论文总字数：22286字

摘 要

当今，汽车在路上随处可见，与此同时，道路和建筑也越来越多，出现了车辆GPS导航不准确甚至在遮挡严重区域信号中断的问题。为了解决这个问题，INS/GPS组合定位系统出现了并成为了车辆实现准确可靠定位的一种优势方案。本论文就车辆在GPS中断区间内实现车辆的精确定位提出了一种基于神经网络辅助卡尔曼滤波的融合策略。

本论文提出的方法，利用RBF神经网络辅助KF进行融合定位。首先，在翻阅了众多优秀文献的基础下，对车辆组合系统进行建模，为开展后面的实验和研究提供了一个可靠的实验平台；其次，搭建了RBF神经网络来辅助KF定位的结构，并对RBF神经网络的参数选取、训练算法、输入输出设计进行了研究；最后，在多种路况下进行实车实验，记录实验数据并进行仔细研究。实验结果证明了本方法能在GPS中断区间内提供更加精确地定位，同时也为解决在GPS中断区间车辆定位的问题提供了新方案。

关键词：车辆组合定位 神经网络 信息融合

Research on INS positioning error modeling technology in GPS interrupt interval

Abstract

Today, cars can be seen everywhere on the road, at the same time, more and more roads and buildings, there are vehicles GPS navigation is not accurate, even in the backwater area signal is seriously interrupted. In order to solve this problem, INS / GPS integrated positioning system has emerged and become an advantage scheme for vehicles to achieve accurate and reliable positioning. This paper presents a fusion strategy based on neural network aided Kalman filter for vehicle precise positioning in the GPS interrupt region.

This method is based on RBF neural network and KF fusion localization. First of all, on the basis of reviewing many excellent documents, the vehicle combination system is modeled, which provides a reliable experimental platform for the following experiments and researches. Second, the structure of RBF neural network to aid the KF location is built, the parameters selection, training algorithm and input-output design of RBF neural network are studied. Finally, the experiment is carried out under various road conditions, and the experimental data is recorded and studied carefully. The experimental results show that this method improves the accuracy of GPS interrupt positioning and provides a new method to solve the problem of vehicle positioning in GPS interrupt positioning.

Key Words: Vehicle combination location; neural network;information fusion

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景和意义 1

1.2 MEMS INS/GPS组合定位信息融合技术发展状况 1

1.3 研究目的和主要研究内容 5

1.3.1 研究目的 5

1.3.2主要研究内容 5

第二章 车辆组合定位系统建模 7

2.1 车辆导航坐标系的建立 7

2.2 车辆组合导航方案 7

2.3 车辆组合定位系统KALMAN滤波模型的建立 8

2.3.1 系统状态方程的建立 8

2.3.2 系统观测方程的建立 10

2.4 本章小结 11

第三章 RBF神经网络辅助KF的融合定位策略 12

3.1 本章提出方法的总体结构 12

3.2 RBF神经网络简介 13

3.3 RBF神经网络模型的训练 15

3.4 模型的输入输出设计 16

3.5 本章小结 17

第四章 实车实验与结果分析 18

4.1 实验平台的搭建 18

4.2 实车实验及结果分析 20

4.3 本章小结 26

第五章 总结与展望 27

5.1 全文总结 27

5.2 研究展望 27

参考文献 28

致谢 30

第一章 绪论

1.1 研究背景和意义

随着社会的改观和科技的进步，人们的生活方式在这个时期发生了非常大的变化，不再满足于之前传统的生活方式，与此同时，出行开始选择私家车，并且越来越普及，但它在方便了人们出行的同时也给城市交通带来了巨大的压力。短短几年，拥堵已如洪水般涌入全国各地，不管大小城市都无一幸免，并且引发了一系列问题，涉及面非常广泛。

当今时代，通过传统的方法已经不能解决交通拥挤问题，因此智能交通系统（Intelligent Transportation Systems,ITS）被提出，近年来已经得到了飞速发展，通过ITS不断优化城市交通管理工作，为人们提供更加方便的出行方式^[1]。

当前，定位领域最常用的系统有GPS、GLONASS、Galileo和我们中国的BDS，随着ITS的发展，车辆定位领域应用最广泛的是GPS。但是，现在随处可见高耸的大厦和拥挤的建筑物，多种立交桥、隧道等也四通八达，随之而来也出现了一个问题，即GPS信号被遮挡，进而导致无法提供持续精确的位置信息^[2]。为解决这个问题，目前最常用方法是将GPS与MEMS惯性导航系统(INS)相融合实现组合导航定位。但是当汽车地处一些卫星信号被严重遮挡的地方是，GPS会失效，这时导航系统一般只有INS在工作，再加上低成本的MEMS惯性传感器随机误差比较大，严重影响了组合定位系统的位置精度，难以满足ITS的要求。因此，在GPS中断区间，对INS定位误差进行建模，补偿此区域内的定位误差具有十分重要的意义。

本文以此为背景，在车载导航系统的基础上，为提高组合导航定位系统的可靠性和精确性，对组合系统进行了深入的研究，使组合系统能够满足ITS相关应用的要求，帮助缓解交通压力^[3]。这一举措给人们展现出来了非常舒适的交通环境，而且还具有重要的理论意义。

请支付后下载全文，论文总字数：22286字