基于最大熵卡尔曼滤波的机载SINS星敏感器辅助空中标定技术

为增强机载捷联惯导系统(SINS)在自标定过程中的可观测性,提升陀螺仪漂移和加速度计零偏估计的速度和精度,引入星敏感器姿态信息和GPS速度信息,辅助完成捷联惯导系统的空中标定;同时,考虑在实际空中飞行条件下,受气流、电磁干扰等影响,姿态和速度的量测噪声呈非高斯分布且噪声统计特性不精确,导致经典卡尔曼滤波性能降低;为有效利用量测信号中的高阶矩信息,在卡尔曼滤波中采用最大熵准则代替最小均方误差准则,对星敏感器辅助下的机载捷联惯导系统的误差进行标定;仿真结果表明,经最大熵卡尔曼滤波后,惯性器件误差的标定精度明显提升;在采用星敏感器后,对陀螺仪漂移的标定速度和精度都得到了提升。     

陀螺误差现场系统标定方法研究

为了补偿在实际使用环境中陀螺误差对捷联惯导系统带来的影响,提出了陀螺误差的现场系统标定方法.该方法采用四元数微分方程作为系统方程,利用加计估计出的两个水平姿态角和磁罗盘或GPS辅助给出的方位角作为观测,建立广义卡尔曼滤波方程对陀螺误差进行滤波估计.同时设计了1种简单的静基座转动的标定路径用于陀螺误差系数的分离.仿真结果表明该方法可行有效,估计结果能够很好地弥补捷联惯导系统中陀螺各误差因素的影响.     

捷联惯导系统中卡尔曼滤波的应用研究

为提高捷联惯导系统初始对准精度,提出将卡尔曼滤波技术应用于系统初始精对准,用以估计系统的失准角和惯性误差。对卡尔曼滤波技术在捷联惯导系统中的应用进行分析,建立捷联惯导系统初始对准误差模型和卡尔曼滤波量测方程。分析不同条件下不同滤波方法的滤波原理和滤波精度。在此基础上,提出一种将预测扩展卡尔曼滤波应用于逆向导航技术的思路,并进行了理论分析和捷联惯导系统自对准流程设计,为后续进一步深入开展惯导系统初始对准奠定基础。     

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.     

基于SINS的杆臂效应误差补偿方法研究

针对捷联惯性导航系统（SINS）中杆臂效应误差补偿的实时性问题,提出一种新的杆臂效应误差补偿方法.将杆臂长度扩充为系统的状态变量,通过实时估计杆臂长度来补偿杆臂效应误差;分析了杆臂误差效应产生的原因,并对该方案进行了理论推导、分析和仿真.与传统杆臂效应误差补偿法相比,所提出的方法不仅能准确实时地估计出杆臂长度,而且能有效地提高惯导系统的对准精度.     

姿态误差算法的比较及研究

姿态解算一直以来都是导航系统研究的重点,保证被测量载体的姿态信息的精确解算则是一项重要的任务,由于刚体的不可交换性,导致误差的出现,在圆锥运动下产生的圆锥误差是惯导系统的重要误差源,对此提出一种改进的圆锥误差补偿算法并与捷联惯性导算法比较,并以典型圆锥运动做为输入,对其进行数字仿真分析,通过改变经典圆锥运动部分参数,检验圆锥误差补偿的解算过程精度,得出改进的圆锥误差补偿算法是解决圆锥误差的有效方法。     

SINS/GPS组合导航系统Kalman滤波仿真研究

为提高捷联惯导系统SINS和全球定位系统GPS的精度和可靠性,研究了SINS和GPS的原理,建立了SINS/GPS系统的状态方程和位置速度误差量测方程;并采用卡尔曼滤波算法实现了SINS/GPS的组合导航.Matlab仿真结果证明,采用Kalman滤波实现SINS/GPS组合导航,其精度得到大大提高;且采用SINS/GPS组合导航系统,克服了SINS惯性导航难以长时间独立工作的缺点,解决了GPS易失锁、难以实时控制的不足,保证了导航系统的实时性及较高的精度和可靠性.     

