高精度组合导航系统仿真

以车载捷联惯导系统SINS与全球定位系统GPS的组合导航系统为研究对象,为了解决常规卡尔曼滤波器在非线性时变系统中由于线性化误差导致滤波发散的问题,将UKF算法引入到SINS/GPS组合导航系统。UKF同时适用于线性系统和非线性系统,且不需要对噪声的统计特性精确已知。通过建立SINS/GPS组合模型,对其进行了MATLAB仿真。对比常规卡尔曼滤波器与UKF算法的滤波效果可知,UKF算法提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

GPS非线性估计中无导数卡尔曼滤波研究

在GPS领域应用的非线性估计方法中,扩展Kalman滤波(EKF)存在稳定性差、计算量大等缺陷.基于非线性变换思想的UKF(Unscented Kalman Filtering)中状态方差阵易失去半正定性.本文引入了一种无导数卡尔曼滤波-基于重复确定性采样的平方根UKF(Square Root-Unscented Kalman Fiher.SR-UKF)估计方法,并对其状态方差阵及随机噪声方差阵Cholesky分解更新公式做了改进,避免了导数的运算,有效地确保方差阵及其平方根的正定性从而抑止了发散.将这种无导数卡尔曼滤渡应用于GPS/DR组合导航系统的状态估计上,仿真结果表明本文所改进的方法在滤波的精度和鲁棒性上均优于EKF和UKF.     

Unscented卡尔曼滤波在状态估计中的应用

针对非线形系统的滤波问题,无法使用卡尔曼滤波器（KF）,扩展卡尔曼滤波（EKF）方法虽能应用于非线形系统,但给出的是状态的有偏估计,并且对模型误差的鲁棒性较差。为了给出更好的状态估计值,该文介绍了Unscented卡尔曼滤波（UKF）的基本原理。其思想是：基于unscented变换,UKF滤波算法能够给出更精确的均值和协方差的估计,从而带来更高的精度。最后通过Mackey—Glass模型时间序列的状态估计仿真实侧说明：同EKF相比,UKF的滤波精度和稳定性都显著提高了,还可避免计算烦琐的Jacobi矩阵,是一种良好的非线性滤波方法。     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题,提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题,并补偿低成本的惯性传感器陀螺仪和加速度计的误差,从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明UKF参数设计简单,姿态估计误差小于EKF,方差估计优于EKF,估计精度、计算量基本与EKF相当．因此,UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

基于渐消记忆自适应Kalman滤波的GPS/DR数据融合

针对标准的卡尔曼滤波器对系统模型依赖性强、鲁棒性差,而GPs/DR系统的精确系统模型难以建立的问题,提出了一种渐消记忆自适应联邦卡尔曼滤波器.融合了自适应联邦滤波算法和SageHusa自适应滤波算法,估计变化的系统观测噪声方差阵,使之更符合真实的模型,并有效对GPS的定位数据的传统算法的发散得到收敛,提高组合定位的精度.计算机仿真结果表明了该算法的可行性和有效性.     

基于UKF的编队卫星的相对姿态确定算法

针对编队卫星相对姿态确定问题,采用一种改进的无迹卡尔曼滤波UKF进行了系统滤波器设计,根据UKF滤波器的性质,推导出了适用于编队卫星相对姿态确定的UKF滤波算法.较之传统的EKF滤波器,UKF不仅提高了滤波精度,简化了计算过程,减少了计算量,而且更易于实现.应用四元数法描述卫星姿态,避免了欧拉角法的奇异性问题.仿真结果表明,UKF滤波器收敛速度大大高于EKF滤波器.而状态估计精度与EKF相当,方差估计优于EKF,且数值稳定性好.     

基于联邦UKF算法的移动机器人自主组合导航

组合导航技术是解决地面机器人自主导航的一个有效途径,其中GPS/DR是一种典型的组合方式。常用的卡尔曼滤波主要用于处理线性问题,针对该导航系统非线性的特点,对Unscented卡尔曼滤波（UKF）与分散式滤波技术相结合的方法进行了研究,建立了用于GPS/DR导航系统的联邦UKF算法。数值仿真实验表明,联邦UKF比联邦EKF有更好的滤波精度,同时有更高的稳定性和容错性,是一种理想的GPS/DR导航非线性滤波方法。     

基于WT-UKF 的PDR/GPS 组合定位算法

针对行人航迹推算(PDR) 与全球定位系统(GPS) 组合定位问题, 提出一种基于小波变换(WT) 的无迹卡尔曼滤波(UKF) 改进算法, 对PDR 和GPS 定位结果进行数据融合. 建立PDR/GPS 组合定位系统数学模型, 采用小波变换对运动加速度信号噪声特性进行在线估计, 以更新UKF 的协方差矩阵. 所提出的WT-UKF 滤波算法弥补了传统UKF 算法因人为假定信号噪声为高斯白噪声而影响滤波效果和精度的缺陷. 实验结果表明, 使用WT-UKF 滤波算法对PDR/GPS 进行数据融合时稳定性更强, 精度更高.     

