于模型切換階段時(shí)，由于自適應(yīng)算法夸大了過(guò)去時(shí)刻匹配模型的權(quán)重，導(dǎo)致子模型切換滯后以及位置誤差出現(xiàn)峰值，降低了融合濾波精度。

為提高列車(chē)的定位精度，本文提出基于改進(jìn)自適應(yīng)IMM算法的列車(chē)組合定位方法。根據(jù)列車(chē)高精度定位需求，首先構(gòu)造了衛(wèi)星接收器、輪軸測(cè)速傳感器、測(cè)速雷達(dá)以及單軸陀螺儀4種傳感器的組合定位方案，然后設(shè)計(jì)了自適應(yīng)IMM濾波融合改進(jìn)算法實(shí)現(xiàn)列車(chē)的高精度組合定位。最后，依據(jù)CRH3型車(chē)的動(dòng)力學(xué)參數(shù)設(shè)計(jì)了不同的仿真場(chǎng)景進(jìn)行算法測(cè)試。仿真結(jié)果表明，本文算法可以加快模型間的切換速度，提高定位的精度和穩(wěn)定性。相比于現(xiàn)有的TPM自適應(yīng)更新算法，本文做了以下2個(gè)方面的改進(jìn)工作：

(1)將Sage-Husa自適應(yīng)濾波算法[17]集成到IMM融合框架，依據(jù)殘差信息自適應(yīng)調(diào)整噪聲方差大小，克服了傳感器量測(cè)噪聲方差矩陣值固定的問(wèn)題，使得本文算法能應(yīng)用于傳感器精度變化的場(chǎng)景。

(2)在改進(jìn)的自適應(yīng)IMM融合濾波算法中，利用子模型的似然函數(shù)值比預(yù)測(cè)概率值能更快反映模型切換趨勢(shì)的特點(diǎn)，將子模型的似然函數(shù)值設(shè)為模型切換的判定標(biāo)志，改善了IMM中子模型切換滯后的問(wèn)題，降低了模型切換階段的定位位置誤差峰值。

2 列車(chē)組合定位模型

2.1 列車(chē)定位傳感器特性分析

列車(chē)常見(jiàn)的定位傳感器包括輪軸測(cè)速傳感器、車(chē)載多普勒測(cè)速雷達(dá)、INS以及衛(wèi)星接收器，它們的傳感器特性如表1[1]所示。輪軸測(cè)速傳感器精度較高，成本低廉且性能可靠，但是精度易受輪徑磨損和車(chē)輪空轉(zhuǎn)打滑的影響。測(cè)速雷達(dá)的測(cè)速精度和成本都較高，在極端積水的場(chǎng)景下會(huì)受影響，并且安裝時(shí)需要減少安裝角誤差。INS由加速計(jì)和陀螺儀組成，能適用于各種環(huán)境，但是存在累積誤差。INS的成本比較高，但是它的單一器件如單軸陀螺儀等，成本相對(duì)低廉。衛(wèi)星接收器的優(yōu)勢(shì)是高精度低成本，且安裝容易、檢修方便，但接收信號(hào)容易受到干擾和遮擋。

表1 列車(chē)定位傳感器特性

2.2 高速列車(chē)組合定位方案

根據(jù)高速列車(chē)精準(zhǔn)定位需求，綜合考慮成本性能，將衛(wèi)星接收機(jī)、輪軸測(cè)速傳感器、車(chē)載多普勒測(cè)速雷達(dá)、單軸陀螺儀作為子傳感器集成為高速列車(chē)組合定位系統(tǒng)，組合定位方案如圖1所示。首先，接收機(jī)自主完整性監(jiān)測(cè)(Receiver Autonomous Integrity Monitoring, RAIM)算法[18]根據(jù)當(dāng)前可觀測(cè)的衛(wèi)星數(shù)n和偽距檢測(cè)衛(wèi)星是否發(fā)生故障。其次，輪軸測(cè)速傳感器和車(chē)載多普勒雷達(dá)分別通過(guò)獲取本周期內(nèi)的脈沖數(shù)以及發(fā)射波的多普勒頻移量來(lái)計(jì)算得到列車(chē)的速度測(cè)量值。再次，為了保證數(shù)據(jù)的平滑和穩(wěn)定性，使用速度差檢測(cè)法對(duì)輪軸和雷達(dá)的速度計(jì)算值進(jìn)行空滑檢測(cè)。若發(fā)生空滑，需要對(duì)輪軸傳感器的計(jì)算數(shù)據(jù)進(jìn)行低通濾波修正。然后，分別將衛(wèi)星和輪軸、衛(wèi)星和雷達(dá)的測(cè)量值用自適應(yīng)IMM算法進(jìn)行濾波，同時(shí)使用單軸陀螺儀為IMM算法中勻速轉(zhuǎn)彎模型提供角速度，得到單一傳感器濾波估計(jì)值。最后，采用信息融合算法將單一傳感器濾波結(jié)果進(jìn)行融合，得到最終的位置估計(jì)值。

