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MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

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.

     

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波 (Cubature Kalman filter,CKF)算法,对观测量中粗差的影响“程度”进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明: 所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.     

改进型CKF算法及其在GNSS/INS中的应用

针对容积卡尔曼滤波算法(CKF)在高阶非线性系统应用中,局部容积点采样不准确及系统状态突变导致滤波精度降低甚至发散的问题,提出一种改进型CKF(TSCKF)算法.采用新的容积点采样规则提高非线性函数映射准确性,进而提高滤波精度;引入强跟踪滤波(STF)的渐消因子,提升算法在状态突变时的鲁棒性.将此算法应用于GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合导航系统中,仿真结果表明,该算法能够显著提高导航精度,鲁棒性强,在状态突变情况下依然可以满足导航精度要求.     

基于Huber的鲁棒广义高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时广义高阶容积卡尔曼滤波(GHCKF)的鲁棒性,提出一种基于Huber的鲁棒GHCKF算法.从近似贝叶斯估计角度,解释Huber方法作用于卡尔曼滤波的本质是对新息进行截断平均.采用Huber方法处理观测量,进行标准的GHCKF量测更新,从而实现算法的鲁棒化.所提出算法充分利用容积变换的优势,无需通过统计线性回归模型对系统的非线性量测模型进行近似.仿真结果表明,所提出算法具有鲁棒性强和估计精度高的特点.     

基于Huber的鲁棒高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degree Cubature Kalman Filter,HCKF）算法的鲁棒性,提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均,通过在现有滤波框架内利用Huber方法对观测量进行预处理,并将处理后的观测量进行标准的HCKF量测更新,实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似,高阶容积变换的优势得到充分利用,从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪问题验证了该算法在鲁棒性和滤波精度方面的优势。     

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。     

基于改进高斯混合模型的机器人运动状态估计

针对复杂环境下机器人运动状态估计的精度改善问题,提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法.首先,引入加权信息量概念来改进期望最大化算法目标函数惩罚项,使得在优化过程中能考虑更全面的参数信息,以达到减少期望最大化算法的迭代次数和提高收敛速度的目的.此外,以基于马氏距离和Kullback-Leibler (KL)距离的高斯项合并方法为基础,提出一种能有效联合两类高斯项合并方式的融合模式.先单独使用马氏距离和KL距离进行高斯混合项合并,再对获得的高斯混合项进行加权融合处理,以改善高斯和滤波中多高斯项的合并性能和保真度.最后,应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计.理论分析与仿真结果表明,该方法能实现对机器人运动更好的状态估计精度,并具有更强的鲁棒性能.     

基于Huber M估计的鲁棒Cubature 卡尔曼滤波算法

Cubature卡尔曼滤波器(CKF)在非高斯噪声或统计特性未知时滤波精度将会下降甚至发散,为此提出了统计回归估计的鲁棒CKF算法.推导出线性化近似回归和直接非线性回归的鲁棒CKF算法,直接非线性回归克服了观测方程线性化近似带来的不足.具有混合高斯噪声的仿真实例比较了3种Cubature卡尔曼滤波器的滤波性能,结果表明这两种鲁棒CKF滤波精度及估计一致性明显优于CKF,直接非线性回归的CKF的鲁棒性更强,滤波性能更好.     

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。     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。     

Cubature Kalman smoothers

The cubature Kalman filter (CKF) is a relatively new addition to derivative-free approximate Bayesian filters built under the Gaussian assumption. This paper extends the CKF theory to address nonlinear smoothing problems; the resulting state estimator is named the fixed-interval cubature Kalman smoother (FI-CKS). Moreover, the FI-CKS is reformulated to propagate the square-root error covariances. Although algebraically equivalent to the FI-CKS, the square-root variant ensures reliable implementation when committed to embedded systems with fixed precision or when the inference problem itself is ill-conditioned. Finally, to validate the formulation, the square-root FI-CKS is applied to track a ballistic target on reentry.     

无模型容积卡尔曼滤波及其应用

提出一种融合高斯过程回归(GPR)的无模型容积卡尔曼滤波(MF-CKF)方法.容积卡尔曼滤波(CKF)是一种新的非线性高斯滤波方法,比无迹卡尔曼滤波(UKF)更具优势.为了克服建模不准确时容积卡尔曼滤波精度下降问题,通过将高斯过程回归引入到容积卡尔曼滤波之中,对训练数据学习建立系统非线性模型,从而有效地避免模型不准确造成的滤波性能下降.仿真结果验证了无模型容积卡尔曼滤波在系统模型不准确情况下的优越性.     

