非线性滤波和智能优化算法在车辆定位与调度中的应用研究

摘要

随着经济的快速发展和信息化时代的到来,作为城市交通系统的发展方向,智能交通系统(ITS-Intelligent Transportation System)对城市交通发展、港口和旅游业的发展,乃至整个城市的经济发展都有着重要的意义。智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理系统。ITS的功能包括了通过车载导航系统对车辆的精确定位,对公交系统和物流系统车辆进行调度等多个方面。这些功能将有效地利用现有交通设施、减少交通负荷和环境污染、保证交通安全、提高运输效率,从而促进社会经济发展、提高人民生活质量。本文主要是研究非线性滤波和智能优化算法在车辆定位与调度中的应用,目的是为了提高车辆的定位精度和车辆调度效率。 本文首先研究了非线性滤波在车辆定位中的应用。针对车载组合导航系统数学模型的非线性情况,即车辆运动状态方程和/或系统量测方程的非线性情况,提出采用粒子滤波技术--一种新型的更有效的非线性滤波方法对车载导航系统的定位信息进行处理,以提高定位精度。车辆的正确定位是一个成功车载导航系统的基础,精确定位才能得到正确的交通信息,并为智能交通系统的其它功能提供保障。车辆定位一般采用单一导航系统或组合导航系统,并进行地图匹配,最终在电子电图上显示车辆位置。对于车载组合导航系统模型的非线性情况,一般采用扩展卡尔曼滤波(EKF-Extended Kalman Filter)进行定位信息处理.扩展卡尔曼滤波是采用一阶泰勒级数展开的线性化方法来对非线性的系统方程和量测方程线性化,这种方法的缺点在于线性过程中雅可比(Jacobian)矩阵的计算比较麻烦,而且在线性化过程中如果时间间隔不足够小的话,会在后验概率密度平均值和方差中带来很多误差,不能实现最优性能,甚至在滤波中产生发散现象。针对这种情况,本文提出了采用粒子滤波来进行车载组合导航系统的滤波解算,并将其应用于全球定位系统(GPS-Global Positioning system)和航迹推算(DR-Dead Reckoning)的车载组合导航系统模型中.论文采用了仿真实验和实验小车的试验数据处理,并与传统的扩展卡尔曼滤波处理结果相比较,验证了粒子滤波算法在车载组合导航系统中应用的可行性和优越性。 针对采用GPS定位的车载导航系统,在不使用差分定位,或者当差分信号丢失,定位精度降低的情况,本文考虑采用多模型估计的方法来提高车辆的定位精度。从系统的复杂性和成本考虑,许多车载导航系统只采用单GPS车载导航系统,如若采用差分定位,其定位精度比较高,但不采用差分或者差分信号丢失的时候,定位精度降低,将影响系统的正常工作。运用多模型估计可以根据运动中的多个状态建立不同的模型,对各个模型的估计进行信息融合来得到更精确的信息.根据对多模型估计的研究,确定了采用交互式多模型估计,并且根据运动模型的非线性特性,提出了一种新的交互式多模型粒子滤波算法.仿真试验表明,所提出的算法明显地提高了定位精度；对实验小车采集的无差分信号的GPS数据进行处理,结果表明定位精度也得到了一定的提高。 针对已有的确定性方法和传统启发式算法对于车辆调度问题的求解都存在解的质量差的情况,本文最后研究了智能优化算法在车辆调度问题中的应用。在对一些智能优化算法的原理和性能进行研究分析的基础上,根据分散搜索策略和集中搜索策略的思想,将遗传算法和禁忌算法进行融合,采用遗传算法中的交叉算子作为分散搜索策略,优解选择法作为集中搜索策略,提出了一种新的交叉禁忌搜索算法.根据旅行商问题和车辆调度问题的相似性,首先采用蚁群算法和交叉禁忌算法求解旅行商问题,通过对一些著名的旅行商问题的求解来验证交叉禁忌算法性能,然后确定了采用交叉禁忌算法来解决车辆调度问题,最后应用交叉禁忌算法对一些著名的车辆调度问题进行了求解,结果证明该算法提高了搜索性能,并具有一定的实用性。 本文从提高车载导航系统定位精度和改善智能交通系统中的车辆调度效率出发,研究了非线性滤波和智能优化算法理论,并进行了实验研究,得到了有益的研究成果,可为车辆定位和调度的技术发展提供参考与借鉴。

