一种多传感器实时误差配准算法研究

针对多传感器的系统误差配准问题,研究了系统误差时变的情况,提出了一种基于迭代扩展卡尔曼滤波(IEKF)的配准算法。该算法将目标的运动状态和传感器系统误差组合在同一状态方程中,构建扩维状态的系统动态方程,采用IEKF的方法对目标状态和系统误差进行联合估计。仿真结果表明,与采用EKF和UKF的方法相比,该算法能取得和UKF相近估计精度,并且时间效率和EKF相当。     

面向增强现实的多传感器组合位姿注册算法

持续稳定的准确注册是构建增强现实系统的关键,为提高跟踪注册的稳定性和精度,提出了一种基于互补滤波(CF)和无迹卡尔曼滤波(UKF)的多传感器融合注册方案.该算法采用互补滤波器融合陀螺仪、加速度计和地磁感应计数据估计摄像头姿态;在处理视觉图像时,结合惯性姿态数据进行图像特征匹配;利用UKF融合视觉和惯性数据进行摄像头位置估计.实验表明:该算法在跟踪稳定性、精度、效率和抗干扰能力均优于传统的基于扩展卡尔曼滤波(EKF)的融合算法.     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

适用于户外增强现实系统的混合跟踪定位算法

单一传感器无法解决户外增强现实系统中的跟踪定位问题.为了提高视觉跟踪定位算法的精度和鲁棒性,提出一种基于惯性跟踪器与视觉测量相结合的混合跟踪定位算法.该算法在扩展卡尔曼滤波框架下,通过融合来自视觉与惯性传感器的信息进行摄像机运动轨迹估计,并利用视觉测量信息对惯性传感器的零点偏差进行实时校正;同时采用SCAAT方法解决惯性传感器与视觉测量间的时间采样不同步问题.实验结果表明,该算法能够有效地提高运动估计的精度和稳定性.     

基于异类传感器观测信息融合的UKF算法

针对传统的目标跟踪无迹卡尔曼滤波(UKF)滤波算法中,多传感器信息融合的前提是所有的传感器观测信息及维数相同,不适用于由多异类传感器组成的观测系统,提出一种改进的UKF滤波算法,以多异类传感器观测量扩展融合后的融合信息为新观测量建立混合坐标系下的非线性测量方程。通过仿真验证,提出的算法可以有效降低目标定位误差。     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

用四元数状态切换无迹卡尔曼滤波器估计的飞行器姿态

在较大初始姿态误差角下, 针对捷联惯导/CCD星敏感器(strap-intertial navigation system/CCD star sensor, SINS/CCD)姿态估计系统扩展卡尔曼滤波(extended Kalman filter, EKF)算法精度下降的问题, 提出了基于四元数的状态切换无迹卡尔曼滤波算法. 通过状态实时切换降低了全维无迹卡尔曼滤波(unscented Kalman filter, UKF)的维数, 减小了计算复杂度, 提高了系统的实时性. 文中采用基于特征向量求解的代价函数法计算四元数均值避免了UKF算法中四元数规范化的限制; 利用乘性误差四元数表示姿态更新点与估计点之间的距离, 解决了四元数协方差阵奇异性问题. 仿真实验结果表明: 与EKF相比, 该算法在精度上有较大提高; 与全维UKF算法和修正罗德里格斯参数UKF算法相比, 该算法精度相当但估计时间均有不同程度的减少.     

一种面向多无人机协同感知的分布式融合估计方法

针对基于扩展卡尔曼滤波的融合估计算法存在线性化误差,且分布式融合计算复杂等问题,基于无色变换、交互多模型和信息滤波,采用递阶分布式融合估计结构,提出一种分布式无色信息滤波算法.该方法中的无色变换能够保证更高的估计精度,交互多模型使其具有更好的鲁棒性,信息形式的卡尔曼滤波使融合估计计算变得简单.仿真结果表明,该算法能够提高多无人机融合估计性能.     