圖1 高速列車(chē)組合定位方案

2.3 列車(chē)定位數(shù)學(xué)模型

高速列車(chē)組合定位的數(shù)學(xué)模型包括列車(chē)狀態(tài)模型和列車(chē)量測(cè)模型2部分。

針對(duì)高速列車(chē)的運(yùn)動(dòng)特點(diǎn)，本文選擇的模型集包括：勻速(constant velocity, CV)、勻加速度(constant accelerated, CA)以及勻速率轉(zhuǎn)彎(constant turn, CT)3個(gè)子模型。這些運(yùn)動(dòng)模型可以用一個(gè)通用的離散方程描述為

其中，Xk表示列車(chē)在k時(shí)刻運(yùn)動(dòng)狀態(tài)，F(xiàn)為狀態(tài)轉(zhuǎn)移矩陣，G為噪聲驅(qū)動(dòng)矩陣，Wk為運(yùn)動(dòng)過(guò)程中的狀態(tài)轉(zhuǎn)移噪聲。F和G的具體設(shè)置與模型集的子模型相關(guān)。

列車(chē)的量測(cè)模型又稱為觀測(cè)模型，可以用量測(cè)方程表示為

其中，h(*)為傳感器的量測(cè)函數(shù)，與傳感器種類相關(guān)；Vk為傳感器測(cè)量噪聲，與其精度相關(guān)。

3 標(biāo)準(zhǔn)IMM算法

IMM算法使用多個(gè)運(yùn)動(dòng)模型來(lái)描述運(yùn)動(dòng)過(guò)程中可能出現(xiàn)的運(yùn)動(dòng)狀態(tài)，然后分別計(jì)算在單一運(yùn)動(dòng)模型下的卡爾曼濾波估計(jì)值，最后通過(guò)加權(quán)求和獲得系統(tǒng)的總體估計(jì)值[10]。它的基本流程分為下面4個(gè)步驟：

步驟1 輸入交互。由上一時(shí)刻的目標(biāo)估計(jì)、模型概率以及轉(zhuǎn)移概率矩陣Πk，最終得到單一模型的混合估計(jì)-1|k-1和混合協(xié)方差-1|k-1，并輸入到并行濾波環(huán)節(jié)。計(jì)算過(guò)程如下：

其中， πij為轉(zhuǎn)移概率矩陣 πk中的元素；為模型i到j(luò)的混合概率；-1|k-1和1|k-1分別為上一時(shí)刻子模型的狀態(tài)估計(jì)值和協(xié)方差估計(jì)。

步驟4 輸出交互。對(duì)各個(gè)子運(yùn)動(dòng)模型求得的狀態(tài)估計(jì)值和協(xié)方差進(jìn)行加權(quán)求和，得到狀態(tài)估計(jì)值Xk|k和協(xié)方差Pk|k。

4 改進(jìn)的自適應(yīng)IMM算法

為解決標(biāo)準(zhǔn)IMM算法中傳感器量測(cè)噪聲方差矩陣和TPM設(shè)置固定導(dǎo)致濾波精度下降的問(wèn)題，本文在標(biāo)準(zhǔn)IMM算法的基礎(chǔ)上引入Sage-Husa自適應(yīng)算法和TPM自適應(yīng)算法，集成自適應(yīng)IMM算法，使其既能自適應(yīng)更新傳感器量測(cè)噪聲方差矩陣和TPM參數(shù)。改進(jìn)的自適應(yīng)IMM算法框架如圖2所示。

圖2 本文改進(jìn)的自適應(yīng)IMM算法框架

4.1 傳感器量測(cè)噪聲方差自適應(yīng)更新

首先，利用標(biāo)準(zhǔn)IMM算法步驟2得到的單一子模型協(xié)方差預(yù)測(cè)k-1和殘差，以及步驟3得到各個(gè)子模型的概率作為權(quán)值，加權(quán)求和得到當(dāng)前時(shí)刻的單一傳感器協(xié)方差預(yù)測(cè)Pk|k-1和單一傳感器殘差εk。

