H∞滤波和Kalman滤波在初始对准中的比较研究

摇摆状态下的捷联惯导初始对准,由于动基座情况下干扰较大,造成对准精度下降.推导了大失准角误差模型,设计了相关的H∞滤波器和Kalman滤波器,并比较了二者的性能.通过静基座和摇摆动基座初始对准仿真试验分析,得出静基座条件下,Kalman滤波性能较好;而在外界干扰较大或系统模型不准确的环境中,Kalman滤波性能恶化,H∞滤波的对准精度优于Kalman滤波,且实时性好,适合于工程应用.     

天线反射对混波室场均匀性校准的影响

摇摆状态下的捷联惯导初始对准,由于动基座情况下干扰较大,造成对准精度下降。推导了大失准角误差模型,设计了相关的H∞滤波器和Kalman滤波器,并比较了二者的性能。通过静基座和摇摆动基座初始对准仿真试验分析,得出静基座条件下,Kalman滤波性能较好;而在外界干扰较大或系统模型不准确的环境中,Kalman滤波性能恶化,H∞滤波的对准精度优于Kalman滤波,且实时性好,适合于工程应用。     

基于罗经法和CDKF的捷联惯导摇摆基座自对准

针对舰船和舰载武器系统存在风浪的情况下自对准精度下降的问题,提出了一种改进罗经法粗对准和利用中心差分卡尔曼滤波(CDKF)法进行精对准的捷联惯导系统摇摆基座下的自对准方法。利用经典罗经算法在惯性系下对捷联系统进行粗对准,可以在方位角存任意误差时收敛到一个精对准算法可以容忍的范围内,而CDKF精对准算法在存在相对较大的失准角下仍能实现高精度的姿态角误差估计。仿真实验证明:提出的方法对准精度高,速度快,实现简单,适用与各种无机动条件下的捷联惯性系统的自始准。     

机载导弹空中动基座对准方法的仿真研究

为了适应现代战争的需要,导弹需要从舰艇或飞机上发射,这时导弹上的惯导系统在投入工作时需要进行初始对准.针对机载导弹平台惯导系统初始对准关于对准精度以及快速性的要求,提出了以自适应卡尔曼滤波为基础的速度匹配空中动基座对准方案,最后通过模拟实际挂飞环境,结合游动自由方位平台惯导系统空中动基座对准,采用Sage和Husa自适应卡尔曼滤波算法进行了数学仿真.仿真结果证实了该方案具有较好的对准精度和快速性,由于采用了自适应卡尔曼滤波技术,使得在噪声统计特性不确切知道的情况下,仿真结果具有较强的鲁棒性.     

捷联惯导大方位失准角快速初始对准

捷联惯导方位角快速性能优化问题,传统大方位失准角初始对准方位角收敛速度较慢,直接影响惯导系统的性能。为此提出一种无重置联邦滤波器的以速度误差和比力输出作为观测量的快速初始对准新算法。给出了捷联惯导系统非线性误差模型,并分析了两种观测量,建立了速度观测子滤波器和比力观测子滤波器,同时采用了相应的状态方程和观测方程。用三种方法进行了大方位失准角初始对准的数字仿真。仿真结果对比表明,新方法不仅使方位失准角收敛速度快,而且在加速度计噪声增大10倍的情况下,仍然具有极高的对准精度。     

基于惯性系的旋转式惯导系统快速对准算法

针对船舶大幅角晃动和线运动等复杂干扰,导致旋转式捷联惯导系统初始对准性能下降的问题,设计了基于惯性系的旋转式捷联惯导系统快速初始对准算法.针对旋转式捷联惯导系统的误差特性,设计了基于惯性系的粗对准方案;并提出了一种改进的罗经对准算法,达到缩短对准时间和提高对准精度的目的.仿真实验证明:该方法可以实现快速初始对准,7 min航向精度达到1.35′.     