A cubature H∞ filter and its square-root version

In this paper, we present a nonlinear state estimation algorithm based on the fusion of an extended H_∞ (EH_∞F) and a cubature Kalman filter (CKF); the resulting estimator is called a cubature H_∞ filter. The recently developed CKF is a Gaussian approximation of a Bayesian filter and its performance over non-Gaussian noises may degrade. In contrast, the H_∞ filter is capable of estimating the states of linear systems with non-Gaussian noises and the extended H_∞ filter (EH_∞F) can estimate the states of non-linear and non-Gaussian systems. Similar to the H_∞ filter, an EH_∞F also does not make any assumptions about the statistics of the process or measurement noise, but it does require Jacobians during the state estimation of nonlinear systems, which degrade the overall performance when the nonlinearities are severe. The cubature H_∞ filter is developed to have the desirable features of both CKF and EH_∞F. For numerical accuracy, a square-root version of the cubature H_∞ filter is developed using J-unitary transformation. The efficacy of the square-root cubature H_∞ filter is verified on continuous stirred tank reactor and permanent magnet synchronous motor examples.     

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.     

Maximum correntropy unscented filter

The unscented transformation (UT) is an efficient method to solve the state estimation problem for a non-linear dynamic system, utilising a derivative-free higher-order approximation by approximating a Gaussian distribution rather than approximating a non-linear function. Applying the UT to a Kalman filter type estimator leads to the well-known unscented Kalman filter (UKF). Although the UKF works very well in Gaussian noises, its performance may deteriorate significantly when the noises are non-Gaussian, especially when the system is disturbed by some heavy-tailed impulsive noises. To improve the robustness of the UKF against impulsive noises, a new filter for non-linear systems is proposed in this work, namely the maximum correntropy unscented filter (MCUF). In MCUF, the UT is applied to obtain the prior estimates of the state and covariance matrix, and a robust statistical linearisation regression based on the maximum correntropy criterion is then used to obtain the posterior estimates of the state and covariance matrix. The satisfying performance of the new algorithm is confirmed by two illustrative examples.     

UKF在INS/GPS直接法卡尔曼滤波中的应用

提出将Unscented卡尔曼滤波(UKF)用于INS/GPS组合导航系统的直接法卡尔曼滤波,避免了对非线性的系统状态方程进行线性化.以INS输出的导航参数及平台误差角等作为系统状态,惯导力学编排方程和姿态误差方程作为系统状态方程,GPS输出的导航参数作为量测,采用UKF方法对系统导航参数直接进行估计.仿真结果表明,UKF方法有效地解决了直接法卡尔曼滤波中系统状态方程的非线性问题,并使INS/GPS组合导航系统具有较高的导航定位精度.     

High-degree cubature Kalman filter

The cubature Kalman filter (CKF), which is based on the third degree spherical–radial cubature rule, is numerically more stable than the unscented Kalman filter (UKF) but less accurate than the Gauss–Hermite quadrature filter (GHQF). To improve the performance of the CKF, a new class of CKFs with arbitrary degrees of accuracy in computing the spherical and radial integrals is proposed. The third-degree CKF is a special case of the class. The high-degree CKFs of the class can achieve the accuracy and stability performances close to those of the GHQF but at lower computational cost. A numerical integration problem and a target tracking problem are utilized to demonstrate the necessity of using the high-degree cubature rules to improve the performance. The target tracking simulation shows that the fifth-degree CKF can achieve higher accuracy than the extended Kalman filter, the UKF, the third-degree CKF, and the particle filter, and is computationally much more efficient than the GHQF.     

广义容积卡尔曼滤波

传统CKF采用三阶球面径向容积定律来计算非线性积分,该定律将球面数值积分与径向积分相结合,难以构造高阶CKF算法。此外,CKF在许多非线性问题上表现出估计精度低等问题。为了解决以上问题,提出了一种广义CKF族,所提算法彻底抛弃了球面径向积分定律。进一步指出,传统CKF是这种滤波算法的特殊形式。实验结果表明,高阶CKF比传统的非线性滤波器准确性更高。