一致性辅助自适应最大相关熵鲁棒滤波CA-AMCRF用于异步多传感器列车速度估计

《Electronics》：Consistency-Aided Maximum Correntropy Filtering for Multi-Sensor Train Speed Estimation

　　

可靠的列车速度估计需要将轮轴速度与多普勒雷达测量、加速度传播以及稀疏轨旁定位进行融合。自适应最大相关熵滤波（adaptive maximum correntropy filtering）可抑制异常速度观测。然而，由于其将每个新息相对于预测状态进行加权，加速度计误差可能造成预测偏移，从而使有效的轮速和雷达观测被拒绝。研究人员提出一种用于异步多传感器列车速度估计的一致性辅助自适应最大相关熵鲁棒滤波（CA-AMCRF, consistency-aided adaptive maximum correntropy robust filter）。该滤波器采用五状态偏置增广模型，融合加速度、轮速、多普勒雷达速度和稀疏信标位置测量。在每次直接速度更新期间，一致性支持机制比较偏置补偿后的轮速—雷达分歧与二者相对于预测速度的共同偏离。所得证据修正AMCRF（adaptive maximum correntropy robust filter）测量权重，在预测侧误差期间恢复可靠的直接速度信息，同时在任一直接速度组异常时保持鲁棒降权。受控仿真表明，该方法对孤立轮速或雷达速度误差具有鲁棒性，并在加速度计误差使预测偏移且两个直接速度组可靠时提高精度。基于物理的黏着仿真进一步显示，在加速度计误差与黏着诱发轮速畸变共存时具有同样收益。

研究背景。列车速度估计服务于自动列车保护、制动监督和运动控制。车载信息包括加速度、轮轴速度、多普勒雷达速度和稀疏信标位置；轮速在蠕滑或打滑时虽传感正常却偏离真实地面速度，雷达直接测地面速度，加速度积分存在漂移，各观测源异步。最大相关熵滤波（MCKF, maximum correntropy Kalman filter）和自适应最大相关熵鲁棒滤波（AMCRF, adaptive maximum correntropy robust filter）依据观测相对于预测的新息降权异常值。若加速度计误差使预测速度整体偏移，有效轮速和雷达会同时产生同号大新息而被误降权。关键难点是在权重修正前区分预测侧偏差与观测侧故障。

研究人员提出一致性辅助自适应最大相关熵鲁棒滤波（CA-AMCRF），以五状态偏置增广模型融合上述观测。该模型先保留AMCRF自适应带宽基权重，再构造一致性支持：比较偏置补偿后的轮速—雷达差异与二者相对预测速度的共同偏离，结合不确定度归一化的绝对一致性门限、相对偏离门限和同向符号检验修正测量精度。先验和后验状态分别用上标^?与⁺表示，直接速度更新后按信标事件更新位置。其意义是在预测侧误差时恢复可靠测速信息，同时保留对孤立测速故障的鲁棒抑制。

关键方法概括：研究人员采用五状态偏置增广异步融合模型、自适应最大相关熵基权重、绝对一致性门限、相对偏离门限、同向符号检验、有界权重修正、顺序卡尔曼更新与Joseph协方差更新（Joseph covariance update），并通过受控误差仿真和轮轨黏着动力学仿真成对比较卡尔曼滤波（KF, Kalman filter）、MCKF、AMCRF、分布式弹性融合（distributed resilient fusion）基线与CA-AMCRF；无车载实测样本队列。

4.1 Simulation Configuration。受控仿真设20 Hz高速率网格、80 s运行，轮速20 Hz、雷达5 Hz，信标间隔100 m且位置误差标准差0.30 m，注入偏置、尺度误差、有色噪声、缺失和异常值，100次独立重复；物理仿真产生正常黏着、部分打滑、全轮打滑、黏着恢复和低黏着制动中的轮侧畸变。该配置用于区分预测侧误差、孤立直接速度故障与黏着诱发误差。

4.2 Performance Comparison。名义、轮速阶跃、雷达阶跃结果说明CA-AMCRF保持AMCRF级鲁棒性，均方根误差（RMSE, root mean square error）分别为0.06968、0.06890和0.07074 m/s。加速度计阶跃时，CA-AMCRF的RMSE为0.10033 m/s，在鲁棒方法中最优，较MCKF、AMCRF和分布式弹性融合分别降低49.0%、51.1%和31.9%。混合误差时，其RMSE为0.12410 m/s，较KF、MCKF、AMCRF和分布式弹性融合分别降低39.2%、66.0%、66.2%和75.5%。物理黏着仿真中，加入加速度计阶跃后CA-AMCRF的RMSE为0.36336 m/s，较AMCRF降低35.4%；无额外加速度误差时AMCRF略优。三组和四组直接速度扩展分别得到0.08000 m/s和0.07694 m/s，增益递减。

4.3 Mechanism Ablation。消融表明绝对一致性支持是预测误差下降的主要来源：加入绝对项后，加速度计阶跃RMSE由0.20507降至0.09914 m/s，混合误差由0.36755降至0.12287 m/s；相对归一化几乎保留该增益，并将无加速度计误差时损失由6.3%降至2.8%。固定带宽变体换用自适应带宽后目标结果变化小于1%，物理标称RMSE下降1.9%。

讨论部分总结：CA-AMCRF的增益来自多传感器冗余关系，而非状态模型改变；一致性修正赋予权重方向判别能力，避免将预测偏移误判为共同传感故障。局限是轮速—雷达共模误差难以仅由二者差异识别，验证仍基于仿真。

5. Conclusions（翻译）：研究人员提出CA-AMCRF，以解决异步多传感器列车速度估计中异常直接速度观测与不准确过程预测之间的歧义。该方法根据偏置补偿后的轮速—雷达分歧相对二者共同偏离预测速度的关系修正有界AMCRF测量权重：孤立轮速或雷达误差时保留降权，两组观测共同支持修正偏移预测时恢复可靠信息。受控仿真显示名义和孤立测速误差下与AMCRF相当，加速度计阶跃和混合误差下精度更高；物理黏着仿真显示相同趋势。消融确认一致性支持是主要收益来源，相对归一化保留收益并降低无加速度误差时损失。