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。     

组合导航的集中式容错卡尔曼滤波算法

针对多源信息组合导航系统中集中卡尔曼滤波器存在的斜坡噪声抑制难题,本文提出一种容错卡尔曼滤波算法。该算法在传统极大似然抗差估计的基础上,进一步考虑量测信息的先验概率分布,设计量测信息在线质量评价函数,当量测信息含有阶跃噪声、冲击噪声、及斜坡噪声时实现对量测信息的质量评价,并依据质量评价信息构造量测噪声权函数与自适应因子,通过调节量测信息权重,抑制包括斜坡噪声在内的量测粗差对滤波精度及可靠性的影响,实现容错滤波。将该算法应用于多传感器组合导航系统中进行仿真实验验证,仿真结果证明:本文提出的容错卡尔曼滤波算法可以有效抑制量测信息中的阶跃噪声、冲击噪声、及斜坡噪声,滤波器的可靠性和精度得到了有效提升。     

基于矢量信息分配的INS／GNSS／CNS组合导航系统

针对组合导航系统中多传感器输出不同步的问题,提出一种基于矢量信息分配的异步联邦滤波算法的INS/GNSS/CNS组合方案,根据各子系统的工作特性,分析并设计了基于INS/GNSS位置组合以及INS/CNS姿态组合的联邦滤波模型,并采用矢量形式的信息分配方法提高了滤波器的精度.针对量测异步问题,设计了时间与量测更新分离的异步非等间隔算法.系统仿真实验表明,该算法可以有效地实现对INS、GNSS、CNS的多信息的异步融合,与常规异步滤波方法相比较,组合系统的滤波精度有明显提高,具有重要的实际应用价值.     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

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.     

步幅和建筑方向辅助的行人导航算法

针对零速校正过程中航向误差观测性差引起的定位精度低的问题,在零速校正的基础上,采用行人步幅和建筑方向辅助的航向误差校正算法,对系统原有观测量扩维。根据行人运动状态得到步幅航向和建筑方向,建立基于速度误差和航向误差的量测模型,利用卡尔曼滤波器实现滤波更新。并且研究了RTS平滑算法,对轨迹进行平滑以解决轨迹突变问题。采用荷兰Xsens公司的MTi-G型IMU进行场地试验,通过对比不同算法的定位误差验证算法的有效性。结果表明,当行人运动距离为70 m时,其最大定位误差不超过3.4 m。     

自适应零速修正辅助的微惯性定位系统研究

针对GNSS失效情况下微惯性器件漂移大引起的定位精度低的问题,研究了一种多条件辨识零速时刻,基于速度信息构建观测方程的零速修正算法,以提高微惯性系统的定位精度. 论文阐述了行人步态特性,在分析行人步态的基础上设计了基于加速度量测方差、加速度量测幅值和角速度量测能量的多条件零速检测方法,并针对室内外不同环境设置了自适应阈值. 在此基础上,构建了速度信息为系统观测值的Kalman滤波器,在零速对姿态、速度及位置误差进行估计并修正. 实验结果表明,基于上述自适应定位修正算法可有效增强零速检测的可靠性,抑制定位误差的累积,定位的精度是行进距离的1.32%.     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

基于改进边缘化粒子滤波器的机动目标跟踪

为解决边缘化粒子滤波器(MPF)无法估计线性状态的难题,提出了一种改进的MPF目标跟踪算法,采用状态的预测值作为卡尔曼滤波器的量测更新,用卡尔曼滤波器估计目标的速度和加速度;用粒子滤波器(PF)估计目标的位置信息.仿真结果表明改进的MPF在保证目标状态估计精度的同时,降低了PF算法的计算复杂度,克服了PF的退化现象,较好地解决了闪烁噪声下的机动目标跟踪难题.     

雷达多目标跟踪系统中非线性滤波问题的研究

本文主要从雷达多目标跟踪中的目标模型设定和量测系统的非线性关系出发,分析了目前广泛采用推广卡尔曼滤波器(EKF)的滤波精度。文中首先把量测系统的非线性与量测系统的不确性联系起来,针对只考虑量测方程的非线性的情况,给出了一种修正量测方差二阶滤波器,然后利用这种二阶滤波器分析了EKF的滤波误差。结果表明,EKF和二阶滤波器相比,滤波性能基本相同。     