卡尔曼滤波技术在捷联惯性导航系统对准中的应用

本文首先阐述了卡尔曼滤波技术的简单理论,然后建立了捷联惯性导航系统初始对准的卡尔曼滤波模型,并对静基座下的卡尔曼滤波初始对准精度进行分析,最后进行了卡尔曼滤波仿真。仿真结果表明,此方法算法简单,能有效缩短初始对准时间,对准稳态精度较高,是一种可靠的初始对准方案。     

捷联惯导系统方位失准角对准技术研究

研究低成本捷联惯导系统中静基座方位失准角对准问题。传统采用的MIMU精度较低,误差模型的非线性化。为改善方位失准角的对准精度,提出了一种UPF方法的方位失准角对准方法。建立了关于磁强计辅助MIMU的粗对准模型,并将磁强计辅助完成粗对准的方位角偏差引入精对准的线性和非线性误差模型之中,给出了一种简化的UPF递推算法,对比了不同误差模型下的三种滤波方法的效果。仿真结果表明,无论是线性还是非线性误差模型下,UPF都获得了比KF和UKF更优的对准精度和收敛性,具有重要理论意义和应用参考价值。     

纬度未知条件下捷联惯导摇摆基座自对准方法

针对纬度未知条件下捷联惯导摇摆基座自对准问题,本文将其看作基于特征值分解的优化问题处理,提出一种基于地球系重力矢量的摇摆基座自对准方法.首先,构建基于速度增量形式的目标函数,建立不依赖外部纬度信息的地球系下重力矢量模型,以提高地球系下重力矢量的估计精度;然后,将摇摆基座自对准看作Wahba姿态确定问题,基于地球系下重力矢量建立关于惯性系转换四元数的速度增量式目标函数,增强对噪声及振荡干扰的抑制,利用基于特征值分解的多矢量优化方法完成摇摆基座自对准,以提高对准精度;最后,通过设置捷联惯导摇摆基座初始对准仿真及船舶系泊实验,验证了所提方法的有效性.     

基于UKF的SINS动基座传递对准研究

在非线性、非高斯条件下进行动基座传递对准,如果采用卡尔曼滤波器误差会比较大而且可能会存在发散的问题,为了解决问题,引入了无迹卡尔曼滤波UKF(unscented Kalman filter).使用确定性样本的方法米处理非线性的问题,使得采样点的均值和方差完全符合实际的非线性系统的均值和方差,解决了惯性导航系统动基座传递对准在正常工作时的基本条件.采用UKF和扩展卡尔曼滤波EKF(Extended Kalman Filter)的计算机仿真结果表明:UKF与EKF相比,精度提高了2倍,时间少了10秒.     

CDKF在车载捷联惯导自对准中的应用

研究了车载捷联惯导在大方位失准角下的静基座自对准。采用Sigma点卡尔曼滤波,根据均值与协方差信息按非线性映射传播的特点,直接利用非线性模型,可以消除EKF存在的需要解析Jacobi矩阵以及将非线性系统线性化后的系统模型误差问题不易调整的弊端,其中的中心差分卡尔曼滤波(CDKF)精度高,且对状态协方差阵不敏感。仿真结果表明,在大方位失准角下采用CDKF进行初始对准,比用传统的EKF更精确且收敛速度更快。     

Fault detection and isolation in stochastic non-linear state-space models using particle filters

A novel model-based algorithm for fault detection and isolation (FDI) in stochastic non-linear systems is proposed. The algorithm monitors changes in the process behavior and identifies a corresponding fault using a bank of particle filters running in parallel. The particle filters are used to generate a sequence of hidden states which are then used in a log-likelihood ratio to detect and isolate the faults. The approach is demonstrated through an implementation on two highly nonlinear case studies—a multi-unit chemical reactor system and a polyethylene reactor system. The effectiveness and the robustness of the proposed algorithm are illustrated by comparing the results with FDI techniques that use EKF and UKF state estimators instead of particle filters.     

