激光陀螺漂移数据的自适应Kalman滤波

针对Sage-Husa自适应Kalman滤波算法存在不能同时估计系统过程噪声方差和量测噪声方差的问题,结合激光陀螺漂移数据的特点,设计了2种改进的Sage-Husa自适应Kalman滤波算法:系统过程噪声时变的自适应滤波算法和系统过程噪声与量测噪声统计特性分开估计的并行Sage-Husa自适应滤波算法。仿真结果表明:所述方法改进算法能够有效提高数据精度,且对系统的初值不敏感。     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。     

基于PI自适应卡尔曼滤波的无人机姿态解算算法

针对无人机姿态解算过程中,机载加速度计噪声时变,导致姿态估计值出现较大误差的问题,提出了一种基于PI自适应卡尔曼滤波的姿态解算算法,通过监视残差方差的理论值与实际值的差值,利用PI控制算法对观测噪声协方差矩阵进行在线修正,来解决由于噪声估计不准而导致滤波发散的问题。实验结果表明,即使是在无人机的姿态发生剧烈变化时,该算法依然具有良好的精度,鲁棒性较好。     

互补滤波和卡尔曼滤波的融合姿态解算方法

针对捷联惯性测量单元(IMU)噪声大、精度低的缺点和常规的姿态解算算法精度不高等问题,提出了一种互补滤波和卡尔曼滤波相结合的融合算法.该算法基于姿态角微分方程建立系统的状态方程模型,利用互补滤波后的姿态角作为系统的观测量,再应用扩展卡尔曼滤波(EKF)算法融合了陀螺仪、加速度计和电子罗盘的测量数据.为验证该算法有效性,用带有传感器的开发板依次进行静态和动态测试,实验结果表明:结合了互补滤波和卡尔曼滤波的融合算法,在静态时能够抑制姿态角漂移和滤出噪声,在动态时能够快速跟踪姿态的变化,提高了姿态角的解算精度.     

改进的Sage-Husa自适应算法及应用

针对标准卡尔曼滤波和Sage-Husa自适应卡尔曼滤波不能同时满足实时在线估计状态量测噪声阵和抑制滤波发散的问题，提出一种改进的Sage-Husa自适应卡尔曼滤波算法。在检测到量测异常时，在协方差匹配技术的最严格收敛判断条件，计算出次优滤波方法中新的状态估计均方误差阵的加权系数，通过新的状态估计均方误差阵对原来的状态估计均方误差阵进行修正，能有效抑制滤波器的发散。提高实际应用中，Sage-Husa自适应卡尔曼滤波算法在复杂不稳定环境中的稳定性与可靠性。将改进的算法放在BDS/INS系统中进行实验验证，实验结果表明，相比常规Sage-Husa自适应滤波算法，改进的Sage-Husa自适应卡尔曼滤波算法改善了上述系统的可靠性和自适应能力，最终有效的提高组合导航系统的性能。     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高的问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波(UKF)移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

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。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

基于UD分解自适应KEF的锂电池 SOC估算

电池荷电状态(SOC)是电池重要的性能指标之一,为电池管理系统实现管理控制提供了重要依据。针对卡尔曼滤波算法不能预估和修正噪声的问题,引入改进的Sage-Husa噪声估计器,构成自适应扩展卡尔曼滤波算法AEKF)估算动力锂电池SOC,同时针对计算机在进行浮点运算时存在单位舍入误差问题,采用UD分解算法,保证任意时刻状态估计协方差矩阵的对称正定性,限制由于计算误差引起的滤波发散,提高算法的精度和稳定性,通过MATLAB仿真对本文算法进行了验证,并与标准EKF算法进行比较,结果表明该算法具有较高的估算精度和稳定性,可以满足应用要求。     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