基于多传感器融合的车载航位推算系统

针对传统车载航位推算(DR)系统单独导航时导航误差随时间迅速累积的问题,提出一种基于多传感器信息融合的低成本车载DR系统.以无迹卡尔曼滤波器(UKF)作为数据融合算法,综合利用里程计、陀螺、加速度计、磁力计和气压计等多种传感器的信息,抑制DR系统的累积误差,以低成本、低精度的传感器实现高精度导航.通过实际的长达12 min的道路导航试验,结果表明:导航误差小于总航程的1％,与传统DR系统相比有较大的精度提升.     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

基于UKF的水下航行器IMU故障检测与诊断方法研究

惯性测量单元（IMU）作为水下航行器导航系统关键传感器,其可靠性直接影响航行器的导航性能。为了提高IMU的容错能力,本文提出一种基于无迹卡尔曼滤波（UKF）算法的IMU故障诊断技术。首先根据水下航行器的动力学方程和导航系统特点,建立描述IMU故障与导航状态量关系的解析模型;接着基于UKF非线性滤波的特点,进行导航滤波解算,基于此,提出了解耦矩阵法以实现IMU的故障检测;并且根据无迹卡尔曼滤波器新息正交原理,提出了实时估计IMU故障的方法,从而完成水下航行器IMU故障的在线检测与诊断。最后,通过实际航行数据验证了所提出算法的有效性。     

模态切换水下机器人微惯性导航分析

针对某模态切换远程遥控水下机器人(Model-Converted Remotely Operated Vehicle,MC-ROV),基于微机电系统(Micro-Electro-Mechanical Systems,MEMS)器件设计微惯性组合导航系统.该系统包括陀螺仪、加速度计、磁罗盘、深度传感器和微处理器等.采用互补滤波方法抑制陀螺漂移,基于四元数算法对陀螺仪积分,并以四元数为估计对象设计无损卡尔曼滤波算法,从而提高导航精度.分析梯度下降法原理,并研究其在四元数更新中的补偿作用.水池试验表明:互补滤波与无损卡尔曼滤波相结合的方法能够获得比较精确、稳定的MC-ROV导航信息.基于实测数据的算法仿真表明梯度下降法可以在一定程度上改善导航效果.     

Practical issues in state estimation using particle filters: Case studies with polymer reactors

In this paper, we compare Kalman update based filters with particle filters using simulations on polymerization processes. In particular, we compare the unscented Kalman filter (UKF) and the particle filter (PF) for the case of significant plant–model mismatch. The sequential importance resampling particle filter is shown to be less robust than the Kalman update-based filters. This issue is solved by bootstrapping the PF with the UKF, i.e., using the UKF as the proposal distribution; this retains its ability to estimate non-Gaussian distributions while providing robustness with respect to plant–model mismatch. Finally, we explore methods of obtaining a point estimate from the state distributions of the PF.     

Multi-sensor Optimal Data Fusion for INS/GNSS/CNS Integration Based on Unscented Kalman Filter

This paper presents an unscented Kalman filter (UKF) based multi-sensor optimal data fusion methodology for INS/GNSS/CNS (inertial navigation system/global navigation satellite system/celestial navigation system) integration based on nonlinear system model. This methodology is of two-level structure: at the bottom level, the UKF is served as local filters to integrate GNSS and CNS with INS respectively for generating the local optimal state estimates; and at the top level, a novel optimal data fusion approach is derived based on the principle of linear minimum variance for the fusion of local state estimates to obtain the global optimal state estimation. The proposed methodology refrains from the use of covariance upper bound to eliminate the correlation between local states. Its efficacy is verified through simulations, practical experiments and comparison analysis with the existing methods for INS/GNSS/CNS integration.     

UKF在INS/GPS直接法卡尔曼滤波中的应用

提出将Unscented卡尔曼滤波(UKF)用于INS/GPS组合导航系统的直接法卡尔曼滤波,避免了对非线性的系统状态方程进行线性化.以INS输出的导航参数及平台误差角等作为系统状态,惯导力学编排方程和姿态误差方程作为系统状态方程,GPS输出的导航参数作为量测,采用UKF方法对系统导航参数直接进行估计.仿真结果表明,UKF方法有效地解决了直接法卡尔曼滤波中系统状态方程的非线性问题,并使INS/GPS组合导航系统具有较高的导航定位精度.     

