[发明专利]一种野值剔除方法及装置

说明书

本发明实施例提供了一种野值剔除方法及装置，该方法在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，当目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得卡尔曼滤波残差模型的协方差矩阵；将第一目标值和第二目标值构成的范围作为目标残差范围；将目标残差范围外的残差作为野值，并从目标残差范围中剔除野值。应用于本发明实施例提供的方法能够解决造成融合定位可靠性低的问题。

技术领域

本发明涉及融合定位技术领域，特别是涉及一种野值剔除方法及装置。

背景技术

传统的多源融合定位是基于信息融合技术，将来自不同导航源的同构或者异构的导航信息按照已有相应的融合算法进行融合，如抗差卡尔曼滤波算法、方差自适应补偿法，以方差自适应补偿法为例，即在卡尔曼滤波过程中，利用观测信息自适应地生成模型误差的协方差矩阵，使观测残差与该协方差矩阵保持良好的一致性滤波，基于开窗逼近法，利用前步残差序列来估计观测向量的协方差阵和状态误差协方差阵。但现有的这些融合算法，大多采用在线估计系统噪声和观测噪声的协方差阵来估计状态变量，算法结构复杂，并在室内复杂环境下稳定性差，难以适应将来的智能导航系统。

为了解决此问题，现有技术提出了一种抗差卡尔曼滤波观测残差剔除野值的方法，该方法采用抗差卡尔曼滤波—融合算法，融合来自不同导航源的同构的导航信息，利用后验概率模型估计信源的协方差阵来排除野值数据，以改进信源的质量。如果用户处于高动态或多径的环境下，卡尔曼先验概率可能会使信源的协方差阵增大，由于该方法仅仅采用后验概率估计信源的协方差阵来排除野值数据，因此采用该方法排除野值数据会导致后验概率估计的模型不再准确，因此造成融合定位可靠性低。

发明内容

本发明实施例的目的在于提供一种野值剔除方法及装置，以解决造成融合定位可靠性低的问题。具体技术方案如下：

在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；

当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；

将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；

将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。

进一步地，所述卡尔曼滤波残差模型的构建过程，包括：

利用目标过程噪声矩阵、用户位姿的状态转移矩阵和目标状态向量，构建如第一表达式所示的卡尔曼先验概率微分模型，所述目标过程噪声矩阵是由第一信息和第二信息构成的过程噪声矩阵，所述第一信息包括时分-码分正交频分复用输出的位置信息、陀螺仪输出的角速度、陀螺仪输出的加速度和用户的位姿，所述第二信息包括惯性传感器输出的角速度、惯性传感器输出的加速度和用户的位姿；

所述第一表达式为：

其中，k为时刻序号，F_k为第k个时刻的状态转移矩阵，W_k为过程噪声向量，X_k为第k个时刻的目标状态向量，G_k为第k个时刻的目标过程噪声矩阵；

利用卡尔曼先验概率微分模型，得到如第二表达式所示的卡尔曼先验概率模型；

所述第二表达式为：X_k|(k-1)＝MX_(k-1)+Q·X_(k-1)；