基于模糊自适应Kalman滤波的GPS/DR数据融合

针对标准Kalman滤波器对系统模型依赖性强、鲁棒性差,而GPS/DR系统的准确数学模型难以建立的问题,提出了一种模糊自适应联邦卡尔曼滤波器(FAFKF).首先通过模糊自适应滤波控制器监控观测量的残差理论值和实际值,并通过实时增强它们的一致性来调整各子系统观测噪声方差阵,使之更符合真实的模型,有效提高了Kalman滤波器对模型变化的适应能力.然后通过模糊自适应信息融合控制器对各子系统可信度进行模糊评判,并根据可信度自适应地计算信息分配系数来实现数据的融合.理论分析和实验数据表明该滤波器在滤波精度、容错性能上都有了很大的提高.     

DR/GPS组合导航非线性自适应信息融合算法研究

针对实际工程中组合导航系统采集数据融合处理问题,建立了系统实测数学模型,提出了基于非线性系统的自适应信息融合算法,将系统未建模部分及高阶项作为噪声项与状态向量进行耦合估计,改善滤波算法对模型误差以及噪声假设的敏感性,通过仿真对比验证算法改进前后的效果,并用于DR/GPS组合导航系统。实验结果表明提出的数据融合算法能够提高系统的精确性,具有一定的实用价值。     

GPS/DR组合导航系统数据融合优化设计

为降低GPS/DR组合导航系统在复杂导航环境下的定位精度及DR误差累积,提出一种性能较优的数据融合算法。在传统粒子滤波(PF)的基础上,考虑最新观测值的影响,使用基于平方根二阶差分的高斯混合(GM)模型给出粒子滤波的建议分布,采用基于蒙特卡罗的重要性采样和进化再采样方法减轻PF样本退化问题,增强样本多样性。实验结果表明,与PF算法、GMPF算法相比,该设计能提高组合导航系统的综合导航定位性能。     

GPS/DR组合导航系统数据融合研究

通过航位推算系统辅助GPS定位,并采用联合卡尔曼滤波的融合算法,既克服了GPS信号的遮蔽与中断问题,又充分利用了信息融合的思想,使组合系统能够很好地满足车辆导航定位的需要。     

车载GPS/DR组合导航系统自适应信息融合算法研究

结合全球定位系统(GPS)和航位推算(DR)两种定位方式的优点,构建了基于卡尔曼滤波的自适应联邦滤波算法,实现陆地GPS/DR组合定位系统的数据融合;针对DR子系统的强非线性和扩展卡尔曼滤波算法带来的较大线性化损失,并结合机动加速度均值自适应算法,设计了一种基于U-D分解的自适应迭代卡尔曼滤波算法,更有效的减少DR子系统线性化带来的误差损失,提高定位精度;与同仿真环境下,DR子系统采用扩展卡尔曼滤波方法作了比较,结果表明该信息融合算法能更有效解决DR子系统的线性化误差问题,整个系统数据融合精度更高.     

多传感器跟踪系统自适应Kalman滤波融合

多传感器目标跟踪的一个实际问题是如何获得目标的过程噪声信息,以获得较好的跟踪性能。针对多传感器分布式估计融合系统,利用这种自适应技术给出了一种自适应Kalman滤波的融合方法,它具有与中心式相近的跟踪性能。计算机模拟结果表明：这种方法具有较优良的性能。     

基于联邦滤波的GPS/DR组合导航信息融合

针对车载GPS/DR组合导航系统的特点,采用联邦滤波算法,构建了两级结构的联邦卡尔曼滤波器.子滤波器分别处理GPS和DR传感器信息,主滤波器进行信息融合,并对子滤波器进行信息分配和重置,克服了GPS单独使用时因信号中断而引起的系统失效,使系统具有更好的容错能力,进一步提高了系统的定位精度.试验结果证明了算法的有效性.     

一种基于路况的渐消记忆陀螺误差补偿方法

针对GPS/DR组合导航系统在汽车直行和转弯时速率陀螺误差特性不同的情况,提出了一种基于路况的渐消记忆陀螺误差补偿方法。这种方法在GPS信号正常时根据路况不同实时计算陀螺刻度因子误差;当GPS丢星时,用GPS正常时计算的刻度因子误差补偿速率陀螺。在实际工程应用中,用此方法补偿低成本GPS/DR组合导航系统的陀螺误差后再进行EKF容错滤波,在GPS丢星后一段时间内,仍能保持较好的导航精度。     

基于Kalman滤波的数据融合研究

分析了标准kalman滤波(KF)和自适应kalman滤波(AKF)的原理,通过仿真实验,对两种滤波算法的性能进行了比较.选用凸组合融合算法作为声纳探测的航迹融合算法,将多声纳融合系统的融合结果和简单交叉定位算法进行了比较研究.仿真实验结果表明:自适应kalman滤波比标准kalman滤波具有更好的目标跟踪性能,多声纳融合结果较简单交叉定位结果的性能有大幅度提高,所选用的融合算法航迹能够较好的与真实航迹吻合.     

基于联邦卡尔曼滤波器的车载GPS/DR信息融合

车栽GPS/DR组合导航系统中,需要把不同特性的传感器信息进行融合,实现系统整体状态的最优估计.设计了GPS/DR信息融合的联邦卡尔曼滤波器,局部滤波器分另q处理GPS和DR传感器信息,主滤波器进行信息融合,并对局部滤波器进行信息分配和重置.克服了单独使用GPS或DR时产生的系统失效、累积误差大等问题.仿真试验结果表明:GPS/DR组合定位比GPS单独定位具有更高的定位精度和客错能力.     

