一种基于UKF的AUV移动声学网络协同导航方法

针对扩展卡尔曼滤波(EKF)在自主水下航行器(AUV)移动声学网络协同导航中,存在强非线性观测方程条件下线性化误差大、计算复杂等缺点,文章提出一种基于无迹卡尔曼滤波(UKF)的AUV移动声学网络协同导航方法.利用移动长基线原理和UKF方法,建立基于UKF的协同导航滤波算法,并通过仿真实验与传统的EKF协同导航算法进行对比.仿真结果表明,基于UKF的协同导航算法能明显减小导航定位误差,在导航精度上优于EKF方法,是AUV协同导航中一种更加简单有效的导航滤波方法.     

基于卡尔曼滤波的WSNs节点定位研究

节点定位是无线传感器网络中的关键技术之一。在采用装备有GPS装置的移动信标-移动机器人、无人机的基础上,将加权最小二乘估计与扩展卡尔曼滤波(EKF)组合,进行未知节点定位。算法首先利用加权最小二乘估计(WLSE),获得无线传感器网络未知节点的初步位置,再用扩展卡尔曼滤波进一步提高定位精度。并且提出了加权因子的确定方法,同时,算法还提出了移动信标位置参与EKF迭代计算的最优排序方案。算法可以实现传感节点的低成本定位,可以达到较高的定位精度。仿真结果显示,算法与目前常用的最小二乘估计相比,未知节点的定位精度有较大的提高。算法应用RSSI测距方式,它还可应用于TDOA,TOA等基于测距的定位算法中,具有较普遍的应用意义。     

利用并行多处理器的卫星自主导航方法研究

提出卫星导航系统采用两个并行处理器PⅠ、PⅡ.其中PⅡ首先利用批处理估计器估计卫星初始状态,然后利用高精度轨道动力学模型预报下一周期的卫星星历,并将星历数据存储于星上.而PⅠ则依据上一周期的各种数据,采用实时轨道预报算法提供卫星当前时刻的轨道信息.基于这一分工思路,利用卫星观测到的星光折射信息,在高、中、低各种轨道上进行了卫星自主定轨的计算机数学仿真,仿真结果证实了并行多处理器导航计算机结构及相应导航算法用于卫星自主导航的可行性及有效性.     

激光雷达与路侧摄像头的双层融合协同定位

针对非结构化场景中无人驾驶车辆定位误差大的问题,结合车载激光雷达和路侧双目摄像头,采用双层融合协同定位算法实现高精度定位. 下层包含2个并行位姿估计,基于双地图的自适应蒙特卡洛定位,根据位姿偏差的短期和长期估计实现双地图切换,修正激光雷达扫描匹配的累积误差;基于概率数据关联的卡尔曼滤波位姿估计,消除非检测目标对路侧摄像头的干扰,实现目标跟踪. 上层作为全局融合估计,融合下层的2个位姿估计,利用反馈实现自主调节. 实车实验表明,双层融合协同定位的定位精度为0.199 m,航向角精度为2.179°,相比车载激光雷达定位和无反馈的紧融合定位有大幅提升;随着路侧摄像头数量的增加,定位精度可以达到7.8 cm.     

下一代移动通信系统中的无线协同定位技术

为了解决传统无线定位技术中定位精度不高的问题,针对下一代移动通信系统,提出利用移动台(MS)之间的协同通信对目标MS进行协同定位,并利用非线性最优化理论解决MS协同定位问题,将该问题转化为线性最小二乘问题,最终利用Gauss-Newton算法估计目标MS的位置.仿真结果表明,Gauss-Newton算法在解决协同定位问题时,几乎都能收敛,收敛速度快,平均迭代数为2～3次.当2个或2个以上的参考终端(RT)参与定位,且RT的测距标准差小于50 m时,协同定位均方根误差可控制在100 m内.     

基于抗差自适应估计的微纳卫星相对定位算法

为了解决微纳卫星编队执行姿态机动任务时，差分定位性能降低甚至不能定位的问题，提出基于全视角天线组件的GPS接收和差分定位系统方案.针对星载高动态环境，改进基于几何无关(GF)差分组合和衰减窗口的伪距粗差探测方法.采用抗差自适应扩展卡尔曼滤波算法，将基于新息向量的观测噪声协方差矩阵开窗估计法应用于实时差分定位.建立半物理仿真平台，开展不同场景下的差分定位性能对比验证.结果表明，在全弧段侧摆与区间“侧摆-回正”机动条件下，所提出的基于全视角方案的滤波和估计算法相比于常规方案的扩展卡尔曼滤波(EKF)算法在定位星数、定位精度上均有大幅提升，在短、长基线情况下分别可以达到厘米、分米级的相对定位精度.     

编队飞行卫星自主相对导航算法研究

提出一种基于类GPS敏感器星间相对距离测量的编队飞行卫星相对位置、速度和姿态自主确定算法.在编队飞行卫星之间无相对速度测量时,利用两点相对轨道状态测量信息,建立相对轨道和姿态运动方程以及星间相对测量方程,推导了编队飞行卫星相对导航UKF(Unscented Kalman Filter)算法,估计其相对轨道和姿态等导航信息.并进行了数学仿真,仿真结果表明,该算法简单可靠,能够满足高精度编队飞行卫星相对导航要求.     

