一种车载检测设备的定位方法和系统

技术领域

本发明涉及轨道交通检测技术领域，具体涉及一种车载检测设备的定位方法和系统。

背景技术

近年来，城市轨道交通的发展迅猛，地铁和轻轨成为人们出行的主要选择。地铁牵引供电系统是确保地铁运营安全和可靠性的重要组成部分。而接触网作为牵引供电系统中直接向电客车提供电能的关键环节，其状态对电客车的受流质量和运行安全具有直接影响，因此对接触网的检测和维护成为地铁公司日常工作的重要任务之一。

随着城市轨道交通运营压力的增大和需求的多样化，对高速运行状态下的接触网进行在线监测变得尤为重要。通过采用智能、快速、可靠的高端检测技术，可以提高城市轨道交通运营的效率和安全性。

而在进行接触网检测时，定位是车载检测设备必须提供的关键信息之一。只有准确获取车载检测设备的位置信息，才能对检测结果进行复现、校核和维修。然而，目前大多数的检测定位工作仍然依赖于人工确认定位点的方式，存在精度不高、耗时耗力、效率低下的问题。

因此，需要一种更先进的车载检测设备定位方法和系统，以提高定位的准确性和效率。这样的方法将为城市轨道交通的检测工作带来显著的改进，能够更好地满足快速发展的城市轨道交通运营需求，并确保运营车辆的安全运行。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种车载检测设备的定位方法和系统，提供一种精确、可靠的车辆定位解决方案，适用于轨道交通领域及其他相关领域。综合应用全球定位系统和北斗卫星定位系统(GPS+BD)、惯性导航系统(INS)以及轨道地图数据，通过定位滤波算法、神经网络算法和姿态解算等技术手段，实现对车辆在轨道上的精确定位。能够提供高精度、实时的位置信息，支持列车位置监控、位置预测和实时状态监控等关键应用场景。通过该技术的应用，可以提升轨道交通系统的安全性、运行效率和乘客体验。

本发明提供一种车载检测设备的定位方法，包括以下步骤：

S1、通过定位系统获取车辆的位置信息得到经纬度数据，并判断列车的始发位置与实际位置；

S2、通过惯性导航系统获取列车的加速度、角速度和姿态的轨道数据，通过姿态解算和卡尔曼滤波算法，将惯性导航系统获取的数据与列车轨道地图的数据相结合，实时估算列车在轨道上的位置；

S3、实时存储S1和S2中获得的数据，并建立该列车路线各个位置的特征信息图，利用神经网络进行学习，结合历史数据，并预测列车的实时位置；

S4、综合S1-S3中获得的数据进行数据融合，得到数据融合后的列车定位信息。

进一步地，所述S1中还包括以下步骤：

S11、接收卫星信号，进行信号处理与解码，通过定位算法转换得到经纬度数据；

S12、实时记录列车的时刻、经纬度数据，记录频率为1Hz；

S13、建立列车路线经纬度表，该经纬度表包含了路线上每个站点及关键位置的经纬度坐标；

S14、将S12中记录的经纬度数据与S13中建立的列车路线经纬度表进行比对，以确定列车当前时刻所在的始发位置与实际位置。

进一步地，所述S2中具体包括以下步骤：

S21、惯性导航系统重置后，获取列车运行方向的加速度值，并对该加速度值进行卡尔曼滤波算法修正；

S22、使用惯性导航系统中的惯性测量单元获取列车在三个轴向上的加速度和角速度；

S23、根据列车传感器的初始值或初始校准后的值，来估算列车的初始姿态，利用传感器数据及姿态解算算法来估算列车的姿态；

S24、实时记录列车的姿态数据；

S25、根据列车运行速率、位移以及列车的姿态数据与列车轨道地图的数据相结合，实时估算列车在轨道上的位置；

进一步地，所述S2中具体的还包括：惯性导航系统获取列车加速度值a，并通过卡尔曼滤波算法进行修正，得到修正后的k时刻的加速度值

其中，X

进一步地，所述S3中具体包括以下步骤：

S31、实时存储S1和S2中获得的数据，包括时刻、经度、纬度、姿态角度等；

S32、将S32中实时存储的数据组织成适合神经网络学习的数据集；

S33、对数据集进行预处理；

S34、用数据集对神经网络进行训练，通过反向传播算法不断调整，使用优化算法如最小化损失函数，以提高神经网络的拟合能力；

S35、经过训练后的神经网络用于列车实时位置预测，将实时获取的惯性导航系统的数据、定位系统的数据和姿态解算及卡尔曼滤波算法数据输入神经网络，输出预测的列车的实时位置信息。