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。     

基于改进Sage-Husa算法的锂电池SOC估算方法研究

针对复杂工况下难以估算锂电池荷电状态(SOC)的问题,提出一种基于协方差匹配技术的改进的Sage-Husa自适应算法。改进的Sage-Husa自适应算法通过在Sage-Husa自适应算法基础上引入判断滤波是否发散的协方差匹配判据,确保滤波发散时更新噪声的统计特性,滤波收敛时无须重复更新噪声,从而提高了算法的鲁棒性和计算效率。实验结果表明,改进的Sage-Husa自适应算法在动态应力测试(DST)工况和北京公交动态应力测试(BBDST)工况下的SOC估算误差均小于2%,收敛时间小于50 s,证明了该算法在复杂工况下具有较高的估算精度和较快的收敛速度。     

基于MARG的无人机抗干扰系统的研究

由IMU或电子罗盘组成的无人机航姿测量系统易受载体有害加速度或周围局部磁场干扰导致姿态角解算不准确;针对该问题提出将自适应扩展卡尔曼滤波算法应用于该系统;在卡尔曼滤波算法中提出引入分段函数构造自适应测量噪声方差阵;相比于传统噪声方差阵的阈值判断方法,该方法提高了传感器信息的利用率,进一步减小了外界干扰对系统姿态估计的影响,最终提高了姿态角的解算精度;最后针对该方法进行了仿真分析和无磁转台实验验证,仿真和实验结果表明,该方法能有效提高无人机航姿测量系统的抗干扰能力,具有一定的应用价值.     

基于改进Sage-Husa算法的锂电池SOC估算方法研究北大核心CSCD

针对复杂工况下难以估算锂电池荷电状态(SOC)的问题,提出一种基于协方差匹配技术的改进的Sage-Husa自适应算法。改进的Sage-Husa自适应算法通过在Sage-Husa自适应算法基础上引入判断滤波是否发散的协方差匹配判据,确保滤波发散时更新噪声的统计特性,滤波收敛时无须重复更新噪声,从而提高了算法的鲁棒性和计算效率。实验结果表明,改进的Sage-Husa自适应算法在动态应力测试(DST)工况和北京公交动态应力测试(BBDST)工况下的SOC估算误差均小于2%,收敛时间小于50 s,证明了该算法在复杂工况下具有较高的估算精度和较快的收敛速度。     

小型无人机姿态解算方法研究

姿态解算是小型多旋翼无人机研究的核心问题之一.为进一步提高姿态反馈数据的准确度和实时性,设计了低成本姿态解算系统,根据不同姿态传感器的信号特点,结合卡尔曼滤波融合算法和改进型互补滤波融合算法的优势,提出了一种基于前置卡尔曼滤波器的互补滤波融合姿态解算方法,并进行了飞行姿态解算实验.结果表明,代码的运行周期比改进型互补滤波融合算法增加了0.253 ms,比基于加权滑动方差的卡尔曼滤波融合算法减少了0.246 ms;姿态更新时间提前了约1 ms.悬停状态下,俯仰角和翻滚角的解算误差控制在±0.2°以内;航向角的解算误差控制在±0.6°以内.该方法集合了卡尔曼滤波算法和互补滤波算法的优势,准确度更高,实时性更强.     

组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法.新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算.最后对改进的新算法与常规卡尔曼滤波算法作了对比试验...     

自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF).根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.     

基于自适应无迹卡尔曼滤波QAR数据降噪研究

针对QAR数据包含离群值、噪声值等异常数据严重影响数据分析的问题,提出了一种自适应无迹卡尔曼滤波的数据降噪方法.利用改进拉依达准则剔除粗大误差数据,以无迹卡尔曼滤波为基础,结合Sage-Husa噪声估计器对系统噪声进行实时预测和修正,有效地解决了系统噪声时变的问题.利用空客A330飞机的数据样本对算法有效性进行了数值验证,仿真结果表明,自适应无迹卡尔曼滤波算法估计精度更高,降噪效果更优.研究可提高基于QAR数据分析与挖掘工作的数据质量.