基于便携式惯性测量设备车体振动数据的无辅助里程定位方法

本发明涉及轨道交通检测，具体而言，涉及基于便携式惯性测量设备车体振动数据的无辅助里程定位方法。

背景技术：

1、轨道交通的安全平稳运行高度依赖于对轨道几何状态的定期检测与评估。近年来，便携式惯性测量设备（pimu）因其体积小、部署灵活、采集效率高等优势，被广泛应用于采集列车运行过程中的车体振动数据。然而，pimu采集的原始数据仅为一条随时间变化的时间序列，缺乏与之对应的空间轨道里程标签。如果不将这些振动数据与精确的轨道里程信息进行高精度同步关联，就无法将其直接用于后续的轨道病害精准定位与几何不平顺状态分析。

2、目前，为车体振动数据匹配里程标签的方法主要依赖于外部辅助信号（如全球卫星导航系统gnss、轨旁应答器或测速电机等）。但在长隧道、城市高楼峡谷或地下线路等复杂环境中，gnss信号极易被遮挡或完全丢失；而大规模部署轨旁应答器等外部辅助设备则面临建设与日常维护成本高昂的问题。因此，探索一种不依赖外部辅助设备的自主里程定位方法具有重要的工程应用价值。

3、在无辅助定位领域，纯惯性导航系统（ins）是核心手段。但经典的纯惯导方法存在无法克服的物理缺陷：由于传感器内部存在微小的测量噪声和零偏漂移，经过两次积分运算后，其定位误差会随时间呈二次方累积发散。特别是经典的惯性导航方法通常仅能依赖横向和垂向的约束，在列车行驶的纵向通道上严重缺乏直接观测基准，导致长航时定位精度极差。为了抑制这种误差发散，行业内通常需要引入列车特有的运动学约束（如停车时的零速约束、直线/曲线轨道的三维几何约束）。

4、然而，精准施加上述运动学约束的先决条件是系统必须能够准确、实时地识别出列车当前的运动状态（停车、直线运行、曲线运行）。现有的列车运动状态识别方法往往依赖于提取单一维度的特征（如单纯的时域极值）或采用固定的经验阈值进行一刀切式的判定。列车在实际运行过程中，轮轨冲击、环境振动以及车体自身的柔性形变极为复杂，车体振动信号表现出高度的非线性与非平稳特征。在这种复杂的振动干扰下，传统的单域特征与固定阈值识别算法存在严重的特征表征不充分问题，极易出现轨道特征的“误匹配”与“漏匹配”。一旦运动状态识别出现短时错误，系统就会向滤波模型中引入完全错误的物理约束，这非但不能抑制惯导积分漂移，反而会导致滤波器迅速发散，最终造成长航时无辅助定位任务的彻底失效。

5、因此，如何克服复杂振动干扰下传统状态识别方法的固有缺陷，准确识别列车运动工况，进而构建一套无发散、长航时、高精度的无辅助里程定位方法，成为了本领域亟待解决的关键技术难题。

6、因此，迫切需要一种基于便携式惯性测量设备车体振动数据的无辅助里程定位方法来解决上述这些问题。

技术实现思路

1、本发明的目的在于解决上述背景技术中提出的技术问题，提供了基于便携式惯性测量设备车体振动数据的无辅助里程定位方法。

2、本发明的上述目的是这样实现的：

3、基于便携式惯性测量设备车体振动数据的无辅助里程定位方法，包括以下步骤：

4、步骤1：获取便携式惯性测量设备在列车运行过程中采集的车体振动数据，以及目标线路的轨道设计参数；

5、步骤2：对所述车体振动数据进行多域特征提取与融合，识别列车的当前运动状态，所述运动状态包括停车状态、直线运行状态和曲线运行状态；

6、步骤3：根据识别出的停车状态区段数据，采用两阶段初始对准方法完成惯性导航系统的初始对准，获取定位解算的高精度初始状态值；

7、步骤4：以惯性导航误差传播方程为非线性状态转移方程，根据识别出的不同运动状态动态匹配对应的多模型观测约束，构建基于运动状态驱动的自适应滤波算法，计算并修正惯性导航解算误差，最终输出列车的高精度里程定位结果。