A Filtering Approach Based on MMAE for a SINS/CNS Integrated Navigation System

This paper explores multiple model adaptive estimation (MMAE) method, and with it, proposes a novel filtering algorithm. The proposed algorithm is an improved Kalman filter-multiple model adaptive estimation unscented Kalman filter (MMAE-UKF) rather than conventional Kalman filter methods, like the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). UKF is used as a subfilter to obtain the system state estimate in the MMAE method. Single model filter has poor adaptability with uncertain or unknown system parameters, which the improved filtering method can overcome. Meanwhile, this algorithm is used for integrated navigation system of strapdown inertial navigation system (SINS) and celestial navigation system (CNS) by a ballistic missile's motion. The simulation results indicate that the proposed filtering algorithm has better navigation precision, can achieve optimal estimation of system state, and can be more flexible at the cost of increased computational burden.      

基于联邦UKF算法的移动机器人自主组合导航

组合导航技术是解决地面机器人自主导航的一个有效途径,其中GPS/DR是一种典型的组合方式。常用的卡尔曼滤波主要用于处理线性问题,针对该导航系统非线性的特点,对Unscented卡尔曼滤波（UKF）与分散式滤波技术相结合的方法进行了研究,建立了用于GPS/DR导航系统的联邦UKF算法。数值仿真实验表明,联邦UKF比联邦EKF有更好的滤波精度,同时有更高的稳定性和容错性,是一种理想的GPS/DR导航非线性滤波方法。     

基于IMM-UKF的组合导航算法

为解决非线性动态系统滤波的非线性和噪声不确定等问题,设计了一种基于交互多模型(IMM)的Unscented卡尔曼滤波器(UKF),针对噪声变化情况建立一组非线性模型,与每个模型对应的UKF可以达到二阶以上的滤波精度.IMM-UKF滤波器的输出为各滤波器的概率加权融合,因此,根据噪声变化而调整的模型概率使系统输出对噪声变化具有自适应能力.利用该算法对组合导航系统进行了仿真试验,该算法精度高,模型切换速度快,能适用于动态系统.     

A Hybrid Deep Sea Navigation System of LBL/DR Integration Based on UKF and PSO-SVM

In order to improve the navigation accuracy of human occupied vehicle(HOV)precisely and efficiently,an innovative hybrid approach based on unscented Kalman filter(UKF)and support vector machine(SVM)is proposed to fuse integrated navigation data.HOV is generally equipped with long baseline(LBL)acoustic positioning system and dead reckoning(DR)as an integrated navigation system.UKF is adopted to estimate the state of the dynamic model because of its good performance in filtering nonlinear problems.An accurate and stable filtering result can be obtained when both LBL and DR are online.At the same time,SVM is utilized to train DR information with the result when LBL outrages,and the particle swarm optimization(PSO)algorithm is employed for SVM parameters optimization.Therefore,the integrated navigation system can maintain a good performance when the LBL is off-line.Simulation results with the real navigation data of Jiaolong HOV show that the methodology proposed here is able to meet the needs of HOV application.     

一种基于UKF改进算法的组合导航系统故障的检测方法

为了缩短组合导航故障检测的时间, 提高检测准确性, 在残差χ²检验法理论基础上, 对无迹卡尔曼滤波（UKF）进行研究。采用一种基于混合滤波思想的UKF, 该算法在时间更新步骤分为两个阶段, 利用线性方程得到状态的一步预测值并由此构造Sigma点, 通过求取Sigma点加权和来实现对量测值的一步预测, 降低了计算量。采用改进算法和标准UKF算法对含有故障的GPS/INS组合导航模型进行故障检测。仿真实验表明, 改进的算法能够更迅速地检测出故障, 有利于提高导航系统的稳定性, 在工程应用中有重要意义。