卡尔曼滤波在捷联惯导系统初始对准中的应用

针对卡尔曼滤波在捷联惯性导航系统初始对准中的应用,分析了卡尔曼状态方程和量测方程的构建方式.根据捷联惯性导航系统中初始对准的原理和方法,在经典方法的基础上,研究了一种新的方式.可直接利用加速度计的输出作为观测量,减少了方程中变量的数量,不仅简化了硬件设施,减小了卡尔曼滤波方程的维数,从而减小了计算量,提高了系统分析的实时性;而且大大提高了初始对准的对准精度.通过与原有方式的实验仿真结果对比,优势明确,可以很好地应用于小型捷联惯性导航系统中.     

DSS/SINS组合导航实时滤波仿真

北斗双星定位系统的定位原理决定了其存在导航定位实时性较差的缺点。为了解决双星定位实时性差的问题,提出了一种新的北斗双星／SINS组合导航实时滤波方法,即对双星定位的静态误差进行建模,将静态误差模型作为其动态误差的残差模型与双星定位时间延迟随机常数一起扩充为组合导航滤波器的状态变量,然后对北斗双星／SINS组合导航系统进行状态估计的滤波方法。通过计算机仿真,结果表明该实时滤波方法能够更好地解决北斗双星／SINS组合导航在实际工程应用中定位实时性较差的缺点,从而提高了组合系统的导航精度,对北斗双星／SINS组合导航系统的实际应用有重要的参考价值。     

基于四元数姿态估计的捷联惯导初始对准算法

针对传统动基座捷联惯导系统OBA粗对准算法,在低精度传感器中,易受到陀螺零偏的影响,存在累计误差导致观测矢量精度低的缺点,本文研究了基于四元数的无迹卡尔曼滤波来进行载体的姿态估计.该方法可以估计陀螺仪的零偏,并在预测方程中将其去除,能够有效地抑制陀螺零偏带来的累计误差,从而提高姿态误差角的收敛精度.最后设计了仿真与车载实验,验证本文所研究算法的有效性.     

基于自适应Kalman滤波的改进RTQC算法

为对原始雷达数据进行空间配准,对原始的实时质量控制方法(real time quality control,RTQC)进行了研究.在传统的RTQC算法的基础上,加入Kalman滤波,用于对随机误差进行处理,得出雷达测量的固定误差.对Kalman算法进行改进,改进了传统的Kalman滤波算法,通过对量测噪声方差矩阵和模型噪声方差矩阵进行实时估计,减少了Kalman滤波对于方差矩阵先验知识的要求,提高了Kalman滤波的自适应性,并初步分析了算法的有效性.与实际数据的对比实验结果表明了该方法的有效性.     

基于Kalman滤波算法的姿态传感器信号融合技术研究

针对应用三轴陀螺仪和三轴加速度传感器的四旋翼飞行器姿态角测量问题,提出了基于Kalman滤波算法的姿态传感器信号融合方法。该方法将陀螺仪输出的角速度误差作为时变误差处理,认为陀螺仪输出的角速度误差与其所测角速度及上一时刻的角速度输出误差相关,并据此建立陀螺仪测量线性方程,在此基础上,应用Kalman滤波算法,以加速度计输出的姿态角对陀螺仪测量的姿态角进行修正,从而达到姿态角准确测量的目的。实验结果表明：应用Kalman滤波算法对加速度传感器和陀螺仪信号融合后可有效消除姿态角测量累积误差并显著改善姿态角测量的动态特性。     

Instrumentation design based on optimal Kalman filtering

This paper presents a methodology for locating sensors in dynamic systems. It aims to maximize Kalman filtering performance by using accuracy as its main performance index. To accomplish this task, both the measurement noise and the observation matrices are manipulated. The method has been applied in two academic case studies and in the Tennessee Eastman Challenge Problem and has shown promising results.     

An enhanced adaptive Kalman filtering for linear systems with inaccurate noise statistics

This paper investigates the simultaneous state and noise covariance estimation for linear systems with inaccurate noise statistics. An enhanced adaptive Kalman filtering (EAKF) based on dynamic recursive nominal covariance estimation (DNRCE) and modified variational Bayesian (VB) inference is presented. The EAKF realizes the concurrently estimation of state and noise covariance matrices by introducing a nominal parameter in the traditional recursive covariance estimation and designing a new adaptive forgotten factor for the dynamic model of the estimated information propagation. The simulation of a target tracking example shows that, compared with the existing filters, the proposed filter has good adaptive performance for inaccurate and time-varying noise covariance matrices.     

