[发明专利]基于多模切换快速迭代UKF的列车速度追踪方法

权利要求书

1.基于多模切换快速迭代UKF的列车速度追踪方法包括以下步骤：

基于货运列车在实际行驶过程中可能会受到的各种力的作用，从货运列车自身的运行状态出发，依据基本的动力学方程，直接建立列车的运动模型；

结合kalman滤波器的相关原理，得到货运列车模型系统的状态转换方程、观测方程等系列方程；

依据货运列车运行曲线的结构，可将运行路段分为变速运行路段和匀速运行路段，分别使用KF和UKF进行速度快速追踪，选取不同大小的状态协方差，以提高滤波器的跟踪性能；

UKF在系统每次采样之前引入UT变换，克服货运列车自动驾驶速度追踪系统非线性程度大、模型不准确等问题；

单次的UKF滤波算法存在反应速度慢、收敛精度不高等问题，受迭代控制算法的启发，考虑将迭代算法与UKF算法相结合，提高滤波器的滤波性能以及输出曲线的收敛速度；

多次迭代滤波必然使得单次采样的计算量陡增，受快速强跟踪UKF算法的启发，考虑将快速强跟踪UKF中带有的渐消因子引入迭代UKF算法中，组成快速迭代UKF算法；

将快速迭代UKF输出的速度曲线进行列车的安全性约束等约束评价，以保证输出曲线有较好的追踪效果，同时可以保证安全的行驶效果。

2.根据权利要求1所述的状态转换方程是现代控制理论中用以描述待控制系统模型的一阶微分方程的系数矩阵。相比于传统控制理论中用传递函数描述系统模型的方法，空间状态方程在形式上更加直观，没有繁杂的计算过程，后续用以判断系统的稳定性也更加方便，更加接近货运列车自动驾驶系统速度追踪实际控制性能需求。

3.根据权利要求1所述的KF把状态估计理论引入随即估计理论中，用状态转换方程来描述输入—输出关系。由于KF所用的信息都是时域内的量，所以其不仅可以对平稳的一维随机过程进行状态估计，也能对非平稳的、多维随机过程进行状态估计，适于货运列车自动驾驶系统速度追踪系统的非平稳、多维随机过程状态估计。

4.根据权利要求1所述的UT变换是在估计点附近确定采样点，用这些样本点表示高斯密度近似状态的概率密度函数，具体的实现方法为：在原状态分布中按一定规则选取一些采样点，是这些采样点的均值和协方差等于原状态分布的均值和协方差；将这些点代入非线性函数中，得到相应的非线性函数值点集，通过这些值点集求取变换后的均值和协方差。经过上述步骤的均值和协方差最少具有2阶精度，对于高斯分布，可达3阶精度；能有效的提高货运列车自动驾驶系统速度追踪控制精度。

5.根据权利要求1所述的迭代算法是数值计算中的一类经典算法，广泛应用于方程求根、方程组求解、矩阵求特征值等方面，其基本思想为先取一个样本点附近粗糙的近似值，然后利用相同的函数关系式，反复校正逼近真实值，直至达到预定的精度要求。总体来说，即牺牲货运列车自动驾驶控制算法的简洁度，换取理想的控制精度。

6.根据权利要求1所述的引入渐消因子是一种实现基于协方差匹配的自适应滤波算法的方法，通过引入次优渐消因子，调整下一次的预测状态协方差，进而可以调整滤波增益，到达货运列车自动驾驶系统速度自适应追踪的目的。