8、进一步的，步骤2中，对所述车体振动数据进行多域特征提取与融合的具体过程包括：

9、对所述车体振动数据划分滑动窗口，从时域、频域、时频域和复杂度域四个维度提取初始特征集；其中，时频域特征通过小波分解计算各层细节系数的小波能量得到，复杂度特征通过统计信号穿越零点的次数得到；

10、采用互信息准则计算所述初始特征集中各特征与真实运动状态标签的互信息得分，筛选出得分最高的特征子集，以剔除冗余信息并实现特征降维。

11、进一步的，步骤2中，识别列车的当前运动状态的具体过程包括：

12、将降维后的特征子集输入特征投影层，映射至隐藏特征空间；

13、将映射后的特征输入多头注意力机制模块，自适应分配特征子空间的注意力权重，以聚焦关键时序信息；

14、将加权后的特征输入由前向和后向时序卷积网络组成的双向时间卷积网络，融合捕捉长程时间依赖关系，输出滑动窗口级的初始运动状态预测结果；

15、通过后处理平滑算法对所述初始运动状态预测结果进行处理，基于相邻窗口状态消除异常的短时跳变噪声，提取得到连续的列车运动状态区段。

16、进一步的，步骤3中，所述两阶段初始对准方法包括参数辨识粗对准和自适应非线性精对准，其中参数辨识粗对准的具体过程包括：

17、构建包含三轴姿态角、三轴加速度计零偏和三轴陀螺仪零偏的9维辨识参数向量；

18、基于列车停车状态下加速度计的理论当地重力约束、陀螺仪的理论地球自转分量约束，并结合正则化项，构建多目标成本函数；

19、通过有限内存的拟牛顿约束优化算法对所述多目标成本函数在设定的参数上下界内进行迭代寻优，将姿态估计与传感器零偏辨识进行统一建模求解，获取初始姿态和传感器零偏的粗对准估计值。

20、进一步的，所述自适应非线性精对准的具体过程包括：

21、构建包含姿态四元数、加速度计零偏、陀螺仪零偏以及导航系下速度分量的13维状态向量，所述姿态四元数用于避免欧拉角奇异性，并采用一阶马尔可夫过程描述传感器零偏的漂移演化；

22、以粗对准估计值作为初始值，基于加速度残差特性和停车时导航系速度理论值为零的约束，构建双观测源观测方程；

23、在有限观测时间窗内，采用无迹卡尔曼滤波算法，利用滑动窗口机制计算观测残差的平滑协方差以自适应调整噪声协方差矩阵，进行递推优化估计，当满足收敛条件时，输出精对准后的高精度姿态四元数及传感器零偏。

24、进一步的，步骤4中，所述自适应滤波算法采用15维状态误差向量，所述15维状态误差向量包括：三轴姿态角误差、导航系下的东向、北向、天向速度误差，以及纬度、经度、高度位置误差，和三轴加速度计零偏、三轴陀螺仪零偏误差；

25、并基于惯性导航力学编排原理，建立所述15维状态误差向量随时间演化的非线性状态转移方程。

26、进一步的，步骤4中，根据识别出的不同运动状态动态匹配对应的多模型观测约束，具体包括：

27、当运动状态为停车状态时，构建停车状态观测方程，强制设定三轴速度误差的观测值与三轴姿态角变化量误差的观测值均为零；

28、当运动状态为直线运行状态时，将导航系速度误差投影至载体系下，构建直线状态综合观测方程，利用所述轨道设计参数中的轨道设计坡度约束俯仰角误差，强制侧滚角误差、偏航角误差、载体系横向速度误差和垂向速度误差的观测值为零；并结合纵向合加速度积分计算真实速度，以约束载体系下的纵向速度误差。

