一种应用于车辆的自适应组合导航系统的制作方法

本发明涉及导航，具体涉及一种应用于车辆的自适应组合导航系统。

背景技术：

1、为了适应复杂多变的运行环境，车载导航采用融合的组合导航来提高整体导航性能，不同组合导航系统采用不同的自适应滤波算法进行融合，例如，现有技术中gnss/ins组合导航系统采用卡尔曼滤波算法进行融合，但卡尔曼滤波算法需要有确定且准确的动力学模型、噪声统计特性，异常观测和动力学模型的扰动问题会严重影响滤波的性能；在融合过程中合理的自适应因子能够平衡动力学模型和观测信息的权比，解决观测噪声与系统状态扰动对参数估计的影响，所以当总是车辆出现异常状态时，自适应因子的构建和选择至关重要，将优化过后的自适应因子与自适应组合导航滤波算法的估计过程进行结合，从而提高系统的稳定性和估计精度，为了降低观测误差和系统扰动干扰的影响，选择最优的自适应因子进行参数估计，本发明提出了一种应用于车辆的自适应组合导航系统。

技术实现思路

1、针对上述情况，为了克服现有技术之缺陷，本发明之目的提供了一种应用于车辆的自适应组合导航系统，系统的状态分析模块通过构建状态预测分析模型对下一时刻车辆的行车状态进行预测，当预测的行车状态在历史的状态池中出现过时，根据相同行车状态下，不同的观测序列之间的差异选择最优的自适应组合导航分析算法，对模型进行优化，实现下一时刻自适应过程的精准分析；当出现状态池中没有的新的行车状态时，表示出现了新的没有监测到的数据对行车状态产生了影响，预测观测序列的观测项数少于施加对行车状态影像的观测项，即通过相似程度分析调取其他的观测项与预测观测序列进行组合，扩大分析的数据项，再通过离散节点图与自适应因子图的联合，对自适应因子进行优化选择，根据优化后的自适应因子构建自适应组合导航分析算法，解决了当出现异常状态时，自适应因子选择的问题，提高了对异常状态的适应性。

2、为了提高车辆的自适应组合导航系统的导航精度，本发明中提出了一种应用于车辆的自适应组合导航系统，包括数据采集模块、数据存储模块、状态分析模块、模型优化模块、因子优化模块、滤波分析模块、组合分析模块；

3、所述数据采集模块通过车辆传感器获取车辆运行过程中导航数据，对导航数据进行预处理后，存储于数据存储模块；

4、所述状态分析模块根据导航数据建立状态预测分析模型，对车辆下一时刻的运行状态进行预测分析，得到车辆的预测状态分析结果，根据车辆历史时刻的实际状态对应的状态分析结果构建车辆的状态池；

5、计算预测状态分析结果与状态池中状态分析结果的相关性，确定是否出现状态池没有的行车状态，当预测的行车状态在状态池中出现时，计算预测状态分析结果中的行车状态与当前时刻的行车状态之间的状态偏差，当状态偏差超过判定阈值时，预测的行车状态与当前的行车状态对应的最优自适应组合导航算法不同，由所述模型优化模块调用预测的行车状态对应的最优自适应组合导航算法，并根据最优自适应组合导航算法进行自适应组合导航优化；

6、当预测的行车状态为状态池中没有出现过的行车状态时，计算预测的行车状态与状态池中的历史行车状态的相似程度，并将相对于不同历史行车状态的相似程度映射成为一个离散节点图上；

7、由所述因子优化模块结合预测的行车状态对状态池中自适应组合导航算法对应的自适应因子图进行分析，将离散节点图与自适应因子图进行结合，对自适应因子的节点关系进行优化分析，选择最优自适应因子；

8、不同的自适应因子对应的量测协方差矩阵不同，选定最优自适应因子后，由滤波分析模块基于选定的最优自适应因子构建对应的滤波分析模型，再利用滤波分析模型对下一时刻的自适应组合导航过程进行滤波分析，在滤波分析过程中，利用自适应因子优化估计过程；

9、组合分析模块根据滤波分析模块的误差校验结果对组合导航进行自适应组合导航控制。

10、优选地，在相同的驾驶操作下，车辆的行车状态是对导航数据综合分析的结果，将车辆的导航数据作为动态分析模型的输入数据，构建行车状态的状态预测分析模型，具体如下：

11、e、将导航数据转化为观测数据，并构造优化目标函数，优化后的目标使得整体误差最小化，

12、

13、其中，为误差函数，为车辆的位姿矩阵，为点的观测数据，测量方程为，为观测误差，观测数据个数；

14、f、设是第时刻的状态矩阵，为外界输入，是噪声，为地标测量像素噪声，为增量系数，则下一个时刻状态的预测为：

15、

16、g、状态方程，为位置变化矩阵，时刻之间的时间段长度，和已知，的输入模式下，状态转变为状态；

17、h、根据观测数据的数据分析确定下一时刻行车的状态当前导航数据的不同参量共同决定的当前的行车状态，随着行车环境变化，不同参量之间的相关关系随时间变化，以当前导航数据为输入得到下一时刻的预测状态分析结果，预测状态分析结果中包括预测的行车状态和对应的预测观测序列。