目录

文摘

英文文摘

上海交通大学学位论文原创性声明及学位论文版权使用授权书

第1章绪论

1.1概述

1.2课题研究背景、目的和意义

1.3车辆定位与调度的有关技术发展现状

1.3.1车载导航系统的定位信息获取方式

1.3.2车载导航系统用传感器

1.3.3车辆导航系统模型

1.3.4车辆导航系统的定位信息处理技术

1.3.5车辆调度的算法研究

1.4本文主要内容

第2章非线性滤波技术在车辆定位中的应用研究

2.1概述

2.2贝叶斯统计和贝叶斯估计

2.2.1贝叶斯统计

2.2.2递推贝叶斯估计

2.2.3贝叶斯最优滤波

2.3扩展卡尔曼滤波

2.4数字近似方法

2.5蒙特卡洛技术

2.6蒙特卡洛采样

2.6.1重要性采样

2.6.2序列重要性采样

2.7序列重要性采样粒子滤波

2.7.1退化问题

2.7.2重要性密度选择

2.7.3重采样

2.8采样重要性重采样粒子滤波

2.9 SIRPF在车辆定位中的应用

2.9.1 GPS/DR组合导航系统模型

2.9.2仿真实验及结果分析

2.9.3小车实验及结果分析

2.10本章小结

第3章多模型估计在车辆定位中的应用研究

3.1概述

3.2多模型方法

3.3动态多模型估计

3.3.1一阶广义伪贝叶斯方法

3.3.2二阶广义伪贝叶斯方法

3.3.3交互式多模型方法

3.4交互式多模型粒子滤波

3.4.1物体状态模型

3.4.2交互式多模型粒子滤波算法

3.5物体的运动状态模型

3.5.1匀速运动模型

3.5.2匀加速运动模型

3.5.3转弯模型

3.6交互式多模型粒子滤波在车辆定位中的应用

3.6.1运动物体两模型仿真

3.6.2运动物体三模型仿真

3.6.3小车实验及结果分析

3.7本章小结

第4章智能优化算法研究

4.1概述

4.2遗传算法

4.2.1遗传算法的基本流程

4.2.2遗传算法设计

4.2.3遗传算法的收敛性

4.3蚁群算法

4.3.1蚂蚁算法流程

4.3.2蚁群算法

4.4禁忌搜索算法

4.4.1禁忌搜索原理

4.4.2禁忌搜索算法流程

4.4.3禁忌算法的主要概念

4.4.4集中搜索和分散搜索策略

4.5智能优化算法搜索机理

4.6交叉禁忌算法

4.7本章小结

第5章智能优化算法在车辆调度中的应用研究

5.1概述

5.2车辆调度问题

5.2.1车辆调度问题分类

5.2.2车辆调度问题模型

5.3 VRP的解算方法

5.3.1确定性方法

5.3.2启发式算法

5.3.3 2-相位算法

5.3.4 Sweep启发式算法

5.3.5智能优化算法

5.4旅行商问题

5.5蚁群算法对TSP的求解

5.6禁忌算法对TSP的求解

5.6.1 k-OPT邻域操作

5.6.2集中搜索策略——优解选择法

5.6.3交叉禁忌算法在TSP中的应用

5.7 TSP实例解算

5.8车辆调度问题

5.8.1邻域范围

5.8.2邻域操作

5.8.3目标函数

5.8.4参数的自适应可调性

5.8.5交叉禁忌算法在车辆调度问题中的应用

5.8.6实例解算

5.9本章小结

第6章总结与展望

致 谢

参考文献

博士期间发表的论文