进一步地，所述S4中数据融合的具体方法为：为S1-S3中获得的数据分配权重，将S1-S3中获得数据与其相应的权重进行相乘，并求和，得到数据加权融合后的列车定位信息。

进一步地，所述S4中数据融合的具体方法为：根据S1-S3中获得的数据，为每个数据源生成一组粒子，并根据观测数据对粒子进行重采样和更新，得到数据粒子滤波融合后的列车定位信息。

进一步地，所述S4中数据融合的具体方法为：首先对S1-S2中获得数据进行列车定位信息的估算，然后将估算的结果输入神经网络，结合列车轨道地图的数据，得到数据级联融合后的列车定位信息。

一种车载检测设备的定位系统，其特征在于，包括：

定位系统模块，用于获取车辆的位置信息得到经纬度数据，采用GPS和北斗定位联合定位装置；

惯性导航系统模块，包括惯性测量单元模块，用于获取列车的加速度、角速度和姿态的轨道数据，将惯性导航系统获取的数据与列车轨道地图的数据相结合，并结合姿态解算与卡尔曼滤波算法实时估算列车位置；

数据存储与神经网络学习模块，用于存储定位系统模块与惯性导航系统模块获取的数据，并通过神经网络学习来预测列车的实时位置；

数据融合模块，融合GPS和北斗、惯性导航系统模块的惯性测量单元模块、数据存储与神经网络学习模块这三个模块的数据。

本发明的有益效果：

1)精确性和可靠性：通过综合利用GPS+BD、惯导数据和姿态解算，结合卡尔曼滤波和轨道地图数据，能够实现车辆位置的精确估算和实时修正，提供可靠的定位结果。

2)实时性和动态性：通过实时存储和神经网络学习，能够对历史数据进行分析和预测，实现列车位置的实时动态预测，为列车调度和运营管理提供重要参考。

3)数据融合和修正：通过将GPS+BD数据、惯导数据和轨道地图数据相结合，利用卡尔曼滤波和神经网络学习算法进行数据融合和修正，提高了定位结果的准确性和稳定性。

4)自动化操作和高效性：通过自动化的定位和预测功能，减少了人工干预的需要，提高了定位过程的效率和精确度，降低了人力资源成本。

5)可扩展性和适应性：组件可以灵活安装在车辆的顶部或侧面，适应不同车辆和场景需求，具有较强的可扩展性和适应性。

本发明提供的车载检测设备的定位系统和定位方法具有广泛的应用前景和技术优势。它能够为轨道交通系统提供精确、可靠的车辆定位解决方案，支持列车位置监控、位置预测和实时状态监控等应用，提高轨道交通系统的运行效率和安全性。

附图说明

为了能更进一步了解本发明的特征以及技术内容，请参阅以下有关本发明的详细说明与附图，然而附图仅提供参考与说明用，并非用来对本发明加以限制。

附图中，

图1为一种车载检测设备的定位方法的流程图；

图2为滤波前加速度图；

图3为滤波后加速度图。

具体实施方式

请参阅图1至图3，本发明实施例提供一种车载检测设备的定位方法和系统，具体包括以下内容：

首先，通过定位系统获取车辆的位置信息得到经纬度数据，并判断列车的始发位置与实际位置；接收信号：GPS+BD联合定位模块首先接收来自GPS卫星和北斗卫星的信号，这些卫星发射的无线电信号包含有关卫星位置、时间和卫星健康状态等信息。