然后，借鑒Sage-Husa自適應(yīng)濾波[17]思想，本文采用遺忘函數(shù)dk來(lái)確定自適應(yīng)更新時(shí)的權(quán)重。其中，b為遺忘因子，本文取值為0.99。

最后，由于當(dāng)傳感器實(shí)際噪聲比較小時(shí)，容易出現(xiàn)量測(cè)方差負(fù)定，從而導(dǎo)致濾波發(fā)散。如果直接去除負(fù)定項(xiàng)，又會(huì)導(dǎo)致濾波估計(jì)精度受損。因此采用“序貫量測(cè)”和“方差受限”法，更新得到下一時(shí)刻傳感器量測(cè)噪聲方差Rk+1為

4.2 TPM自適應(yīng)更新

利用TPM的元素和IMM算法步驟3中子模型的似然函數(shù)值，得到模型的誤差壓縮率之比dij為[14]

將模型的誤差壓縮率之比dij作為自適應(yīng)的依據(jù)，更新得到TPM非對(duì)角元素和對(duì)角元素為

其中，l為自適應(yīng)調(diào)節(jié)速度，取值范圍為[0,1]，取0時(shí)表示不進(jìn)行自適應(yīng)調(diào)節(jié)，本文取值為1。

式(19)將導(dǎo)致非匹配模型轉(zhuǎn)移到匹配模型的概率越來(lái)越大，而轉(zhuǎn)移到自身的概率越來(lái)越小，此時(shí)主對(duì)角線占優(yōu)原則[13]可能會(huì)不成立。為保證TPM主對(duì)角線占優(yōu)原則，首先設(shè)置一個(gè)閾值 Th，其中Th 應(yīng)滿足 Th≥0.5。當(dāng)TPM經(jīng)過(guò)式(19)的算法自適應(yīng)更新后，若其某個(gè)主對(duì)角線元素值小于該閾值Th，則對(duì)該行元素按式(21)修正

4.3 子模型快速切換

為了加快模型的切換速度，提高算法在模型切換過(guò)程中的濾波精度，本文借鑒文獻(xiàn)[15]的判定窗二次修正的思想，對(duì)3.2節(jié)中TPM自適應(yīng)更新算法進(jìn)行改進(jìn)。具體步驟如下所示：

(1)由于子模型的似然函數(shù)值相比于預(yù)測(cè)概率值能更快反映模型變化的趨勢(shì)，所以找出當(dāng)前時(shí)刻子模型的似然函數(shù)最大值。同時(shí)，為找出當(dāng)前時(shí)刻算法所處的模型，還需找出模型概率的最大值。

(3)利用長(zhǎng)度為L(zhǎng)的判定窗去處理極大值的標(biāo)志。若判定窗長(zhǎng)度過(guò)長(zhǎng)，則模型切換可能會(huì)滯后；若長(zhǎng)度過(guò)短，會(huì)導(dǎo)致誤判。如果滿足判定窗的條件，則找出當(dāng)前系統(tǒng)所處的子模型編號(hào)i和應(yīng)該轉(zhuǎn)換至的子模型編號(hào)j。

(4)設(shè)定一個(gè)閾值σ，σ和追蹤目標(biāo)的機(jī)動(dòng)頻率有關(guān)。利用該閾值對(duì)TPM中的非主對(duì)角元素 πij進(jìn)行修正。

5 仿真驗(yàn)證與分析

在多傳感器組合定位中，定位性能主要取決于濾波融合算法。為了驗(yàn)證本文算法的定位性能，將其與標(biāo)準(zhǔn)卡爾曼濾波算法[5]、標(biāo)準(zhǔn)IMM算法、基于預(yù)測(cè)概率修正TPM算法[13]、基于似然函數(shù)值修正TPM算法[14]、基于判定窗二次修正TPM算法[15]、基于相鄰時(shí)刻模型概率修正TPM算法[16]，以及Sage-Husa濾波算法[17]進(jìn)行比較。

5.1 實(shí)驗(yàn)設(shè)計(jì)

