改进CPF算法提升列车组合定位精度：仿真与应用

本文主要探讨了在GNSS/INS（全球导航卫星系统/惯性导航系统）列车组合定位中，传统滤波技术如扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）在处理复杂高速环境下存在的局限性。针对这些问题，文章提出了一种改进的容积粒子滤波（CPF）算法，该算法是针对列车组合定位信息融合的一种创新策略。 改进的CPF算法着重于解决粒子退化问题，这是传统粒子滤波中常见的挑战，它可能导致滤波性能下降。为了克服这一问题，文中采用了马尔科夫链蒙特卡洛（MCMC）移动方法，这是一种统计模拟技术，能够有效地更新粒子分布，避免粒子群过于集中或稀疏，从而提升滤波的稳定性。 通过MATLAB的仿真验证，研究结果表明，改进后的CPF算法在高速列车的非线性运动过程中，能够提供更小的位置误差和速度误差，显著提高了定位精度。这在实际应用中对于列车的安全运行、路线规划以及乘客舒适度等方面具有重要意义。 研究的关键词包括列车组合定位、容积粒子滤波、重要性密度函数和马尔科夫链蒙特卡洛，这些都是本文的核心理论支撑。论文的作者王更生和张敏，分别在计算机应用、全球卫星定位系统和数据挖掘等领域有深入研究，他们结合MCMC方法对CPF进行了优化，为列车组合定位技术的发展提供了新的可能。 本文是一项针对GNSS/INS列车组合定位中滤波技术的创新研究，其成果对于提升高速列车的定位精度，特别是在复杂环境下的实时跟踪和控制具有重要的理论价值和实践意义。