基于粒子滤波的GPS/DR组合导航算法研究

对于车载GPS/DR(全球定位系统/航位推算)组合导航系统的算法研究,大多采用扩展卡尔曼滤波,但是应用扩展卡尔曼滤波时,非线性系统必须要进行线性化,从而导致滤波结果有较大的误差.为此将粒子滤波算法用于车载GPS/DR组合导航系统中,并建立了GPS/DR组合导航系统的状态方程和观测方程.为了检验其有效性,将两种方法分别对车载GPS/DR组合导航系统进行滤波仿真,仿真实验结果表明粒子滤波比扩展卡尔曼滤波有更好的滤波效果,更能减少定位误差.     

一种新型的GPS/DR组合定位系统数据融合算法

全球卫星定位系统定位和测速精度高,具有全天候、全球性且基本不受地域、时间限制,但常因为某种原因出现GPS卫星信号丢失情况,航迹推算算法正好能弥补这个问题,将两者结合可以很好地解决定位问题.传统的数据融合算法-卡尔曼滤波算法,在参数选择上要求较高,选择不当即导致较大误差,影响算法效果.建立了GPS/DR组合定位系统的模型,提出了一种新型实用的自适应扩展卡尔曼滤波算法和DR单独定位算法结合的定位算法.通过实际跑车实验,结果表明,较之传统的卡尔曼滤波定位算法,该算法实用性好,而且能很好的满足系统的定位精度及可靠性等方面的要求.     

GPS/MEMS-INS组合导航系统设计

针对微机电系统(micro electro mechanical system,MEMS)惯性器件随机噪声大,现有的去噪算法难以兼顾降噪效果和信息处理速度的问题,提出自适应实时混合去噪算法;利用无轨迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行信息融合,克服了扩展卡尔曼滤波(extended Kalman filter,EKF)对非线性系统线性化会带来额外误差的缺点;利用多线程信息同步技术实现微机电惯性导航系统(MEMS inertial navigation system,MEMS-INS)和全球定位系统(global position system,GPS)的同步运行。基于以上关键技术和算法,设计了一种GPS/MEMS-INS组合导航系统,实验结果表明,该组合导航系统在静态及动态环境下均能够进行实时高精度地导航定位。     

基于D-GPS/IMU的组合导航方法研究与分析

研究了一种新的双GPS单元与IMU惯性测量单元组合结构(D-GPS/IMU)的导航应用问题;基于D-GPS/IMU的动力模型结构,分析了其状态空间的可观测性能,提出并证明了系统完全可观测的条件;同时,对扩展卡尔曼滤波(EKF)算法进行了改进,以定义的残差作为GPS量测信息中增益自适应调整的依据,并增加了数据反向区间平滑处理策略;最后,通过仿真实验,与基于EKF算法的单GPS与IMU组合结构(S-GPS/IMU)的姿态误差估计进行对比,实验结果表明,该方法收敛稳定且快、组合误差小,具有一定的实用性.     

基于Mahony与误差状态卡尔曼滤波融合的姿态解算方法

针对惯性测量单元(IMU)精度较低的问题以及传统姿态解算算法误差较大的缺点,提出了一种基于IMU的融合Mahony滤波与误差状态卡尔曼滤波(ESKF)的姿态解算方法。为降低因非重力加速度及磁干扰所带来的误差,根据加速度计和磁力计的置信度设计两个不同的自适应PI控制器改进Mahony算法,IMU测量数据经其解算,作为ESKF的量测值。ESKF将真实状态定义为名义状态与误差状态的组合,间接完成对系统状态的估计。因误差量为小量,所以误差状态线性化时的误差更小,雅克比矩阵的计算更简单。经实验验证,相较于传统姿态解算算法,融合算法能有效减少高频噪声、数据漂移带来的误差,提高姿态解算精度。     

