[发明专利]引入抗差估计的因子图融合定位方法

说明书

本发明公开了一种引入抗差估计的因子图融合定位方法，包括：获取传感器量测信息；基于所述量测信息确定出由位置、速度、姿态以及偏差量构成的多维状态量，构建状态空间模型，从而建立组合导航系统模型；根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在；若存在，则引入指数衰减自适应因子自动调整观测噪声；若不存在，则构建因子图模型；定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型；推算所述因子图模型，根据所述推算结果得到定位信息。以实现提高定位精确度的优点。

技术领域

本发明涉及定位领域，具体地，涉及一种引入抗差估计的因子图融合定位方法。

背景技术

随着智能交通与智能车辆的迅速发展，以及应用环境的复杂多变化，人们对运动目标状态信息估计的精确度也要求越来越高，单一的传感器已无法满足现有的导航需求，对各类导航源传感器的导航信息进行融合，实现传感器的优势互补，从而提高组合导航系统的精度、容错性和可靠性是重要的发展趋势。按照融合算法的结构，多源信息融合方法可大致分为三类：集中式融合方法、并行式融合方法和序贯式融合方法。其中，集中式融合方法在组合导航中，最成熟、应用最广泛的算法是Kalman(卡尔曼)滤波，Kalman滤波是一种最优估计，通常是在假定观测量是线性且符合高斯分布的情况下的最优估计。而在实际应用中，观测量却通常是非线性和非高斯的，因此出现了扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波等非线性滤波方法。这些方法虽然解决了非线性、非高斯问题，但算法复杂度增加，导致融合效率降低。也有将神经网络引入到融合算法中对系统状态信息进行学习训练，但该方法需要大量训练样本且实时性较差；并行式融合方法中代表性的是Carlson提出的联邦卡尔曼滤波算法，该算法是分散化的卡尔曼滤波算法，由多个子滤波器和一个主滤波器组成，通过主滤波器和各子滤波器的融合得到全局最优估计。该方法具有实时性好、计算量小的优点，但各滤波器输出量不一致，容易引入全局估计误差，且过度依赖观测信息，容错性差；序贯式融合方法是主要解决异步异构导航源信息的融合方法，有动静态滤波方法、交互自适应方法等，其中比较新颖的是20世纪90年代FR Kschischang等提出因子图方法，因子图是一种概率图模型，是将各导航源观测量信息进行编码，通过节点连接的方式将所有传感器观测因子搭建多源信息融合因子图框架，然后按照一定的规则进行消息传递和迭代，从而完成参数估计和数据融合。该方法可以融合非同频、非同步的传感器观测信息，其中各导航源信息是相互独立的，依次融合，向下传递，当增加或删除传感器时，只需要在因子图中添加或删除对应的结点，满足了系统即插即用的要求，但一旦某一导航源出现异常，不能及时识别，误差会向下累积，导致系统解算误差增大，从而造成定位精确度度低的问题。

发明内容

本发明的目的在于，针对上述问题，提出一种引入抗差估计的因子图融合定位方法，以实现提高定位精确度的优点。

为实现上述目的，本发明实施例采用的技术方案是：

一种引入抗差估计的因子图融合定位方法，包括：

获取传感器量测信息；

基于所述量测信息确定出由位置、速度、姿态以及偏差量构成的多维状态量，构建状态空间模型，从而建立组合导航系统模型；

根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在；若存在，则引入指数衰减自适应因子自动调整观测噪声；若不存在，则构建因子图模型；

定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型；

推算所述因子图模型，根据所述推算结果得到定位信息。

可选的，所述传感器量测信息，包括惯性测量单元中的陀螺仪和加速度计输出相应的角速度和比力的量测信息以及定位单元输出相应的经纬度量测信息。