基于卡尔曼滤波的无人机组合导航系统设计

针对卡尔曼滤波在实际应用中遇到的系统通常不是严格线性的问题,改进了在组合导航系统中常用的卡尔曼滤波方法,用扩展卡尔曼滤波对INS和外部测量源的信息进行融合,推导了无人机GPS辅助惯性导航系统的导航方程.通过分析GPS和INS的定位原理,建立了GPS和INS的误差模型.完成了以INS为主导航系统,GPS作为辅助系统的组合导航系统的扩展卡尔曼滤波设计.最后,将线性卡尔曼滤波和扩展卡尔曼滤波的结果进行了仿真对比分析,结果表明:扩展卡尔曼滤波更适合系统为非线性的情况.     

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...     

扩展卡尔曼滤波在组合导航中的应用

松组合导航中,采用组合导航系统(SINS)误差作为状态量,用SINS解算的位置和速度与全球定位系统(GPS)测量的位置速度之差作为量测信息.为了提高组合导航的精度在松组合导航中应用扩展卡尔曼(EKF)滤波算法,通过仿真对载体轨迹的速度、姿态、位置进行跟踪.仿真结果表明:在仿真进入8 min之后系统进入稳态,能准确跟踪载体.因此,采用基于EKF的非线性滤波能有效跟踪载体的位置、速度和姿态.     

Sigma-Point直接式卡尔曼滤波惯性组合导航算法

基于西格玛点采样加权的方法,以姿态、速度和位置等9个导航参数为状态向量,以卫星导航系统的速度和位置组成6维观测向量,构建直接式卡尔曼滤波器,融惯性导航系统求解和状态估计的过程为一体,直接描述系统导航参数动态过程.仿真结果验证了惯性组合导航Sigma-Point直接式滤波方法的有效性,表明该非线性直接式滤波方法可提高惯性组合导航系统的导航精度和对飞机、导弹等载体非线性机动过程的适应性.     

基于SLAM的旋翼无人机组合导航算法研究

在旋翼无人机组合导航中,针对缺乏GPS作为导航信号源的室内飞行环境,为了达到精确定位的目的,提出一种基于SLAM（simultaneous localization and mapping）的旋翼无人机组合导航算法。首先,引入双线性插值算法,实现基于扫描匹配的即时定位与地图构建;其次,对陀螺仪、加速度计和磁罗盘建立捷联惯导系统误差模型,针对旋翼无人机的使用环境对误差模型进行简化;最后,应用联邦卡尔曼滤波算法,设计组合导航系统模型,将SLAM算法和捷联惯导系统估计出的位置数据进行融合。仿真结果表明所设计基于SLAM的旋翼无人机组合导航算法能够进一步提高组合导航系统对旋翼无人机位姿估计的精度。     

四元数卡尔曼滤波组合导航算法性能分析

为分析四元数卡尔曼滤波组合导航算法在飞行器姿态估计中的性能,在建立四元数卡尔曼滤波观测方程、状态方程和方差计算模型的基础上,分别设计了陀螺/加速度计/磁强计组合导航仿真算例和陀螺/加速度计初始对准实验,比较了四元数卡尔曼滤波组合导航算法相较于传统扩展卡尔曼滤波组合导航算法在计算量、收敛性、收敛速度、收敛精度方面的性能.分析结果表明该滤波器无须扩展卡尔曼滤波器的线性化过程,计算量小,算法实现简单;收敛性和收敛速度均优于扩展卡尔曼滤波器.收敛精度较扩展卡尔曼滤波器高出约两个数量级,但收敛过程中存在一个比扩展卡尔曼滤波器精度低的时间区间.     

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.     

自适应卡尔曼滤波在组合导航中的应用研究

对惯性导航系统（INS）与全球导航系统（GPS）分别进行了具体探讨,对比了两者的优缺点,针对INS／GPS组合导航系统中由于模型不准或因量测噪声的复杂多变造成的发散问题,引入了一种基于输出相关法的自适应卡尔曼滤波技术。通过在自适应滤波算法中推算最优稳态增益来调整量测噪声,抑制滤波器的发散,为GPS／INS组合导航系统实现高精度导航提供了有效的途径。仿真结果表明该算法能很好地对系统状态进行最优估计并适应系统噪声的变化,具有比常规卡尔曼滤波更高的导航精度。     

采用卡方检验的模糊自适应无迹卡尔曼滤波组合导航算法

针对低成本惯性测量单元精度受载体机动影响大、先验知识难以准确获知的问题,提出一种采用卡方检验的模糊自适应无迹卡尔曼滤波组合导航算法.首先,根据惯性测量单元的基本情况构造系统噪声的粗略模型;然后,引入卡方检验对系统状态模型进行评估,得到相应的卡方检验值;最后,通过预设的模糊逻辑函数和卡方检验值求取系统噪声估计值,得到具有系统噪声统计特性调整的自适应无迹卡尔曼滤波算法.所提出的算法可以克服低成本惯性测量单元难以准确获知先验知识的缺陷.通过SINS/GPS组合导航系统的仿真实例,验证了所提出算法的有效性.     