29、进一步的，当运动状态为曲线运行状态时，构建曲线状态增强观测方程，具体包括：

30、基于列车绕轨道曲线中心的圆周平动运动学约束，利用轨道设计曲率参数和车体真实纵向速度构建对偏航角速度的约束；

31、利用轨道超高设计参数推算的理论侧滚角约束惯性导航解算的侧滚角误差，并利用轨道理论走向曲率推算的偏航角约束惯性导航解算的偏航角误差；

32、对纵向合加速度进行二次积分得到曲线计算里程，计算该曲线计算里程与轨道设计里程的偏差，当所述偏差超过设定的误差限时，自适应增大纵向速度误差的观测权重，实现曲线段里程反馈闭环约束。

33、进一步的，自适应非线性精对准过程及多模型约束滤波过程中所采用的算法包含噪声自适应调节机制，所述噪声自适应调节机制包括：

34、计算当前时刻的观测残差，并通过滑动窗口机制估计所述观测残差的平滑协方差；

35、计算所述平滑协方差的迹与算法预测的观测协方差的迹的比值，作为观测噪声自适应缩放因子；

36、利用数值限幅函数将所述自适应缩放因子约束在指定的上下界内，并据此动态更新下一步的观测噪声协方差矩阵；同时基于所述观测残差的二范数与预测协方差迹的比例关系，动态调节并更新过程噪声协方差矩阵。

37、进一步的，输出列车的高精度里程定位结果的具体过程为：

38、利用自适应无迹卡尔曼滤波算法输出的最优15维状态误差估计值，对捷联惯导主系统的计算结果进行全参数闭环反馈修正，得到修正后的最终三维经纬度坐标、速度向量及姿态矩阵；

39、将修正后的三维经纬度坐标与既有线路空间位置数据库进行逆向映射关联，为所述车体振动数据赋予高精度的轨道里程标签。

40、与现有技术相比，本发明具备以下有益效果：

41、1、本发明有效克服了复杂振动干扰下传统状态识别方法的固有缺陷，显著提升了状态匹配的准确率；本发明方案中提出的基于多域特征融合的运动状态识别算法（msrf），从时域、频域、时频域及复杂度域提取车体振动多维特征，结合多头注意力机制与双向时间卷积网络自主挖掘特征与运动状态的内在关联，该方法彻底摒弃了传统单一特征与固定经验阈值判定的局限性，实现了列车停车、直线、曲线三种运动工况的精准辨识，相较于经典阈值识别方法具有更高的识别准确率与鲁棒性，为后续精确施加运动学约束提供了极为可靠的先验依据，避免了因“误匹配”导致的滤波发散。

42、2、本发明实现了姿态与传感器零偏的高精度初始化，从源头上大幅降低了基础积分误差；通过针对长航时惯性导航解算高度依赖精确初始值的问题，本发明提出了一种两阶段快速初始对准架构（tsia），该架构将参数辨识粗对准与自适应非线性精对准相融合，能够在列车停车起步前快速完成姿态四元数与传感器零偏的联合估计；验证表明，该方法相较于既有前沿技术展现出更优的估计精度和收敛速度，将航向、俯仰和横滚等各轴向的失准角均严格控制在极小范围内，为后续导航解算奠定了高精度的初始基准。

43、3、本发明的方案彻底摆脱了对外部辅助设备的依赖，实现了全线无发散的长时高精度定位；通过针对纯惯导系统在无外部辅助时纵向误差极易二次方累积发散的问题，本发明设计了基于运动状态驱动的多模型约束自适应滤波算法（mmuk），系统能够根据识别出的不同运动工况，动态匹配最严苛的几何与运动学约束观测模型，并利用滑动窗口平滑残差自适应调节噪声矩阵；在真实的复杂业务场景长航时验证中，本发明的方法有效抑制了纵向里程的误差发散，各项核心定位误差指标较传统特征匹配法均实现了大幅度的下降，为轨道病害精准定位提供了极具工程价值的自主里程测量支撑。