接收卫星信号，进行信号处理与解码，通过定位算法转换得到经纬度数据；信号处理和解码：接收到的信号通过模块内部的接收器芯片进行信号处理和解码，这个过程包括对信号的滤波、解调和解码，以提取出有效的卫星信息和信号参数；卫星信息获取：解码后的信号提供了卫星的识别号、位置、时刻等信息，模块根据接收到的信号，确定可见卫星的数量和其相对位置；定位算法：利用定位算法和三角定位原理，模块将接收到的卫星信息和信号参数转换为准确的经纬度坐标，定位算法通过计算卫星与接收器之间的距离，使用多边定位原理来确定接收器的位置。

实时记录列车的时刻、经纬度数据，记录频率为1Hz；记录实时的三项主要数据，包括时刻、经度和纬度，数据获取频率为1Hz，这意味着每秒钟记录一次列车的时刻、经度和纬度信息，以保证实时性和准确性。

建立列车路线经纬度表，该经纬度表包含了路线上每个站点及关键位置的经纬度坐标；建立列车路线经纬度表，该表包含了列车路线上每个站点以及其他关键位置的经纬度坐标，这些经纬度信息可以通过不同的途径获取，例如使用Google地图等定位服务，确保路线经纬度表的准确性。

将上述中记录的经纬度数据与建立的列车路线经纬度表进行比对，以确定列车当前时刻所在的始发位置与实际位置。实时对获取到的数据和路线经纬度表进行比对，以确定列车当前时刻所在的实际位置，这可以通过比对列车实时获取的经纬度信息和路线经纬度表中相应位置的经纬度信息来实现，可以采用不同的算法或技术来进行比对，例如计算两点之间的距离或利用数学模型进行匹配。

然后，通过惯性导航系统获取列车的加速度、角速度和姿态的轨道数据，通过姿态解算和卡尔曼滤波算法，将惯性导航系统获取的数据与列车轨道地图的数据相结合，实时估算列车在轨道上的位置；

惯性导航系统重置后，获取列车运行方向的加速度值，并对该加速度值进行卡尔曼滤波算法修正；起始点，惯导模块重置清零，开始获取列车运行方向加速度值a，对于获得的加速度应用卡尔曼滤波算法进行修正；使用惯性导航系统中的惯性测量单元获取列车在三个轴向上的加速度和角速度；根据列车传感器的初始值或初始校准后的值，来估算列车的初始姿态，利用传感器数据及姿态解算算法来估算列车的姿态；实时记录列车的姿态数据；根据列车运行速率、位移以及列车的姿态数据与列车轨道地图的数据相结合，实时估算列车在轨道上的位置；

假设列车在运行过程中加速度线性变化，那么加速度在k时刻的值x

x

z

w为加速度线性关系拟合误差，v为惯导测量误差，Z

x

由于惯导的频率为100HZ，可以近似可得先验估计值x

K

滤波前加速度图如图2所示，滤波后加速度图如图3所示。

开启循环，对加速度值a积分，得到当前列车运行速率，再次积分得到列车运行距离起点的距离值；

姿态解算是指通过传感器数据来估计物体的姿态(即姿势或方向)，包括俯仰角(pitch)、横滚角(roll)和偏航角(yaw)。在列车定位中，姿态解算可以用于校正惯导数据，并提供更准确的位置估计。

传感器数据获取：使用惯性测量单元(INS)等传感器获取列车的加速度和角速度数据。分别测量列车在三个轴向上的加速度和角速度。姿态初始估计：根据传感器数据的初始状态，估计列车的初始姿态。这可以通过读取传感器的初始值或进行初始校准来获得。姿态解算算法：利用传感器数据和姿态解算算法来估计列车的姿态。实时记录列车姿态数据，根据列车速度，位移信息，以及列车的姿态信息结合当前列车运行的轨道实际信息预估当前时刻列车位置。

然后，实时存储上述方法中获得的数据，并建立该列车路线各个位置的特征信息图，利用神经网络进行学习，结合历史数据，并预测列车的实时位置；包括时刻、经度、纬度、姿态角度等；实时存储的数据组织成适合神经网络学习的数据集；对数据集进行预处理；用数据集对神经网络进行训练，通过反向传播算法不断调整，使用优化算法如最小化损失函数，以提高神经网络的拟合能力；经过训练后的神经网络用于列车实时位置预测，将实时获取的惯性导航系统的数据、定位系统的数据和姿态解算及卡尔曼滤波算法数据输入神经网络，输出预测的列车的实时位置信息。