基于数值算法改进的卡尔曼滤波算法在卫星自主定轨中的应用

高精度的自主定轨对探测器实现深空探测任务有着重要的意义,结合利用星光折射角的测量确定卫星轨道的自主导航方案,提出了基于数值算法改进的扩展卡尔曼滤波算法,提高了运算精度,通过仿真验证了该算法的优越性。     

卫星组网系统下的多普勒频移估计与补偿

针对目前卫星移动通信系统中卫星组网能力欠缺等问题,在非地面网络基础上提出了一种基于虚拟卫星小区组网的多普勒频移估计和补偿算法.通过引入集中管理单元,移动终端能快速选择多普勒频移最小的卫星,同时根据传输时延和卫星星历对多普勒频移值进行估计、补偿、更新和再补偿.仿真结果表明,与传统算法相比,该算法有效降低了多普勒频移,提高了卫星通信链路的质量和接入成功率.     

基于自适应算法的三维波束赋形技术

为了针对每个移动终端进行动态的三维波束赋形,使三维波束主瓣对准期望用户并且在干扰用户方向形成零陷,构建了均匀平面阵的二维阵列信号模型,研究了基于最小均方误差算法的全局自适应算法,并在此基础上提出了基于降维的局部自适应算法. 2种自适应三维波束赋形算法可以动态地调整阵列单元的权值,自适应地改变天线阵列的方向图,为用户提供实时的跟踪服务. 仿真结果表明,在一定数量的阵列天线单元的条件下,2种算法均可以实现针对期望用户的自适应三维波束赋形.     

基于模糊积分的网络舆情态势理解方法

非视距传播（NLOS）误差是蜂窝网系统提高定位精度必须解决的关键问题。首先提出了一种基于三阶累积量的NLOS误差抑制算法,并根据NLOS误差大小和信号斜度之间的关系,给出了一种基于偏差Kalman滤波的NLOS误差抑制算法。文章基于WCDMA系统构建了定位测试平台,通过实测数据验证了算法的有效性。     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

基于改进APIT的移动机器人动态定位

针对室内无线传感器网络通信传输不稳定和定位精度较差的情况,提出了一种移动机器人自主动态定位系统,通过实时选择邻近信标节点,确定节点坐标构成的边界,绘制局部网格空间,实现机器人动态定位.利用接收信号强度指标实现测距,然后采用基于测距的改进近似三角形内点测试（APIT）算法完成定位,再使用卡尔曼算法修正定位误差.该方法适用于室内网络传输不稳定的实际情况,采用卡尔曼滤波器获得最优数据.实验结果表明,该移动机器人自主动态定位方法比基于网格的极大似然方法具有更好的精度和适应性.     

一种蜂窝网中伪线性卡尔曼滤波混合定位算法

提出了蜂窝网中一种基于伪线性卡尔曼滤波的到达时间和到达角（TOA／AOA）混合定位的算法,能够对处于运动状态的用户进行跟踪定位．根据用户运动模型,使用笛卡尔坐标旋转以降低状态变量的维数,在确保跟踪精度的同时又降低了算法的运算量．同时考虑了用户在不同的观测平台间切换时实现连续跟踪的问题,分析和仿真了观测平台自身的定位误差和散射半径对跟踪精度的影响．结果表明算法的精度能够满足E911要求,并与最小二乘算法的定位精度进行了比较．     

基于迭代CDKF的单站无源定位算法

针对单站无源定位系统存在滤波稳定性差、收敛速度慢和定位精度差等问题,提出一种迭代中心差分卡尔曼滤波算法.在迭代判决准则的约束下,重复利用观测信息对状态向量和误差协方差矩阵进行迭代估计使其更趋向真实值,同时用Levenberg-Marquardt优化方法调整预测误差协方差阵,保证算法的全局收敛.仿真结果表明,在不同参数测量精度条件下,该算法稳定性、收敛速度和定位精度较好.     

一种基于改进卡尔曼滤波的NLOS误差抑制算法

在蜂窝网络中,非视距（NLOS）传播是影响定位精度的主要因素.针对LOS与NLOS的混合环境,提出了一种基于到达时间（TOA）测量值进行NLOS误差消除的算法.该算法首先利用TOA测量值的统计特征建立新的判决机制,鉴别当前时刻的测量值是否存在NLOS误差,然后对包含NLOS误差的测量值,通过构建测量误差模型估计NLOS误差,并以此修正卡尔曼滤波器的新息,实现LOS重构.仿真结果表明,与已知算法相比,文章提出的算法能够更好地抑制NLOS误差,并且适应于不同的LOS与NLOS混合环境.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

基于激光测距传感器的家庭机器人导航仿真

通过将激光测距器的扫描数据和来自家庭机器人的里程计结合在一起,给出了同时定位和地图生成的算法．基于扩展卡尔曼滤波算法,滤去不必要的数据,直接将传感数据和环境特征相匹配,融合激光扫描数据和人工路标,给出了机器人连续位置更新的方法．仿真结果表明该方法较好地解决了室内机器人导航问题．     

基于外辐射源的多目标CMKF跟踪算法研究

为了纠正传统的扩展卡尔曼滤波算法的病态特征,实现实时快速和稳定的定位,提出了一种基于外辐射源的多目标CMKF跟踪算法,并对该算法进行了详细的理论推导.计算机仿真结果证明了上述方法的正确性.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.