基于GP-SRCDKF的初始对准技术研究

随着对惯性导航系统中对准时间要求的不断提高,初始对准需要在大方位失准角条件下进行,此时需采用非线性滤波方法来实现初始对准。基于此,提出高斯过程回归平方根中心差分卡尔曼滤波算法(GP-SRCDKF)。将高斯过程回归融入到SRCDKF算法中,利用高斯过程得到系统回归模型及噪声协方差,用回归模型代替状态方程和观测方程,对相应的噪声协方差进行实时自适应调整。该算法不仅克服了扩展卡尔曼滤波滤波精度低、需要计算雅可比矩阵的不足,而且可解决传统滤波容易受系统动态模型不确定和噪声协方差不准确的限制。仿真实验结果验证了该算法的有效性和优越性。     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

UKF算法在星载GPS低轨卫星定轨中的应用

对于扩展卡尔曼滤波在非线性系统中由于线性化过程引入了线性化误差,从而导致滤波器性能下降甚至造成滤波发散的情况,利用Unscented卡尔曼滤波器对非线性系统进行直接滤波,该方法无需对非线性系统进行线性化,避免了线性化误差。并将该算法用于星载GPS低轨卫星定轨中,建立了仿真模型,在初始条件相同的情况下,与EKF算法仿真结果相比较,结果表明在一定观测噪声水平下,UKF定轨结果更准确,定轨精度更高。     

Polynomial extended Kalman filter

This work presents a polynomial version of the well-known extended Kalman filter (EKF) for the state estimation of nonlinear discrete-time stochastic systems. The proposed filter, denoted polynomial EKF (PEKF), consists in the application of the optimal polynomial filter of a chosen degree /spl mu/ to the Carleman approximation of a nonlinear system. When /spl mu/=1 the PEKF algorithm coincides with the standard EKF. For the filter implementation the moments of the state and output noises up to order 2/spl mu/ are required. Numerical simulations compare the performances of the PEKF with those of some other existing filters, showing significant improvements.     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

The Study of Improving Kalman Filters Family for Nonlinear SLAM

When Extended Kalman Filter is used to solve the SLAM problem of a nonlinear system, the linearization error will lead to severe estimation error or even make the method to be divergent. After analyzing the linearization principle of Kalman filters family, two improved methods are suggested to decrease the linearization error. These two methods improve posterior estimation accuracy by revising the observation-update step. Simulation results indicate that the two methods are feasible. The method named ‘Mean Extended Kalman Filter’ performs much better than EKF and UKF for nonlinear SLAM. And the iterated version of EKF and UKF even falls behind MEKF in estimation accuracy. In addition, MEKF is computationally efficient. With a view to both estimation accuracy and computational complexity, MEKF seems to be the best filter of the Kalman filters family for nonlinear SLAM. Experiments are carried out with ‘Car Park Dataset’ and ‘Victoria Park Dataset’ to evaluate the performance of MEKF based SLAM solutions. And the experimental results validate the effectiveness of MEKF in real SLAM applications.     

Efficient algorithms of clustering adaptive nonlinear filters

This paper proposes a new class of efficient adaptive nonlinear filters whose estimation error performance (in a minimum mean square sense) is superior to that of competing approximate nonlinear filters, e.g., the well-known extended Kalman filter (EKF). The proposed filters include as special cases both the EKF and previously proposed partitioning filters. The new methodology performs an adaptive selection of appropriate reference points for linearization from an ensemble of generated trajectories that have been processed and clustered accordingly to span the whole state space of the desired signal. Through a series of simulation examples, the approach is shown significantly superior to the classical EKF with comparable computational burden     

基于特征点匹配的排水管道声点云模型配准算法

三维重建技术逐渐成为获取全面、完备、准确的排水管道信息的关键手段。而实际检测受到管道堵塞等工况与管道检测规程等因素限制,造成所获得的管道声呐点云模型会出现位姿不同、部分重叠或空缺等情况,需要通过配准获取完整管道模型。同时,传统ICP算法针对管道模型存在效率低、精度差的问题。因此,该文提出基于特征点匹配的粗配准与改进的ICP精细配准相结合的点云配准算法。首先,利用ISS特征点检测法检测出模型特征点,通过FPFH对特征点进行进一步的描述;其次,采用RANSAC算法筛选出正确特征匹配点集,利用四元数法解算出初始变换参数完成粗配准;最后,在粗配准基础上,通过改进最近对应点查询的ICP算法完成精细配准。实验结果表明了该文算法的可行性与优越性,能为后续排水管道缺陷检测提供高完备、全面、准确的点云模型。