一种基于DR/GPS/MM的组合定位系统数据融合算法

针对盲区中使用INS惯性导航系统进行定位存在误差积累的问题,提出一种基于DR航位推算、GPS全球定位系统和MM地图匹配的组合定位系统数据融合算法。该算法利用GPS和MM中得到的位置信息,一方面用于更新DR的定位信息,另一方面用于修正陀螺仪比例因子和里程表比例因子等参数,提高定位精度,防止DR系统推导的车辆定位误差的积累。通过MATLAB进行仿真实验,验证了此算法的有效性。实验结果表明,此算法可以有效约束INS的误差积累,提升导航系统的性能。     

基于自适应Kalman滤波的加速度计动态数据处理

针对实际使用条件下的加速度计的动态测试,讨论了一种加速度计的动态数据处理方法.动态测试中,由于实际情况的时变性和随机性,噪声统计特性可能是未知的且时变的,先验的数据也因此失去意义;另外,动态测试中野值也会对测试精度产生严重的不利影响;运用抗野值自适应Kalman滤波算法对动态数据进行了处理,结果表明该方法能够有效的剔出测试过程中粗大误差、过程干扰以及环境噪声的影响.     

基于卡尔曼的无线传感器网络时空融合研究

无线传感器网络(WSNs)因其传感节点数目多,且节点易受环境干扰出现故障或失效的特点,对融合技术提出了新的要求。引入中值滤波,利用其良好的抑制脉冲噪声能力,结合卡尔曼滤波开发适用于WSNs的融合算法。采用时空分级融合减少集中计算量,使网络具有实时处理能力。算法具有容错能力,可提高网络鲁棒性。仿真结果表明了算法的有效性。     

一种基于Kalman滤波器的自适应背景建模改进算法

基于传统Kalman滤波器理论的背景建模方法,不能很好地解决目标缓慢运动导致背景模型出现拖影的问题。针对该问题,提出了一种结合Kalman滤波器理论与动态区域重构的自适应背景建模改进算法,介绍了Kalman滤波器理论主要思想和改进算法的方法流程与效果。与传统的Kalman背景建模相比,该方法在增加少量计算复杂度的前提下,较好地解决了目标缓慢运动导致背景模型出现拖影的问题,同时也能较好地消除背景噪声。通过对图像序列的仿真实验证明:该方法具有很好的实用性与鲁棒性。     

抑制多径的BD2/GPS双模自适应扩展卡尔曼滤波算法

当BD2/GPS卫星信号受到多径效应干扰时,接收机的定位精度将会严重下降。针对这一问题提出了一种抑制多径的BD2/GPS双模自适应扩展卡尔曼滤波算法。通过观测误差协方差估计和粗差检测来调整卫星参与定位的受信任程度和个数,分析了多径效应对伪距残差和多普勒残差的影响,同时对比了原始EKF算法和AREKF算法在多径干扰下复杂动态路况的定位性能。实验结果表明,AREKF算法能够有效抑制多径信号对定位效果的干扰,明显提高了定位精度和可靠性。     

The stability analysis of the adaptive fading extended Kalman filter using the innovation covariance

The well-known conventional Kalman filter gives the optimal solution but to do so, it requires an accurate system model and exact stochastic information. However, in a number of practical situations, the system model and the stochastic information are incomplete. The Kalman filter with incomplete information may be degraded or even diverged. To solve this problem, a new adaptive fading filter using a forgetting factor has recently been proposed by Kim and co-authors. This paper analyzes the stability of the adaptive fading extended Kalman filter (AFEKF), which is a nonlinear filter form of the adaptive fading filter. The stability analysis of the AFEKF is based on the analysis result of Reif and co-authors for the EKF. From the analysis results, this paper shows the upper bounded condition of the error covariance for the filter stability and the bounded value of the estimation error. Keywords: Adaptive Kalman filter, forgetting factor, nonlinear filter, stability analysis. Recommended by Editorial Board member Huanshui Zhang under the direction of Editor Young Il Lee. Kwang-Hoon Kim received the Ph.D. degree in the School of Electrical Engineering and Computer Science at Seoul National University in 2006. His research interests include Kalman Filtering, GNSS/INS integration system, and GNSS signal processing algorithm. Gyu-In Jee received the Ph.D. degree in Systems Engineering from Case Western Reserve University in 1989. His research interests include Indoor GPS positioning, Software GPS receiver, GPS/Galileo baseband FPGA design, and IEEE 802.16e based wireless location system. Chan-Gook Park received the Ph.D. degree in Control and Instrumenta-tion Engineering from Seoul National University in 1993. His research interests include INS/GPS integration system, inertial sensor calibration, navigation and control for micro aerial vehicles, and estimation theory. Jang-Gyu Lee received the Ph.D. degree from the University of Pittsburgh in 1977. He is currently a Professor at the School of Electrical Engineering and Computer Science at Seoul National University. His research interests include micro inertial sensors, inertial navigation systems, GPS, and filtering theory.     

自适应扩维UKF算法在SINS/GPS组合导航系统中的应用

针对自适应渐消因子卡尔曼滤波无法应用于非线性系统的问题以及自适应渐消因子的局限性,提出了带自适应渐消矩阵的扩维UKF(adaptive fading matrix augmented UKF,AFM-AUKF)算法.该算法针对含有非加性白噪声的非线性系统,引入了一种新的自适应渐消矩阵计算方法,并用Unscented变换逼近系统的后验均值和协方差,有效解决了此类系统的滤波问题.针对SINS/GPS组合导航系统的非线性状态估计问题,分别设计了滤波器容错试验和系统噪声突变试验,试验结果证明了该算法的有效性.     

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。     

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。