基于新息正交原理的抗差UKF及其在INS/GPS组合导航中的应用

为提高标准UKF对异常的量测噪声统计的鲁棒性,提出了一种基于新息正交原理的抗差UKF算法.该算法根据新息序列的正交性确定最优的抗差因子,而后通过对新息协方差阵引入抗差因子在线调整滤波增益,进而抑制异常量测对滤波解的影响.将提出的算法应用于INS/GPS组合导航系统进行仿真验证,并与标准UKF和现有的抗差UKF进行比较,结果表明,当量测噪声统计不准确时,提出的基于新息正交原理的抗差UKF滤波性能明显优于上述两种算法,提高了组合导航系统的定位精度.     

基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。     

UKF在INS/GPS组合导航直接法滤波中的应用

INS/GPS组合导航系统直接法滤波中是直接以导航系统输出的导航参数(位置、速度等)作为状态,所以系统方程为非线性方程。UKF(Unscented Kalman Filter)是一类以UT变换为基础,以卡尔曼线性滤波为框架,采用确定性采样策略逼近非线性分布的非线性滤波算法。由于它是对后验概率密度进行近似来得到滤波估计,所以避免了非线性系统中状态方程的线性化问题,能较好地解决系统方程非线性问题。论文INS/GPS组合导航系统中采取直接法,建立非线性模型进行UKF滤波解算,并与EKF方法比较,实验结果显示UKF方法能更好地解决系统状态方程非线性的问题,并得到更高的导航精度。     

Fault Detection for Nonlinear Systems with Unknown Input

This paper extends the problem of fault detection for linear discrete‐time systems with unknown input to the nonlinear system. A nonlinear recursive filter is developed where the estimation of the state and the input are interconnected. Unknown input which can be any type of signal was obtained by least‐squares unbiased estimation and the state estimation problem is transformed into a standard unscented Kalman filter (UKF) problem. By testing the mean of the innovation process, a real‐time fault detection approach is proposed. Simulations are provided to demonstrate the effectiveness of the theoretical results.     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

多传感器组合导航系统的联邦 UKF 算法研究

多传感器组合导航系统是一种典型的非线性系统,为了提高其滤波精度,本文提出了多传感器组合导航系统联邦 UKF 算法。 首先,在建立多传感器组合导航系统的非线性状态方程及线性量测方程的基础上,对标准 UKF 进行了简化;然后,以简 化 UKF 为基础提出了多传感器组合导航系统的联邦 UKF 算法,并设计了姿态融合算法及其故障检测函数以验证该算法的容 错性能;最后,以 GNSS / CNS / SINS 多传感器组合导航系统为例进行了仿真验证。 仿真结果表明,相对于联邦线性卡尔曼滤波 器,联邦 UKF 算法可提高位置及姿态精度约 25. 8%、22. 2%,同时继承了联邦线性卡尔曼滤波器的容错性能。     

简化UKF算法在摄像机标定中的应用

提出一种基于简化无迹卡尔曼滤波（UKF）算法的摄像机标定方法。将平面靶标图像上的不同特征点坐标视为同一个特征点在不同时刻的运动坐标。为避免欧拉角描述法带来的奇异问题,用单位四元数描述世界坐标系和摄像机坐标系之间的变换关系,选取摄像机内外参数作为系统状态变量。结合实际应用背景,简化标准UKF算法,将其用于摄像机参数估计,在保证标定精度的前提下降低运算复杂度。仿真结果表明了该方法的有效性。     

一种改进的UAV高度无缝融合导航方法

为了解决无人飞行器多机载高度传感器直接使用和切换导致的信号突变的问题,提出了一种基于微惯性器件、GPS、声纳、气压高度计的高度无缝融合方法.建立声纳和气压高度计误差模型,对其动态误差进行了分析和滤波预处理.采用基于增量的无缝融合方法获取高度变化估计值以修正气压高度.利用无迹卡尔曼滤波(UKF)方法将气压高度计、GPS和惯性导航系统信息进行有效融合获得精确的高度估计值.该方法考虑了各种高度传感器在动态环境下的误差特性,解决了模式切换带来的信号突变问题.飞行试验结果表明:采用该设计的方法系统具有较高的精度和可靠性.经过150 s飞行后,高度估计误差为0.4707m,能够满足无人飞行器飞行要求.     

轨迹跟踪级联机器人编队控制方法

提出一种轨迹跟踪级联机器人编队控制方法. 该方法有效结合距离-角度(??-??) 控制和距离-距离(??-??) 控制方案, 并利用无迹卡尔曼滤波算法对Leader-Follower 级联机器人系统的状态进行估计; 根据状态估计结果设计输入-输出动态反馈控制规律, 使得跟随机器人(Follower) 准确跟踪领航机器人(Leader), 确保编队的稳定性和较快的收敛性, 并达到理想的编队控制效果. 仿真实验验证了所提出方法的可行性.

     

基于UKF的视觉辅助末制导仿真研究

针对巡航导弹中段制导累积误差大的情况,在末制导段采用计算机视觉技术进行辅助制导.介绍了视觉制导的位姿估计方法,并利用无迹卡尔曼滤波器(UKF)对视觉和惯性制导系统进行信息融合,建立了视觉辅助末制导(VATG)的仿真控制模型.实验结果表明:该方法显著提高了末制导系统的精度和可靠性.