一种基于SVDCKF的无人机动态自适应航姿算法

针对小型无人机在复杂飞行条件下的航姿解算精度和鲁棒性问题,提出了一种动态自适应调节的奇异值容积卡尔曼滤波航姿估计算法。考虑到低成本航姿传感器随机偏差大的问题,将航姿传感器随机偏差作为待估计参数,以消除传感器随机偏差的影响。由于无人机航姿模型的非线性和滤波中协方差矩阵的非正定问题,设计了一种融合容积卡尔曼滤波(cubature Kalman filter, CKF)和奇异值分解(singular value decomposition, SVD)的非线性航姿滤波器来改善航姿解算精度。另外考虑到不同的飞行条件下,航姿传感器中三轴加速度对无人机航姿解算的影响,基于自适应滤波的思想,提出了一种动态自适应因子来不断地调节加速度测量噪声方差,提高了航姿滤波在复杂条件下的鲁棒性。实验结果表明,所提算法不仅有效地改善了非线性航姿模型的航姿解算精度,满足小型无人机的飞行需求,而且消除了航姿传感器随机偏差和三轴加速度测量噪声对航姿解算的影响,提高了算法的鲁棒性和抗扰性。     

GPS/AHRS紧耦合系统中改进的SRUKF算法

在GPS/AHRS(航姿参考系统)组合导航的数据融合中,常规UKF在应用中由于计算误差易导致协方差负定,影响滤波的精度,甚至使滤波发散而导致系统无法正常工作.针对这一问题提出了一种改进的自适应SRUKF算法,不仅能够解决协方差负定带来的系统无法正常工作的问题,而且能够在保证精度的同时降低系统的计算量.仿真数据结果表明,在先验噪声未知并且噪声时变的情况下,改进的自适应SRUKF算法能够提高系统的精度和稳定性.     

基于卡尔曼滤波的地表移动变形预测

针对传统卡尔曼滤波模型在地表变形预测中依赖于噪声和数学模型而导致的运行发散问题,提出了一种基于方差补偿自适应卡尔曼滤波的建筑地表移动变形预测分析方法.提出的自适应卡尔曼滤波主要是通过适当的估算和修正系统模型的不确定参数以及噪声的统计特性,来弥补滤波过程中噪声方差的不足.建立了自适应卡尔曼滤波的数学模型,并在Matlab软件上对地表移动变形预测进行了仿真分析,其结果验证了所提卡尔曼滤波方法在地表移动变形预测应用中的可行性,表明该方法有效提高了实时预测的可靠性和预测精度.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

基于神经网络的新息自适应卡尔曼滤波在高速公路变形监测中的应用

实际应用中卡尔曼滤波的动态噪声和观测噪声往往不是固定的,提出运用新息自适应卡尔曼滤波法则对噪声进行实时估计。同时,为了克服新息自适应卡尔曼滤波要求系统模型过分精确的缺点,基于神经网络的新息自适应卡尔曼滤波算法,通过使用神经网络进行误差补偿来提高滤波性能,并运用于高速公路变形监测中。结果表明：该模型与原始观测值的残差全部降到了０.２５ｍｍ以下,说明该模型精度很高,在实际应用中具有一定的可行性。     

基于遗传模糊控制的智能自适应滤波算法

组合导航中软故障难以检测,致使卡尔曼滤波精度降低甚至发散.为提高滤波的容错性,提出了一种基于遗传模糊控制的智能自适应滤波算法.首先针对软故障提出一种模糊自适应滤波算法,算法中通过监测观测量新息及其变化率,应用模糊控制系统计算观测质量因子,并对滤波器量测噪声阵进行在线自适应调整,从而抑制软故障对滤波的影响,保证滤波的精度,提升容错性能.然后,利用自适应遗传算法对隶属度函数的参数进行优化,从而进一步提高算法的整体精度.利用本文提出的算法在SINS/CNS/GPS导航平台上进行了定位实验,结果显示该算法有效,在软故障存在时,定位精度小于2 m,测速精度小于0.1 m/s.     

带状态切换自适应滤波算法及其在GPS/INS中的应用

针对GPS/INS组合导航系统中观测噪声通常未知、导致卡尔曼滤波算法不稳定、滤波精度降低的问题,提出一种改进的自适应滤波算法.改进的自适应算法结合了简化的Sage-Husa滤波算法、滤波器发散判断依据和渐消滤波的思想,使得滤波器对量测噪声变化的鲁棒性变强,同时解决了简化的Sage-Husa滤波器容易发散的问题.通过建立GPS/INS组合导航系统状态方程和观测方程,对改进的新算法进行仿真测试.仿真结果表明,新算法对量测噪声未知的情况具有更好的适应性,提高了滤波器估计精度,表现出良好的滤波稳定性.     

观测噪声时间相关的动态定位算法

在动态定位数据处理中,动态定位的精度和可靠性除受观测偶然误差和系统误差的影响外,还受时间相关的观测噪声的影响.在观测噪声不满足时间不相关的假设情况下,卡尔曼滤波将达不到最优滤波效果,并且其误差协方差阵也是错误的.分析了测量噪声时间相关对卡尔曼滤波结果的影响,给出了观测噪声时间相关时的卡尔曼滤波递推公式.实例计算结果表明,采用该算法能够有效地消除测量噪声相关性对滤波结果的影响.     

