GPS/INS组合导航系统中的信息融合算法研究

该文以GPS／INS组合导航系统为应用背景,对系统的模型建立进行详细的介绍,针对当前应用于其中的Kalman滤波法,它对量测噪声模型变化不能很好进行最优估计的缺点,引入了模糊自适应理论,实时地在线修正新息协方差值,以改善滤波器的性能,提高组合导航系统精度,并且还介绍了野值检测和处理方法。最后进行实时仿真,经仿真结果表明该方法是有效的。     

基于分段RTS平滑的凸组合航迹融合算法

针对凸组合航迹融合算法在过程噪声不为零的情况下性能下降的问题,引入了RTS平滑算法来提高融合性能。由于传统的RTS平滑算法是得到全部滤波结果之后才执行逆向平滑过程,造成输出延迟,为此,提出了分段RTS平滑算法,一方面可以提高航迹融合性能,另一方面能够保证融合过程中的实时性。在融合过程中,针对局部节点有无额外计算能力的不同情况,结合实施平滑步骤的时机,提出了基于分段RTS平滑的先平滑再融合和先融合再平滑两种改进的凸组合航迹融合方法。这两种方法在不同过程噪声水平下,性能表现都超过凸组合融合算法和最优融合算法。仿真结果表明了新算法的有效性和优越性。     

一种结构模式可变的组合导航算法研究

根据毫米波/红外双导引头数据融合装置在工程应用中对性能指标的特殊要求,提出了一种新的组合导航算法。该算法根据各传感器的工作状态,自适应改变跟踪算法的结构模式,从而有效缩短目标截获时间、增长截获距离、提高跟踪精度。通过计算机仿真,验证了该算法的可行性。该算法也可以推广到其他异类传感器构成的组合导航系统中去。     

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.     

基于可信度的航迹融合

本文提出了一种基于可信度的数据融合的航迹处理方法。该方法基于各雷达提供的信息的相对可信度,对不同航迹分别建立多雷达可信度判断矩阵,求得各雷达对该目标的可信度,进而求得各雷达的综合可信度。根据雷达的可信度,采用可信度高的雷达所获取的航迹信息进行卡尔曼滤波,获得每条航迹的最佳估计值。然后对多部雷达滤波后的数据进行线性加权融合处理,最终得到唯一航迹。     

一种新型的GPS/DR组合定位系统数据融合算法

全球卫星定位系统定位和测速精度高,具有全天候、全球性且基本不受地域、时间限制,但常因为某种原因出现GPS卫星信号丢失情况,航迹推算算法正好能弥补这个问题,将两者结合可以很好地解决定位问题.传统的数据融合算法-卡尔曼滤波算法,在参数选择上要求较高,选择不当即导致较大误差,影响算法效果.建立了GPS/DR组合定位系统的模型,提出了一种新型实用的自适应扩展卡尔曼滤波算法和DR单独定位算法结合的定位算法.通过实际跑车实验,结果表明,较之传统的卡尔曼滤波定位算法,该算法实用性好,而且能很好的满足系统的定位精度及可靠性等方面的要求.     

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.     

基于最大相关熵的GPS/INS组合导航融合算法研究

目前组合导航系统中常用卡尔曼滤波器进行信息融合,它在一定程度上克服了组合导航系统在实际工作中的不确定情况,如测量值易被无法量测的野值污染的实际问题。为优化传统卡尔曼滤波算法性能,提出基于最大相关熵的卡尔曼滤波（MCCKF）算法。该算法是在最大相关熵准则（MCC）和加权最小二乘（WLS）的思想下进行推导得到的。通过Matlab软件对GPS/INS组合导航融合理论建立数学模型,并对其进行模拟和分析,与传统卡尔曼滤波算法所得出的结果相比,结果表明基于最大相关熵的卡尔曼滤波算法具有更高的精度和更强的鲁棒性。     

基于RAEKF的GPS/INS紧组合导航方法研究

针对GPS/INSS组合导航系统对高精度和高可靠性需求不断提升的现状,考虑载体运动复杂性导致运动过程中噪声数学统计特性无法精确确定,且滤波结果易受观测粗差影响的问题,提出一种抗差自适应扩展卡尔曼滤波(Robust Adaptive Extended Kalman Filter,RAEKF)方法。基于惯性导航、卫星导航原理与误差模型确定紧组合工作模式下的卡尔曼滤波数学模型;推导常用EKF模型并构造抗差自适应卡尔曼滤波,通过自适应调整观测值的使用权重提高滤波精度,结果表明抗差自适应滤波能有效抑制粗差对导航结果的影响。     

基于D-GPS/IMU的组合导航方法研究与分析

研究了一种新的双GPS单元与IMU惯性测量单元组合结构(D-GPS/IMU)的导航应用问题;基于D-GPS/IMU的动力模型结构,分析了其状态空间的可观测性能,提出并证明了系统完全可观测的条件;同时,对扩展卡尔曼滤波(EKF)算法进行了改进,以定义的残差作为GPS量测信息中增益自适应调整的依据,并增加了数据反向区间平滑处理策略;最后,通过仿真实验,与基于EKF算法的单GPS与IMU组合结构(S-GPS/IMU)的姿态误差估计进行对比,实验结果表明,该方法收敛稳定且快、组合误差小,具有一定的实用性.     