容错组合导航系统联邦滤波器设计中的信息同步

探讨了各子滤波器同步时间差及同步滤波信息的计算。仿真计算结果表明,经同步处理后,融合精度与理想情况即所有子滤波器完全同步时的精度十分接近。     

Dead-reckoning/vision integrated navigation for mobile robot

0　INTRODUCTIONInordertofulfilamission ,amobilerobothastohaveanavigationsystem .Severaldifferenttechniques ,suchasGPS ,anddead reckoningandbeaconbasedsys tem[1～ 3] canbeusedforrobotnavigation .Foraparticularkindofmission ,arobotwillfulfil ,aproperkindofnavi gationsystemwillbeusedfortherobot.Sincealmostallnavigationsystemshavetheiradvantagesanddrawbacks ,sometimesasinglenavigationsystemcannotsatisfyalltherequirementsforfulfillingaparticulartask[4 ] .Sotwoorthreenavigationsystemshavetobei…     

Adaptive Federal Kalman Filtering for SINS／GPS Integrated System

A new adaptive federal Kalman filter for a strapdown integrated navigation system/global positioning system (SINS/GPS) is given. The developed federal Kalman filter is based on the trace operation of parameters estimation‘s error covariance matrix and the spectral radius of update measurement noise variance-covariance matrix for the proper choice of the filter weight and hence the filter gain factors. Theoretical analysis and results from simulation in which the SINS/GPS was compared to conventional Kalman filter are presented. Results show that the algorithm of this adaptive federal Kalman filter is simpler than that of the conventional one. Furthermore, it outperforms the conventional Kalman filter when the system is undertaken measurement malfunctions because of its possession of adaptive ability. This filter can be used in the vehicle integrated navigation system.     

A Camera/IMU Tightly-Coupled Navigation Algorithm and Verification by Hybrid Simulation

GNSS （global navigation satellite systems） are unavailable in challenging environments such as urban canyon and indoor locations due to signal blocking and jamming.Camera/IMU （inertial measurement units） integrated navigation systems can be alternatives to GNSS.In this paper,a tightly coupled Camera/IMU algorithm modeled by IEKF （iterated extended kalman filter） is presented.This tight integration approach uses image generated pixel coordinates to update the Kalman Filter directly.The developed algorithm is verified by a hybrid simulation,i.e.using inertial data from field test to fuse with simulated image feature measurements.The results show that the tight approach is superior to the loose integration when the image measurements are insufficient （i.e.less than three ground control points）.     

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.     

联邦卡尔曼滤波器在无人机导航系统中的应用

针对无人机GPS／RP／DR组合导航系统的特点，设计了用于该系统的联邦卡尔曼滤波器。该滤波器具有全局最优性，其结构遵循信息分配原则，其算法改善了数值计算的稳定性和系统的容错性，并减少了信息传输量与计算量。理论分析及仿真结果表明，该联邦卡尔曼滤波器能够满足无人机在GPS或RP信号无效或两信号均短期无效情况下定位导航的精度要求。     

车载组合导航的自适应滤波

针对车载组合导航信息融合的高精度、高可靠性等要求,提出了一种组合导航的自适应集中滤波算法.该算法的主要思想是:以判别观测数据中的野值存在与否为算法切换条件,存在野值时采用改进的增益矩阵滤波处理方法,不存在野值时则采用模糊自适应集中滤波方法.将此方法用于SINS/GPS车载组合导航系统,实验表明,采用的这种自适应滤波方法,能够有效抑制滤波发散,滤波精度和收敛速度优于常规集中滤波,是一种有效的车载组合导航算法.     

不同环境下的GPS/IMU数据融合

为提高Kalman滤波组合导航的估计精度,在考虑系统估计误差相关的情况下,提出了采用环境背景下不同传感器的有效性概率加权GPS/IMU组合导航自适应衰减记忆滤波的融合算法。通过对各种算法进行仿真分析发现,新算法的融合估计精度高于相应的未考虑环境信息的GPS/IMU融合估计精度 新算法具有几乎和有效概率加权Kalman滤波融合算法相同的融合估计精度,但其误差变化较后者平稳。表明新算法可有效地提高系统融合估计的精度和可靠性。     

渐消自适应Unscented粒子滤波及其在组合导航中的应用

提出一种新的渐消自适应Unscented粒子滤波算法,通过Sigma点来获取状态估值和协方差阵,利用渐消因子自适应的调节权值大小,得到一种参数可调节的重要性密度函数。该重要性密度函数考虑了最新量测的影响,更合理地利用有效信息,保证了粒子多样性,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和渐消自适应扩展Kalman滤波比较,仿真结果表明,提出的滤波算法能提高导航解算的精度,其性能明显优于扩展Kalman滤波和渐消自适应扩展Kalman滤波。