基于GPS与IMU组合传感器数据融合的有轨电车定位分析

给出了一种建立在模糊投票方式基础上的GPS和IMU相结合的定位方式,充分消除了采用单一传感器无法进行精确定位的问题。总共使用3个IMU来完成模糊投票决策,并结合模糊分析准则,对各输入量置信度进行判断,并得到相应的置信度集合。并通过具备自适应能力的联邦Kalman滤波器来融合IMU与GPS的数据,完成可容错分析。利用仿真软件测试了GPS故障诊断隔离单元的运行状态,同时把故障偏差添加到伪距内,将上述结果和单独GPS进行了比较。该系统的故障识别率相对于GPS已经获得显著提升。

基于GNSS与IMU的现代有轨电车组合定位方法研究

GNSS与IMU组合导航系统具有全天候、全天时、高动态和误差不随时间积累的优点,结合现代有轨电车定位需求,提出一种基于GNSS与IMU的现代有轨电车组合定位方法。该方法利用GNSS和IMU 2种传感器安装在不同位置来实现数据采集,基于模糊投票机制决策的融合算法,能够实现对多IMU传感器的数据融合,减小随机误差;分析GNSS系统的故障诊断与隔离方法,给出故障判别条件;提出采用自适应联邦卡尔曼滤波算法实现GNSS与IMU数据最优融合和可容错处理。研究结果表明:本方案能够实现高精度可靠定位,与传统的GPS与IMU组合定位相比,其定位精度提高了40.2%,系统的容错能力得到进一步提高。

基于多传感器数据融合的室内定位算法

基于惯性测量单元(IMU)的定位方法是一种全自主定位方法,该方法通常是基于单个IMU(Single-IMU)实施定位,其具有较大的漂移误差和累积误差.因此,提出了一种基于多个可穿戴式IMU(Multi-IMUs)与室内无线传感器网络(IWSN)的多传感器数据融合的室内定位算法,根据佩戴于不同部位的Multi-IMUs信息协同,提高人体姿态检测的有效性,并且利用模糊投票机制(Fuzzy Voting Scheme)融合Multi-IMUs位置信息;此外,结合IWSN,采用卡尔曼滤波算法(Kalman Filter Algorithm)融合IWSN解算出的位置信息与Multi-IMUs计算出的位置信息降低基于IMU的累积误差.实验结果表明,所提出的基于多传感器数据融合的室内定位算法能够识别出行走的姿态,与基于Single-IMU的定位算法相比,该算法有效地降低了累积误差和漂移误差,提高了室内定位的有效性和可靠性.