基于改进衰减记忆滤波的组合导航算法研究

关于优化组合导航系统定位精度问题,由于惯导系统为非线性系统,存在滞后和噪声特性,影响系统定位精度,传统卡尔曼滤波器滤波一段时间后,系统预测误差方差阵逐渐趋于零,状态估计过分依赖旧量测值,从而导致滤波发散,系统定位精度差。目前采用在预测误差方差阵中引入标量衰减因子来抑制发散,但该标量因子是不变量,难以修正所有状态估计异常的情况。为有效提高新量测值对预测值的修正作用,研究了一种改进的衰减记忆滤波算法,通过引入可变加权系数来抑制发散。经数值仿真结果表明,新算法的滤波效果相比卡尔曼滤波和带标量因子的衰减记忆滤波有较明显的改善,提高了系统的定位精度,对工程应用有一定参考价值。     

基于cubature Kalman filter的INS/GPS组合导航滤波算法

INS/GPS组合导航系统的本质是非线性的,为改善非线性下INS/GPS组合导航精度,提出将一种新的非线性滤波cubature Kalman filter（CKF）应用于INS/GPS组合导航中.为此,建立了基于平台失准角的非线性状态模型和以速度误差及位置误差描述的观测模型,分析了CKF滤波原理,设计了INS/GPS组合滤波器,对组合导航非线性模型进行了仿真.仿真结果显示,相对于扩展卡尔曼滤波（EKF）,CKF降低了姿态、位置和速度估计误差,CKF更适合于处理组合导航的状态估计问题.     

基于组合导航系统的非线性高斯滤波算法

由于组合导航系统具有强非线性和模型不确定性的特点, 工程中扩展卡尔曼滤波无法满足组合导航系统实际应用的要求. 为此, 针对贝叶斯框架下高斯类非线性滤波算法的估计性能给出具体分析. 首先, 在估计点处对非线性函数进行泰勒展开获得泰勒近似, 通过一阶矩和二阶矩分析滤波算法的近似精度; 然后, 通过数值稳定性对非线性滤波算法进行分析; 最后, 分别采用低维和高维模型对各滤波算法进行对比分析, 为组合导航系统的实践提供借鉴.

     

基于奇异值分解的鲁棒容积卡尔曼滤波及在组合导航中的应用

为了提高GPS/INS 组合导航系统对异常观测值的鲁棒性, 引入??∞ 滤波思想提出一种新的非线性鲁棒滤波. 分析H_∞ 鲁棒容积卡尔曼滤波中不同约束水平对滤波结果的影响, 指出在一定范围内当约束水平越小时, 系统的鲁棒性越强, 但容易造成Riccati 不等式无解, 导致滤波发散. 采用奇异值分解代替容积卡尔曼滤波中的Cholesky 分解, 改善了滤波的稳定性, 放宽了??∞ 鲁棒容积卡尔曼滤波器对约束水平的要求. GPS/INS 组合导航实验验证了该滤波方法的正确性和优越性.

     

组合导航系统在四旋翼无人机上的实现

针对无人飞行器行业的快速发展和导航系统对飞行器的重要性,提出了组合导航系统的融合方案。介绍了捷联惯导系统的原理、姿态算法。通过对惯性传感器进行误差标定和补偿,利用扩展卡尔曼滤波器建立了INS/GPS组合导航系统。仿真实验表明,组合导航系统的工作性能要优于纯惯性导航系统,能够为飞行器提供较高的导航精度。最后,将这种组合导航系统在四旋翼无人飞行器上进行了实现。     

基于自适应扩展kalman滤波的SINS/GPS深组合研究

针对SINS/GPS组合导航系统噪声随时间变化引起卡尔曼滤波精度下降的问题,提出了一种噪声统计特性在线估计的自适应扩展卡尔曼滤波算法。算法首先基于新息序列实现了对观测噪声协方差的实时估计,然后基于系统方程采用协方差匹配算法完成了对过程噪声的实时跟踪。算法中尺度因子的引入进一步减小了泰勒展开造成的高阶截断误差,提高了滤波精度。仿真实验结果说明,与传统卡尔曼滤波算法相比,该算法能够实现对过程和观测噪声的完全估计,鲁棒性和精度都有明显提高。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

基于改进扩展卡尔曼滤波的单站无源定位算法

为了提高单站无源定位精度,降低定位误差,针对扩展卡尔曼滤波算法存在的不足,提出一种基于改进扩展卡尔曼滤波算法的单站无源定位方法。首先通过采集目标的相关信息,构建单站无源定位数学模型,然后利用改进扩展卡尔曼滤波算法目标位置进行估计,最后采用数据进行仿真对比实验。结果表明,相对于扩展卡尔曼滤波算法,改进扩展卡尔曼滤波提高了目标定位的精度,削弱异常误差对位置估值的影响。     

SINS/GPS组合导航系统自适应扩展Kalman滤波

对于低成本SINS/GPS组合导航系统,由于惯性器件的精度较低,通常情况下的SINS误差模型估计不准确,甚至使滤波器发散,为此提出根据姿态四元数的SINS误差估计模型,该模型不需要对初始姿态进行赋值。为在观测噪声未知的情况下估计SINS误差,通过结合序贯处理与Kalman滤波算法,提出一种自适应扩展卡尔曼滤波方法,该方法可以同时进行序贯处理和观测噪声估计。仿真实验结果表明,该方法可以消除过程噪声方差和观测噪声方差不确定造成的影响,提高了SINS/GPS导航系统的性能。