列車(chē)車(chē)型為CRH3型，該車(chē)型的動(dòng)力學(xué)參數(shù)如表2所示[19]。列車(chē)運(yùn)行方向設(shè)為東北方向，采樣周期設(shè)定為1 s，仿真總時(shí)長(zhǎng)設(shè)為1 400 s，蒙特卡羅仿真次數(shù)設(shè)為100次。設(shè)定列車(chē)做以下運(yùn)動(dòng)：0～381 s加速度減小的牽引加速，382～1 000 s勻速巡航，1 001～1 100 s列車(chē)惰行減速，1 101～1 280 s勻速巡航，1 281～1 340 s經(jīng)過(guò)彎道做角速度為0.01 rad/s的勻速率轉(zhuǎn)彎運(yùn)動(dòng)，1 341～1 400 s制動(dòng)減速直到停車(chē)。

表2 CRH3型車(chē)的動(dòng)力學(xué)參數(shù)

仿真時(shí)使用CV, CA, CT等3個(gè)運(yùn)動(dòng)子模型描述列車(chē)運(yùn)行過(guò)程中的運(yùn)動(dòng)狀態(tài)，它們?cè)贗MM中的初始概率設(shè)為u=[0.8,0.1,0.1]，TPM初始值設(shè)為π(0)=[0.9,0.05,0.05;0.05,0.9,0.05;0.05,0.05,0.9]。其中，CV模型過(guò)程噪聲方差陣設(shè)為QCV=10-4×I2×2， CA模型過(guò)程噪聲方差陣設(shè)為QCA=10-2×I2×2，CT模型過(guò)程噪聲方差陣設(shè)為QCT=0.114×I2×2。在此基礎(chǔ)上設(shè)置兩種仿真場(chǎng)景進(jìn)行驗(yàn)證，并采用平均絕對(duì)誤差(Mean Absolute Error, MAE)和均方根誤差(Root Mean Square Error, RMSE)指標(biāo)評(píng)價(jià)算法濾波精度。

5.2 場(chǎng)景1定位性能仿真

場(chǎng)景1主要是驗(yàn)證TPM自適應(yīng)算法的性能，因此本文算法除了和文獻(xiàn)[5]的列車(chē)定位算法比較外，還與標(biāo)準(zhǔn)IMM算法、文獻(xiàn)[13-16]中的算法進(jìn)行對(duì)比。在場(chǎng)景1中，每個(gè)傳感器的測(cè)量精度都通過(guò)先驗(yàn)信息確定，具體設(shè)置如下：衛(wèi)星接收器在東方向和北方向噪聲方差都為1 m2，輪軸測(cè)速傳感器的噪聲方差為0.5 m2/s2，測(cè)速雷達(dá)的噪聲方差為0.3 m2/s2。蒙特卡羅法仿真結(jié)果如表3所示，選取某次蒙特卡羅仿真實(shí)驗(yàn)如圖3-圖5所示。

圖3 算法位置誤差比較

表3 各濾波算法的定位性能比較

由表3所示，本文算法的定位誤差在所有算法中均最小，與文獻(xiàn)[5,14,15]算法相比，位置RMSE分別改善了17.2%, 2.1%, 1.6%，最大位置偏差分別降低了2.5%, 23.5%和21.6%。這說(shuō)明本文算法能有效抑制文獻(xiàn)[15]這類TPM自適應(yīng)算法帶來(lái)的最大誤差峰值，并且與其他文獻(xiàn)的算法相比整體定位精度有所提升。

為進(jìn)一步分析列車(chē)運(yùn)動(dòng)過(guò)程中定位誤差及子模型概率的變化情況，圖3給出了算法位置誤差隨時(shí)間變化曲線，圖4和圖5給出了子模型加權(quán)概率的變化曲線。如圖3所示，在整個(gè)列車(chē)運(yùn)行過(guò)程中，本文算法和文獻(xiàn)[14,15]的算法都在模型切換階段出現(xiàn)了較大的定位位置誤差，但是本文算法的定位位置誤差明顯小于文獻(xiàn)[14,15]的算法。這說(shuō)明在模型切換過(guò)程中本文算法能有效抑制濾波發(fā)散，提高定位精度。如圖4和圖5所示，在CV切換至CA時(shí)，本文算法比標(biāo)準(zhǔn)IMM算法和文獻(xiàn)[15]算法分別提前6 s和2 s切換至正確的模型；在CV切換至CT時(shí)，本文算法比標(biāo)準(zhǔn)IMM算法和文獻(xiàn)[15]算法能更快地切換至正確的子模型，且沒(méi)有子模型匹配錯(cuò)誤。實(shí)驗(yàn)結(jié)果表明本文算法能更快、更準(zhǔn)確地匹配到正確的子模型，從而在模型切換階段能更有效地抑制濾波發(fā)散，提高定位精度。

