2000年：GPS与惯性传感器融合定位的卡尔曼滤波法

本文发表于2000年10月的《北方交通大学学报》第24卷第5期，作者蔡伯根探讨了在车辆定位领域中的关键技术——全球卫星定位系统（GPS）和航位推算法（DR）。GPS作为主要的定位手段，凭借其全球覆盖、全天候服务和高精度的优点被广泛应用，但可能受到信号遮挡或接收器故障的影响。另一方面，航位推算法依赖于车辆自身的运动数据，如速度和加速度，可以提供连续的定位，但其精度随时间推移可能会降低，尤其是在没有外部参考信息时。 文章指出，为了克服这两种技术的局限性，蔡伯根提出了一种创新的方法，即利用卡尔曼滤波（Kalman Filter）技术进行GPS和惯性传感器的融合和集成。卡尔曼滤波是一种数学工具，特别适用于处理传感器测量数据的不确定性，它能有效结合GPS和惯性传感器（如陀螺仪和加速度计）的数据，实时估计车辆的位置和状态，从而提高定位精度并减小误差积累。 通过卡尔曼滤波，系统能够动态地融合GPS的绝对位置信息与惯性传感器的相对运动信息，形成一个更为可靠的位置解决方案。这种方法尤其适用于城市环境中，如隧道、建筑物密集区等，这些地方GPS信号可能不稳定，而惯性传感器则能提供连续的辅助信息。 作者在文中详细阐述了卡尔曼滤波的工作原理，包括状态更新和测量更新步骤，以及如何设置系统的增益矩阵来平衡GPS和惯性传感器数据的权重。接着，作者展示了现场测试的结果，这些结果有力地证明了通过GPS和惯性传感器融合的定位方法在实际应用中的有效性，对于智能交通系统（ITS）的发展具有重要意义。 这篇论文不仅介绍了车辆定位技术的基本概念和比较，还深入探讨了如何通过融合不同传感器数据来提高定位精度，并展示了这一技术在解决实际问题中的实用价值。这对于GPS在交通运输领域的优化，以及未来智能交通系统的设计与实施都具有重要的理论和实践指导意义。