具体的，实时存储数据：将获取到的惯导数据、GPS+BD数据以及姿态解算后的修正数据实时存储起来。这些数据包括时刻、经度、纬度、姿态角度等信息。

建立数据集：将实时存储的数据组织成适合神经网络学习的数据集。数据集应包含输入数据和对应的目标输出数据。输入数据可以是一段时间内的惯导数据、GPS+BD数据和姿态解算修正数据，目标输出数据是相应时间段内的实际位置信息。

神经网络模型设计：选择适当的神经网络结构来学习和预测实时位置。常见的神经网络模型包括前馈神经网络(Feedforward Neural Network)、循环神经网络(RecurrentNeural Network)和卷积神经网络(Convolutional Neural Network)等。根据具体情况选择合适的网络结构。

数据预处理：对数据集进行预处理，包括归一化、标准化、特征选择等操作。这有助于提高神经网络的训练效果和预测准确性。

神经网络训练：使用数据集对神经网络进行训练，通过反向传播算法不断调整网络参数，使网络能够学习输入数据与目标输出数据之间的映射关系。训练过程中可以使用优化算法如梯度下降法来最小化损失函数，以提高网络的拟合能力。

实时位置预测：经过训练后的神经网络可以用于实时位置预测。将实时获取的惯导数据、GPS+BD数据和姿态解算修正数据输入神经网络，网络将输出预测的实时位置信息。

最后，综合上述中获得的数据进行数据融合，得到数据融合后的列车定位信息。

加权融合：为每个数据源分配权重，反映其相对于位置估计的可靠性和准确性。权重可以基于先验知识、数据质量评估或经验调整。对于每个维度的数据，将其与相应的权重相乘，并求和，得到加权融合后的位置估计。

粒子滤波：粒子滤波器适用于非线性和非高斯系统。它通过使用一组粒子来表示状态的后验概率分布，实现数据融合。根据GPS+BD、INS和神经网络结合轨道数据预测结果的可用性，为每个数据源生成一组粒子，并根据观测数据对粒子进行重采样和更新，以获得位置估计。

级联结合：将不同数据源的结果按照一定的优先级进行级联融合。例如，首先利用GPS+BD和INS进行位置估计，然后将其结果作为输入，与神经网络结合列车轨道地图的数据，得到数据级联融合后的列车定位信息。

一种车载检测设备的定位系统，其特征在于，包括：定位系统模块，用于获取车辆的位置信息得到经纬度数据，采用GPS和北斗定位联合定位装置；

惯性导航系统模块，包括惯性测量单元模块，用于获取列车的加速度、角速度和姿态的轨道数据，将惯性导航系统获取的数据与列车轨道地图的数据相结合，并结合姿态解算与卡尔曼滤波算法实时估算列车位置；

数据存储与神经网络学习模块，用于存储定位系统模块与惯性导航系统模块获取的数据，并通过神经网络学习来预测列车的实时位置；

数据融合模块，融合GPS和北斗、惯性导航系统模块的惯性测量单元模块、数据存储与神经网络学习模块这三个模块的数据。

本发明的任意实例既可以作为独立的技术方案，也可以跟其他实例相互组合。本发明说明书中提到的所有专利和出版物都表示这些是本领域的公开技术，本发明可以使用。这里所引用的所有专利和出版物都被同样列在参考文献中，跟每一个出版物具体的单独被参考引用一样。这里的本发明可以在缺乏任何一种元素或多种元素，一种限制或多种限制的情况下实现，这里这种限制没有特别说明。这里采用的术语和表达方式所为描述方式，而不受其限制，这里也没有任何意图来指明此书描述的这些术语和解释排除了任何等同的特征，但是可以知道，可以在本发明和权利要求的范围内做任何合适的改变或修改。可以理解，本发明所描述的实施例子都是在一些实施例中实施例子和特点，任何本领域的一般技术人员都可以根据本发明描述的精髓下做一些更改和变化，这些更改和变化也被认为属于本发明的范围和独立权利要求以及附属权利要求所限制的范围内。