[实用新型]一种应用联邦H∞滤波器实现组合导航精确定位的系统

说明书

技术领域

本实用新型涉及一种联邦H_∞滤波器，特别涉及一种应用联邦H_∞滤波器实现组合导航精确定位的方法及系统，属于多传感器数据融合领域。 

背景技术

对未知节点精确位置信息的需求推动了精确定位技术的发展，这种趋势在未来很长一段时间里仍将保持不变。虽然全球定位系统（Global positioning systems，GPS）能够提供精确地，具有持续稳定导航精度的导航信息，但是在室内、高层建筑密集的市区、矿井、隧道等环境下，GPS信号失锁，不能进行定位。为了解决这一问题，许多学者将惯性导航系统（Inertial navigation system,INS）与GPS系统进行组合，形成了GPS/INS组合导航系统。虽然INS具有全自主、运动信息全面、短时、高精度的优点，虽然可以实现自主导航，但误差随时间积累，长航时运行条件下将导致导航精度严重下降。因此，INS对GPS导航信息的补偿只能是短期补偿，而且GPS/INS组合导航系统的导航精度依赖于GPS的导航精度，而在GPS长时间失锁的情况下，组合导航系统无法提供高精度的导航信息。 

近年来，无线传感器网络（Wireless Sensors Network,WSN）以其低成本、低功耗和低系统复杂度的特点在短距离定位领域表现出很大的潜力。WSN为在无GPS信号地区，即所谓的“盲区”时，如室内、高层建筑密集的市区、矿井、隧道等环境下未知节点定位提供了可能，但由于WSN采用的通信技术通常为短距离无线通信技术（如ZigBee、WIFI等），因此若想完成长距离的目标跟踪定位，需要大量的网络节点共同完成，这增加了WSN的网络负担。 

在处理组合导航数据融合的问题时，最常用的方法是使用滤波器。最著名的方法是卡尔曼滤波器（Kalman Filte，KF），然而由于KF是面向线性系统设计的，因此仅对线性定常系统有很好的滤波效果。为了能够实现非线性系统的滤波问题，许多学者通过雅克比矩阵将非线性的系统转化为线性系统进行滤波，从而产生了扩展卡尔曼滤波器（Extended KalmanFilter，EKF）。EKF对非线性系统有很好的滤波效果，是目前实际生产中应用较为广泛的一种滤波方法。但是由于KF、EKF在滤波过程中假设系统的状态噪声和观测噪声均为标准白噪声，所以并不完全符合实际应用中的情况。另外由于设备的硬件问题，导致每一时刻数据的采集周期有小幅不确定的情形，数据获取并不能按理想情况进行，而现有的KF、EKF并没有考虑这种情况。 

发明内容

本实用新型的目的是克服上述不足而提供一种应用联邦H_∞滤波器实现组合导航精确定位的方法及系统。这种方法克服传统滤波方法（如KF、EKF）对系统的噪声有特定要求的问题，更适合实际应用中的多传感器数据融合。与此同时，这种方法充分利用了未知节点的环境信息，实现了相对导航信息与绝对导航信息的融合。在单个簇的基础上，采用联邦H_∞滤波，将局部滤波器的数据进行融合，得到一种比上述任何单一簇精度更高的导航信息。 

本实用新型采取的技术方案为： 

一种应用联邦H_∞滤波器实现组合导航精确定位的系统，包括RN节点部分和BN节点部分，RN节点部分由RN节点、无线WSN模块、超声测距模块和时间同步模块组成；BN节点部分由BN节点、无线WSN模块、INS导航模块、中央数据处理模块和时间同步模块组成；RN节点部分的RN节点分为多簇，每簇通过无线WSN模块、时间同步模块连有一个局部滤波器，各簇的局部滤波器通过一个主滤波器连接导航计算机；每个局部滤波器都与BN节点部分连接。 

上述系统的定位方法，包括步骤如下： 

（1）将WSN网络中的参考节点分簇：在WSN中，将自身位置已知的节点定义为参考节点（Reference Nodes，RN），将自身位置未知的节点定义为未知节点（Blind Nodes，BN），将在一定区域内（例如10m×10m范围内）的RN节点归为一簇，每簇中随机选择一个节点做为本簇的簇首节点，负责采集本簇中所有RN节点采集到的数据，并负责将这些信息与其他簇进行数据交换；