圖4 CV切換至CA時(shí)算法模型概率變化曲線

圖5 CV切換至CT時(shí)算法模型概率變化曲線

5.3 場(chǎng)景2定位性能仿真

場(chǎng)景2主要是驗(yàn)證本文算法對(duì)高斯白噪聲的自適應(yīng)能力，因此本文算法除了和文獻(xiàn)[5]的列車(chē)定位算法比較外，還和文獻(xiàn)[15]算法、文獻(xiàn)[17]的Sage-Husa濾波算法進(jìn)行對(duì)比。場(chǎng)景2為模擬列車(chē)更真實(shí)的運(yùn)行環(huán)境，設(shè)置傳感器精度如表4所示。在400～600 s，模擬列車(chē)進(jìn)入山區(qū)等有遮擋物的場(chǎng)景，此時(shí)GNSS的量測(cè)噪聲會(huì)發(fā)生突變，東方向和北方向的量測(cè)噪聲方差大小從1 m2變?yōu)? m2。除此之外，其他條件和場(chǎng)景1一致。蒙特卡羅仿真結(jié)果如表5所示，取某次蒙特卡羅仿真結(jié)果如圖6、圖7所示。

圖6 傳感器量測(cè)噪聲方差自適應(yīng)調(diào)整

圖7 場(chǎng)景2下算法位置誤差比較

表4 傳感器實(shí)際精度

表5 算法在場(chǎng)景2的定位性能對(duì)比

如表5所示，相比文獻(xiàn)[5]、文獻(xiàn)[15]和文獻(xiàn)[17]，本文算法的位置RMSE分別提升了30.8%, 28.3%和14.9%，并且在其他指標(biāo)上也優(yōu)于以上文獻(xiàn)的算法。這說(shuō)明本文算法對(duì)高斯白噪聲的有較好的自適應(yīng)能力。由圖6可知，由于本文的傳感器噪聲方差自適應(yīng)算法采用了“方差受限”技術(shù)，所以相比于文獻(xiàn)[17]中直接舍去負(fù)定項(xiàng)的Sage-Husa濾波算法對(duì)傳感器量測(cè)噪聲方差大小的估計(jì)更精準(zhǔn)。而文獻(xiàn)[15]沒(méi)有采用對(duì)傳感器噪聲方差的自適應(yīng)算法，因而在場(chǎng)景2下的定位誤差大于本文算法和文獻(xiàn)[17]的算法。如圖7所示，在衛(wèi)星遮擋等傳感器測(cè)量精度下降的場(chǎng)景下，本文算法與文獻(xiàn)[5]、[15]的算法相比，能通過(guò)自適應(yīng)更新傳感器噪聲方差大小來(lái)逐漸提升定位精度。

6 結(jié)束語(yǔ)

本文根據(jù)列車(chē)高精度定位的需求，結(jié)合衛(wèi)星、輪軸、雷達(dá)、單軸陀螺儀的特點(diǎn)，建立了基于IMM算法的高速列車(chē)組合定位模型；針對(duì)目前IMM算法的模型參數(shù)固定、切換滯后等問(wèn)題，本文提出改進(jìn)算法，分別采用Sage-Husa濾波實(shí)現(xiàn)傳感器量測(cè)噪聲方差自適應(yīng)更新以及判定窗二次修正法對(duì)TPM中的元素調(diào)整來(lái)進(jìn)一步提高模型切換速度?；诹熊?chē)動(dòng)力學(xué)計(jì)算的仿真實(shí)驗(yàn)表明，本文算法能有效抑制模型切換時(shí)刻的定位誤差來(lái)提升整體的定位精度，并且能在高斯白噪聲未知和突變場(chǎng)景下保持定位性能。

本文仿真實(shí)驗(yàn)主要測(cè)試了列車(chē)典型運(yùn)行工況及傳感器噪聲下的融合濾波算法的穩(wěn)健性和濾波精度，考慮到高速列車(chē)運(yùn)行環(huán)境復(fù)雜，其運(yùn)行工況受多種干擾因素影響，未來(lái)將開(kāi)展高速列車(chē)運(yùn)行環(huán)境實(shí)測(cè)數(shù)據(jù)采集及基于實(shí)測(cè)數(shù)據(jù)的融合濾波方法研究。