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。     

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.     

一种利用UKF的高速公路实时交通状态估计方法

把无轨迹卡尔曼滤波器（UKF）和宏观随机交通流模型结合在一起,可以实现对高速公路交通状态的实时估计。高速公路被看作是由等距离的路段首尾相接而成的系统,每个路段中交通变量的更新不光与其自身有关,还受到相邻路段的影响。交通传感器通常设置在路段的交界处,而且数量远少于所需估计的交通状态。采用压缩状态空间的形式,将模型参数也作为交通状态而非常量进行估计。仿真结果表明UKF方法能够有效地估计和跟踪交通状态的变化,并且与扩展卡尔曼滤波方法相比具有更高的精确度。     

Unscented Kalman滤波的流量测量研究

将UKF滤波用于超声波流量测量,使用UKF滤波算法来处理超声波回波信号,得到回波信号的包络线,并且将包络模型的参数作为UKF处理的状态向量。根据流量测量的特点改进了UKF滤波运算过程,给出了UKF迭代开始和结束的条件。最后在Matlab上仿真UKF的性能及收敛速度,证明UKF是有效的和容易实现的。     

脉冲噪声环境下基于卡尔曼滤波的语音增强

语音增强的目标在于从含噪信号中提取纯净语音,纯净语音在某些环境下会被脉冲噪声所污染,但脉冲噪声的时域分布特征却给语音增强带来困难,使传统方法在脉冲噪声环境下难以取得满意效果。为在平稳脉冲噪声环境下进行语音增强,提出了一种新方法。该方法通过计算确定脉冲噪声样本的能量与含噪信号样本的能量之比最大的频段,利用该频段能量分布情况逐帧判别语音信号是否被脉冲噪声所污染。进一步地,该方法只在被脉冲噪声污染的帧应用卡尔曼滤波算法去噪,并改进了传统算法执行时的自回归(AR)模型参数估计过程。实验中,采用白色脉冲噪声以及有色脉冲噪声污染语音信号,并对低输入信噪比的信号进行语音增强,结果表明所提出的算法能显著地改善信噪比和抑制脉冲噪声。     

Variants of extended Kalman filtering approaches for Bayesian tracking

We provide a tutorial for a number of variants of the extended Kalman filter (EKF). In these methods, so called, sigma points are employed to tackle the nonlinearity of problems. The sigma points exactly represent the mean and the variance of the state distribution function in a dynamic state equation. The initially developed EKF variant, that is, unscented Kalman filter (UKF) (also called sigma point Kalman filter) shows enhanced performance compared with that of conventional EKF in the literature. Another variant, which is not well known, is central difference Kalman filter (CDKF) whose way to approximate the nonlinearity is based on the Sterling's polynomial interpolation formula instead of the Taylor series. Endeavor to reduce the computational load resulted in the development of square root versions of both UKF and CDKF, that is, square root unscented Kalman filter and square root central difference Kalman filter (SR‐CDKF). These SR‐versions are supposed to be numerically more stable than their original versions because the state covariance is guaranteed to be positive definite by avoiding the step of matrix decomposition. In this paper, we provide the step‐by‐step algorithms of above‐mentioned EKF variants with their pros and cons. We apply these filtering methods to a number of problems in various disciplines for performance assessment in terms of both mean squared error (MSE) and processing speed. Furthermore, we show how to optimize the filters in terms of MSE performance depending on diverse scenarios. According to simulation results, CDKF and SR‐CDKF show the best MSE performance in most scenarios; particularly, SR‐CDKF shows faster processing speed than that of CDKF. Therefore, we justify that SR‐CDKF is the most efficient and the best approach among the Kalman variants including the EKF for various nonlinear problems. The motivation of this paper targets at the contribution to the disseminative usage of the Kalman variants approaches, particularly, SR‐CDKF taking advantage of its estimating performance and high processing speed. Copyright © 2016 John Wiley & Sons, Ltd.