18、进一步地，行车状态作为结果呈现，是通过对不同的导航数据分析得到的，将行车状态相同时，对应的导航数据之间的差值记为状态偏差，根据不同历史时刻的导航数据获取的观测序列，为观测数值，为观测项个数，计算预测观测序列与历史导航数据的观测序列之间对应项的差值集合，将进行对比的两个观测序列记为维相空间中两个相点，与之间的关联函数记为，计算关联函数

19、

20、其中，为给定的临界距离，为单位函数，为相空间中距离小于的相点对数，在中配对中所占的比例，再通过关联函数进行分析得到关联维数，即为偏差维数，为状态偏差，再对状态偏差进行判断，由模型优化模块根据判断的结果来对自适应组合导航算法进行优化。

21、进一步地，所述模型优化模块利用不同的自适应组合导航算法对预测观测序列进行自适应组合分析，得到对应的自适应组合导航分析结果，模型优化模块对不同模型与观测数据之间的适应性进行分析，得到适应性向量p，再通过向量p构建数据变化和模型之间的变换关系，从而选出最优模型参数，再根据最优模型参数选定最优的自适应组合导航分析算法。

22、优选地，当出现状态池中没有出现过的行车状态时，预测的行车状态的最优自适应因子待确定，对预测的行车状态与状态池中的历史行车状态的相似程度进行分析，再以相似程度为比例参数，提取状态池中与预测观测序列相关的观测项，将提取的观测项与预测观测序列进行组合达到新的自适应观测序列，再利用状态池中的自适应组合导航算法分别对自适应观测序列进行自适应分析，不同的算法对应的自适应因子映射到节点空间得到离散节点图。

23、优选地，状态池中不同的自适应组合导航算法根据历史导航数据的观测序列进行分析得到对应的自适应因子图，根据新的自适应观测序列进行分析得到离散节点图，再将自适应因子图与离散节点图进行联合，通过联合对自适应因子图进行范围校验，并对所有节点进行全局搜索优化，选择出最优自适应因子。

24、优选地，将离散节点图与自适应因子图进行联合，具体过程如下：

25、步骤1、构造moral图，将离散节点图中的不同节点插入到自适应因子图中，按照分布位置连接与自适应因子图中，将自适应因子图中同一节点的父节点两两相连，同时去掉每一条连接的剪头；

26、步骤2、三角化图，对包含4个及以上节点数的环，增加一条无向边将环中的两个非相邻连接起来，完成moral图的三角化；

27、步骤3、区分团节点，在三角化图中，确定团结点，每个团结点都是无向图的子图；

28、步骤4、建立联合树，建立的联合树必须包括所有团节点，交集作为连接两个团节点都是无向图的子图。

29、优选地，根据联合节点的分布概率，将离散节点图与自适应因子图中的节点进行了融合，得到了新的自适应因子分布节点，对不同自适应因子的适应性进行评估，再利用粒子群优化方法，对自适应因子的节点关系进行优化分析，在全局内搜索最优位置的自适应因子，进行自适应因子的优化，选择最优的自适应因子。

30、优选地，数据采集模块采集的导航数据包括惯性导航数据、车辆状态数据和行驶环境数据，车辆的自适应组合导航算法根据不同时刻采集的导航数据进行自适应分析，根据自适应分析过程中车辆的历史行车状态对应的数据构建车辆的状态池，状态池中包括所有出现过的行车状态。

31、由于以上技术方案的采用，本发明与现有技术相比具有以下优点：

32、1、本发明的状态分析模块根据导航数据构建状态预测分析模型，对下一时刻车辆的行车状态进行预测，并对预测的行车状态进行判断，当预测的行车状态在历史的状态池中出现过时，根据同一行车状态下，不同的观测序列之间的差异选择最优的自适应组合导航分析算法，对模型进行优化，实现下一时刻自适应过程的精准分析，当面临复杂的形式环境时，预测的行车状态时难以确定，当出现状态池中没有的新的行车状态时，表示出现了新的没有监测到的数据对行车状态产生了影响，预测观测序列的观测项数少于施加对行车状态影像的观测项，本发明通过相似程度分析调取其他的观测项与预测观测序列进行组合，扩大了分析的数据项。

33、2、本发明的模型优化模块对状态池中出现过的行车状态进行模型优化，行车状态相同指的是车辆整体的行车状态相同，是一个结果状态，而保持行车状态相同需要不同的观测数据和子导航系统共同作用的结果，不同车辆传感器不同时刻采集的数据存在差异，但是行车状态可能相同，所以对应的自适应组合导航分析算法也是不同的，选定不同的自适应因子对参数估计的影响过程不同，本发明的模型优化模块在行车状态相同时，对自适应组合导航模型进行优化分析，大大提高了自适应组合导航的精度。

34、3、本发明的因子优化模块是针对出现状态池中没有过的行车状态时的分析过程，当行车状态发生改变时，观测序列的变化，状态预测分析模型是根据当前时刻的导航数据对下一时刻状态的分析，在分析过程中，通过离散节点图与自适应因子图的联合，联合后的自适应因子使得自适应因子的选择范围变大，对自适应因子进行优化选择，根据优化后的自适应因子构建自适应组合导航分析算法，解决了当出现异常状态时，自适应因子选择的问题，提高了对异常状态的适应性。