DR/GPS组合导航非线性自适应信息融合算法研究

针对实际工程中组合导航系统采集数据融合处理问题,建立了系统实测数学模型,提出了基于非线性系统的自适应信息融合算法,将系统未建模部分及高阶项作为噪声项与状态向量进行耦合估计,改善滤波算法对模型误差以及噪声假设的敏感性,通过仿真对比验证算法改进前后的效果,并用于DR/GPS组合导航系统。实验结果表明提出的数据融合算法能够提高系统的精确性,具有一定的实用价值。     

联邦滤波器在车载组合导航系统标定中的应用

为了克服使用转台标定工作量大、标定周期短的缺点,以联邦滤波器作为基础提出了一种针对于车载组合导航系统的在线标定方法;该方法由SINS(捷联惯性导航系统)、GPS(全球定位系统)、DR(航位推算系统)构成高精度、高自主性组合导航系统,通过一定的路径设计对系统中待标定的误差项进行有效激励,并阐述了联邦滤波器的融合算法;仿真联邦卡尔曼滤波结果表明,所标定的误差项在跑车实验过程中基本能达到收敛;这种在线标定的处理方法给实际使用和维护带来了很大的便利.     

GPS/SINS/偏振光组合导航的模糊控制算法研究

针对在组合导航中扩展卡尔曼滤波器(EKF)会发散的问题,采用了一种基于模糊控制的自适应卡尔曼滤波算法(FAKF)方法,通过模糊控制器来计算指数加权因子,实时对量测噪声的大小进行调整,保证滤波精度,有效抑制滤波过程的发散问题;针对GPS无法提供姿态角进行组合解算的情况,使用偏振光与SINS的组合进行姿态解算;通过对GPS/SINS/偏振光组合导航系统进行仿真,将基于模糊控制的自适应卡尔曼滤波算法(FAKF)和扩展卡尔曼滤波算法(EKF)进行对比验证,东、北、天向位置上分别提升精度56.81%、65.17%、45.99%,东、北、天向速度上分别提升精度46.99%、54.01%、43.82%,俯仰角、航向角分别提升精度58.01%、53.58%,验证了该方法的优势。     

被动目标自适应跟踪算法仿真研究

针对纯方位被动目标跟踪中，直角坐标系下的扩展卡尔曼滤波器容易发散，而导致滤波精度很差，该文提出了一种直角坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿观测模型线性化误差，消减系统的观测误差，并对其滤波理论及其算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡卡尔曼滤波算法，收到了良好的效果。     

GPS/DR组合导航FAIMM滤波算法仿真研究

研究GPS/DR组合导航滤波问题。GPS/DR组合导航系统量测噪声统计特性随载体机动发生变化导致传统滤波算法滤波效果下降,针对此问题,提出了一种模糊自适应交互式多模型(Fuzzy Adaptive Interacting Multiple Model,FAIMM)滤波算法,将模糊自适应无迹卡尔曼滤波(FAUKF)与交互式多模型无迹卡尔曼滤波(IMMUKF)相结合,不需要预先设置模型集就能实现对载体量测噪声模式的覆盖。仿真结果表明:改进算法能够实时调整滤波器量测噪声参数,适应组合导航系统量测噪声变化,得到了与模型集完备的IMMUKF相当的导航滤波效果。     

CDKF方法在车辆组合导航中的应用

针对扩展卡尔曼滤波（EKF）在车辆导航中存在着计算复杂、线性化误差大等缺点,将一种新的非线性滤波方法——中心差分卡尔曼滤波（CDKF）用于车辆GPS／DR组合导航中。和普遍采用的EKF方法相比．CDKF方法不仅提高了车辆组合定位的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobian矩阵的计算,算法更简单,也更加易于实现。为了检验其有效性,将两种方法分别对车辆GPS／DR组合导航系统进行滤波仿真,仿真结果进一步表明CDKF方法明显优于EKF方法,是车辆组合导航中一种更理想的非线性滤波方法,真正实现了车辆低成本、高精度的实时定位。     

