扩展卡尔曼滤波(Extended Kalman filter, EKF)的准确性依赖于观测的质量、观测对象的非线性程度及动态模型的准确性.该方法通常假设其动态模型是不变的,而且默认为非线性程度较弱,这些在实际的车辆运动中都是不可靠的处理方式.本文提出了一种利用最小二乘支持向量机(Least squares support vector machine, LSSVM)的技术增强扩展卡尔曼滤波的新算法. LSSVM改进后的EKF算法(LSSVM-EKF)一定程度上弥补了EKF处理强非线性问题的不足;而且可以自适应地估计历史数据的动态建模偏差,并使用估计偏差来补偿动态模型.开发了一种引入Allan方差的K折交叉验证方法来确定LSSVM的训练参数;将动态模型偏差通过有限数据集与LSSVM一起训练;并引入无损变换将LSSVM与EKF进行了集成.为了验证算法,最后设计了车载试验,并采用列车数据验证了文中所提的方法,结果表明LSSVMEKF可以较好地适应实际车辆运动环境,可以提供一种可用的车辆定位方法.

国家自然科学基金(61863024,71761023); 甘肃省高等学校科研项目(2018C-11,2018A-22); 甘肃省自然基金(17JR5RA089,18JR3RA130)资助~~;

扩展卡尔曼滤波; 最小二乘支持向量机; 非线性; 动态模型; Allan方差;

10.16383/j.aas.c190170

U284.48;TP181

自动化学报

Acta Automatica Sinica

2019年12期

ISSN:0254-4156

中文核心期刊

682281-2293132780K
在线咨询 用户反馈