自适应卡尔曼滤波在地铁监测中的应用

目的通过滤波后的数据对比,验证自适应卡尔曼滤波在处理地铁变形监测数据工作中优于经典卡尔曼滤波.方法分别应用经典卡尔曼滤波和自适应卡尔曼滤波建立动态处理数据模型,对地铁变形监测数据进行处理,并与人工实测值进行对比.结果使用经典卡尔曼滤波处理后,数据精度提高38%,使用自适应卡尔曼滤波处理后,数据精度提高55%.结论自适应卡尔曼滤波与经典卡尔曼滤波相比,自适应卡尔曼滤波剔除噪声效果强与经典卡尔曼滤波,并且自适应卡尔曼滤波后数据整体变化平稳,与实测值吻合性较好,自适应卡尔曼滤波在处理沈阳地铁一号线监测数据中,优于经典卡尔曼滤波.     

模糊逻辑在NGIMU/GPS组合中的应用

由于加速度计输出动态噪声的存在,无陀螺惯性测量组合(NG IMU)导航误差随时间迅速累积.采用传统卡尔曼滤波方法进行NG IMU/GPS组合导航系统设计时,又由于观测噪声的复杂性,造成滤波结果不明显.针对上述噪声统计特性不易确定的特点,基于NG IMU九加速度计配置方案,提出利用模糊逻辑自适应卡尔曼滤波方法进行NG IMU/GPS组合导航系统设计.模糊逻辑自适应卡尔曼滤波器(FLAKF)通过对噪声方差进行修正,将卡尔曼滤波器调整到最优状态.同时进行了系统位移、速度、角速度仿真,仿真结果验证了模糊逻辑自适应卡尔曼滤波方法的可行性.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发，分析了Kalman滤波算法的实质及容量发散的原因，提出在Kalman滤波中引入系统量测噪声协方差阵（R）的计算，并对其加权，从而影响滤波增益，抑制发散，推算舰位／GPS组合导航的应用仿真表明明显测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。     

Adaptive Kalman Filter of Transfer Alignment with Un-modeled Wing Flexure of Aircraft

The alignment accuracy of the strap-down inertial navigation system (SINS) of airborne weapon is greatly degraded by the dynamic wing flexure of the aircraft. An adaptive Kalman filter uses innovation sequences based on the maximum likelihood estimated criterion to adapt the system noise covariance matrix and the measurement noise covariance matrix on line,which is used to estimate the misalignment if the model of wing flexure of the aircraft is unknown. From a number of simulations,it is shown that the accuracy of the adaptive Kalman filter is better than the conventional Kalman filter,and the erroneous misalignment models of the wing flexure of aircraft will cause bad estimation results of Kalman filter using attitude match method.     

Adaptive Kalman Filter of Transfer Alignment with Un-modeled Wing Flexure of Aircraft

The alignment accuracy of the strap-down inertial navigation system (SINS) of airborne weapon is greatly degraded by the dynamic wing flexure of the aircraft. An adaptive Kalman filter uses innovation sequences based on the maximum likelihood estimated criterion to adapt the system noise covariance matrix and the measurement noise covariance matrix on line, which is used to estimate the misalignment if the model of wing flexure of the aircraft is unknown. From a number of simulations, it is shown that the accuracy of the adaptive Kalman filter is better than the conventional Kalman filter, and the erroneous misalignment models of the wing flexure of aircraft will cause bad estimation results of Kalman filter using attitude match method.     

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter, IICKF)算法．该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量．仿真结果表明：该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter, ICKF)算法,该算法的提出有助于提高姿态估计的精度．     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

卡尔曼滤波的观测增强及在SINS对准中的应用

从理论上给出了提高卡尔曼滤波器收敛速度和精度的一种方法．利用卡尔曼滤波递推公式证明了有用观测信息的增加,即观测增强有助于抑制量测噪声,从而提高卡尔曼滤波器的收敛速度和精度,为在捷联惯导（SINS）动基座快速传递对准技术中经常使用的抑制量测噪声的方法提供了理论依据．通过积分匹配、双积分匹配以及机动运动强度变化的仿真例子验证了方法的有效性．     

转换测量值卡尔曼滤波的激光目标跟踪

为了解决在实际的目标跟踪系统中测量方程与运动方程的非线性问题，在传统的卡尔曼滤波的基础上提出了转换测量值的卡尔曼滤波器，并以此为基础在三维空间对其进行了推导。最后结合激光器的特点把它应用于激光跟踪目标的仿真，与扩展卡尔曼滤波相比较，应用转换测量值卡尔曼滤波器进行仿真的精度要明显高于应用扩展卡尔曼滤波器所得到的结果。     

大视场目标的高精度快速自动检测系统

针对传统接触式测量存在的附带损伤、精度低以及速度慢等问题,设计了一种适合大视场目标的高精度快速自动检测系统。首先,利用双目相机标定技术,精确计算出相机的内参数和外参数,完成目标和相机的空间定位。其次,对背景进行实时建模,通过重构背景的影像快速提取出目标的轮廓,完成目标的稳定检测,对光照和噪声鲁棒性好。最后,用Kalman滤波器对轮廓进行精化,从而保证了测量的高精度。实验和分析证明本系统的精度高、速度快,能够稳定的检测出大视场中存在的目标。