基于模糊自适应Kalman滤波的GPS/DR数据融合

针对标准Kalman滤波器对系统模型依赖性强、鲁棒性差,而GPS/DR系统的准确数学模型难以建立的问题,提出了一种模糊自适应联邦卡尔曼滤波器(FAFKF).首先通过模糊自适应滤波控制器监控观测量的残差理论值和实际值,并通过实时增强它们的一致性来调整各子系统观测噪声方差阵,使之更符合真实的模型,有效提高了Kalman滤波器对模型变化的适应能力.然后通过模糊自适应信息融合控制器对各子系统可信度进行模糊评判,并根据可信度自适应地计算信息分配系数来实现数据的融合.理论分析和实验数据表明该滤波器在滤波精度、容错性能上都有了很大的提高.     

车载GPS／DR／地图匹配组合导航系统的自适应联合卡尔曼滤波模型

首次设计了实现车载ＧＰＳ／ＤＲ／地图匹配组合导航系统最优综合的联合卡尔曼滤波器,给出了滤波算法,并提出一种自适应联合卡尔曼滤波器结构及其算法。理论分析及计算机仿真结果均表明,应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ／地图匹配组合导航系统的定位精度及容错能力。     

基于环境信息的自适应卡尔曼滤波器在GPS/IMU组合导航中的应用*

提出了一种基于环境信息的模糊逻辑控制器来在线调节联合卡尔曼滤波器的自适应数据融合方法,并着重研究了在GPS/IMU组合导航中的应用。根据子系统的新息序列构造各传感器的环境信息,采用模糊逻辑控制器实现信息分配系数的计算,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度。仿真结果证明这种方法提高了数据融合的可靠性和精度。     

基于AR-SRCKF的SINS/GPS深耦合抗转发式干扰研究

转发式干扰转发真实的卫星信号导致伪距信息错误,能不被察觉地使捷联惯导系统（SINS）和全球定位系统（GPS）的深耦合组合导航解算错误。根据深耦合中信号处理的特点,将错误的伪距视为粗差,提出一种基于自适应抗差平方根容积卡尔曼滤波（AR-SRCKF）的融合算法。该方法采用自适应抗差滤波作为算法的框架,提高系统对转发式干扰的鲁棒性,同时为了避免线性化误差造成滤波性能的下降,采用平方根容积卡尔曼滤波（SRCKF）解决非线性滤波问题以及确保协方差阵的对称性和半正定性。最后,深耦合系统下的仿真分析验证了其对转发式干扰具有良好的鲁棒性。     

GPS/DR组合导航系统数据融合优化设计

为降低GPS/DR组合导航系统在复杂导航环境下的定位精度及DR误差累积,提出一种性能较优的数据融合算法。在传统粒子滤波(PF)的基础上,考虑最新观测值的影响,使用基于平方根二阶差分的高斯混合(GM)模型给出粒子滤波的建议分布,采用基于蒙特卡罗的重要性采样和进化再采样方法减轻PF样本退化问题,增强样本多样性。实验结果表明,与PF算法、GMPF算法相比,该设计能提高组合导航系统的综合导航定位性能。     

一种提高车辆导航系统定位精度的方法

为了解决量测方程线性化及普通卡尔曼滤波数值稳定性对车载航位推算系统滤波结果的影响,给出了车载航位推算系统的基于U D分解的自适应迭代滤波算法,并将这一算法与车载航位推算系统的迭代型自适应推广卡尔曼滤波算法及简单航位推算进行了比较。计算机仿真结果表明:新算法能够有效地提高车载航位推算系统的定位精度及数值稳定性。     

模糊自适应Kalman滤波器在无人机导航中的应用

针对具有不确定动态模型参数的GPS／INS组合导航系统,基于传统Kalman滤波器之上,介绍了一种模糊自适应Kalman滤波器,讨论了GPS／INS组合系统中模型参数不确定性的问题,给出了一种利用模糊自适应滤波方法进行数据融合的无人机定位误差修正方法;仿真结果表明,模糊自适应卡尔曼滤波器对非线性GPS／INS组合系统是很有效的,提高了定位精度。