基于卡尔曼滤波算法的轨迹估计研究

在无线传感器网络中节点定位系统中,基于接收信号强度指示(RSSI)技术的定位算法研究有很多,这种定位技术成本低而且易于实现,但RSSI定位技术因容易受到环境因素的影响,在测距过程中,估测距离的误差很大。在RSSI定位系统的基础上,加入系统噪声和测量噪声,根据系统状态方程和动态系统测量方程,利用卡尔曼滤波算法,对RSSI进行滤波,并估测出移动节点的运动轨迹。仿真结果表明:改进卡尔曼滤波算法提高了移动节点的运动轨迹的定位精度。     

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。     

基于数据关联的多雷达点迹融合算法研究

在典型应用场景下,针对传统数据关联算法易于产生目标跟踪丢失的问题,提出了并行多传感器联合概率数据关联算法(PMSJPDA),给出行多传感器联合概率数据关联算法的实现流程,并对该算法进行理论分析。最后采用两部典型雷达构成PMSJPDA数据融合系统,对其算法的目标跟踪精度进行仿真,仿真结果表明,所提出算法可有效改善对目标的跟踪性能,提高了对目标的跟踪精度。     

Generalized convex combination of triangular norms on bounded lattices

ABSTRACT

In this paper, we introduce the notions of the linear and generalized convex combination (shortly, g-convex combination) for triangular norms on bounded lattices. We investigate the conditions for the g-convex combination to be a triangular norm again. We introduce a triangular norm defined on a bounded lattice of equivalence classes and investigate some basic properties of the introduced triangular norm.     

基于多传感器融合的全地形机器人系统设计

针对因强降雨、堤防溃决、暴雨增水等因素导致的水位突然上升而泛滥和山洪暴发,形成复杂多变灾后的地形环境。设计了以FPGA为控制器的多传感器融合机器人,提高灾后救援效率。该机器人通过GPS为机器人作业划定区域,生命特征仪、力矩仪和空气质量仪等传感器采集环境数据,搭建非线性全地形机器人动态模型,利用六轴陀螺仪和霍尔传感器获取机器人状态,数据经过扩展卡尔曼滤波算法融合以及航迹算法推算后,获得机器人在灾后环境中的实际信息,使得机器人能够按要求进行搜救作业。实验结果表面,多传感器融合的机器人系统,能够在灾后环境完成信息采集与传输,具有较高的稳定性及准确性。     

基于联合滤波算法的复杂时变系统在线自适应逆控制

针对一类结构和参数均具备时变特性的复杂时变系统,提出一种新的基于联合滤波算法的在线自适应逆控制方法.该方法在处理参数时变问题的同时可兼顾系统的结构时变特性,实现复杂动态系统的在线跟踪控制.同时提出新的联合Volterra核函数滤波算法,该算法克服了原Volterra滤波器计算复杂运算速度慢的缺点,实现了动态非线性系统的在线跟踪控制.通过仿真分析可以得出,对于此类线性、非线性复杂时变系统,基于新的联合滤波器的自适应逆控制方法可以快速有效的实现动态对象在线建模与控制.     

基于量测自适应辨识的多传感器数据融合算法

针对量测不确定条件下多传感器量测数据的合理利用和有效融合问题,提出了一种量测不确定下多传感器量测自适应数据融合算法。算法实现中考虑到传感器量测受扰动影响的具体情况,通过单个传感器的量测似然度的求解确认等效量测,并利用传感器量测数据间统计距离的构建完成对等效量测优化,进而实现不含扰动影响传感器量测数据的合理选择和融合。理论分析和仿真实验验证结果表明:新算法不仅有效改善扰动对于滤波精度的不利影响,并且相对于分布式融合方式降低计算复杂度。     

差分线性化EKF滤波方法研究

针对扩展卡尔曼滤波(EKF)框架下非线性模型线性化时雅克比矩阵计算复杂且精度难以保证的情况,提出一种基于差分线性化的EKF算法。该方法用目标位置的量测值和状态一步估值作差分的方法代替雅克比阵的计算。通过蒙特卡洛仿真表明,差分EKF在保证跟踪精度的前提下,大大简化了复杂的求导运算,适合于实际的跟踪系统应用。     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高的问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波(UKF)移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。