基于UKF的GPS/DR组合导航非线性状态估计

GPS／DR组合导航系统是一个非线性系统,以往采用的扩展卡尔曼滤波算法EKF使得函数的整体特性被局部特性所代替,加上噪声的存在使系统的性能进一步下降。为了获得更好的状态估计性能,用无迹卡尔曼滤波算法UKF（Unscente dKalman Filter）实现组合导航系统的非线性状态估计,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和载体的定位精度。仿真结果表明：在非线性状态估计中,UKF滤波方法优于EKF滤波方法。     

强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

除冰机器人的多传感器融合障碍测距方法研究

障碍物测距是高压输电线路自主除冰机器人的关键技术之一。针对220 kV输电线路除冰机器人的结构特点,提出了一种基于扩展卡尔曼滤波的障碍物距离信息融合检测方法。首先根据障碍物分布情况设计了除冰机器人多传感器检测系统的结构,建立了障碍物信息融合系统模型。然后根据障碍物信息状态模型的非线性特点,对传感器获取的异步测量数据进行同步处理,再应用改进的扩展卡尔曼滤波对多传感器信息进行滤波和融合,并与单个传感器的结果相比较,实验结果研究表明：该方法能有效地融合不同传感器的信息,具有更高的测距精度和更快的收敛速度。     

基于MAEKF算法的航姿参考系统设计

构建了以低成本MEMS陀螺仪、加速度计和磁传感器组合的航姿参考系统,提出了一个乘性自适应扩展卡尔曼滤波算法.取乘性误差四元数和陀螺仪误差作为状态量,基于重力场和磁场构造了量测矢量,用于修正航姿数据.并采用准确量测法,给滤波器加入了四元数的归一化约束,最后给出了基于新息的估计量测噪声方差矩阵的公式.通过仿真和试飞验证,表明本文设计的低成本的航姿参考系统能够提供比较准确的航姿信息.与常规的扩展卡尔曼滤波器比较,本文设计的乘性自适应扩展卡尔曼滤波算法有效提高了系统的精度和稳定性,并且具有较好的鲁棒性.     

基于距离参数的混合坐标系下UKF纯方位单站目标跟踪算法

针对纯方位单站目标跟踪问题,本文提出了一种基于距离参数的混合坐标系下UKF算法.该算法通过将UKF运用于混合坐标系中,不仅计算简单、精度高、稳定性好,还方便了引入过程噪声,较传统修改极坐标方法提高了运动模型的普适性.另外,通过距离参数化技术,该算法有效避免了纯方位单站定位易受滤波器初始值影响的问题.最后,本文大量的数值仿真结果也进一步验证了该算法的有效性和可行性.     

变维卡尔曼滤波算法在车辆导航系统中的应用

对GPS车辆定位中常用的卡尔曼滤渡技术的扩展与应用进行研究，针对车辆机动目标给出变维卡尔曼滤波（VD-kalman）算法，避免可能产生的发散情形。仿真结果表明该方法能够有效的提高滤波数值的稳定性和运用GPS进行车辆定位的精度。     

基于陀螺/星敏感器的微小卫星姿态确定方法研究

在热备份的余度配置陀螺与星敏感器的组合定姿中,典型的三轴正交陀螺与星敏感器姿态确定算法受到限制;现以某微小卫星姿控系统为对象,设计了热备份的四陀螺系统与星敏感器组合定姿方法;数据处理时,利用最小二乘法将四陀螺测量系统构建为一个虚拟三轴正交陀螺,再将虚拟陀螺与星敏感器组成卡尔曼滤波器;该方法和典型的三正交陀螺与星敏感器组合定姿结构相同,实现简单,且在一陀螺发生故障时,能在不改变滤波器结构的情况下实现对故障陀螺的屏蔽;仿真验证了该方法的有效性。     

一种改进扩展卡尔曼滤波新方法

针对现有的迭代扩展卡尔曼滤波（EIEKF）跟踪时估计精度较低这一不足,提出了一种改进扩展卡尔曼滤波（NIEKF）新方法。本文将迭代滤波理论引入到扩展卡尔曼滤波方法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该方法与扩展卡尔曼滤波（EKF）、Unscented 卡尔曼滤波（UKF）、现有的迭代扩展卡尔曼滤波（EIEKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,改进扩展卡尔曼滤波（NIEKF）新方法具有更高的估计精度。     

UKF与EKF在空对海单站TO-TMA中的应用

探讨了目标运动分析(Target moving analysis,TMA)中基本的非线性估计问题,介绍了基于UT的UKF 算法的设计思想与具体实现,特别针对空对海单站无源到达时间TMA(TO-TMA)问题应用UKF和EKF进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了Monte Carlo仿真运行结果;表明UKF在该特定应用背景下,由于模型的非线性较弱,使得UKF在精度上与EKF相当,而且在运算量上也有所增加.     

集中式非线性抗差卡尔曼滤波算法研究*

针对实际中传感器的量测信息异常和传感器之间数据传输的错误时,融合系统中的数据会出现异常值(outlier)的情况,提出了一种集中式非线性卡尔曼滤波算法,该方法应用鲁棒统计理论,通过设计代价函数来对系统的量测噪声方差进行重新构造,并利用标准无味卡尔曼滤波(UKF)的观测更新算法对非线性观测方程进行滤波,该方法无需对观测方程进行线性近似,在保持鲁棒性的同时不损失UKF的滤波精度。通过一个简明实例说明了该方法在量测出现异常值的情况下依然能对目标进行有效的跟踪滤波,鲁棒性和滤波精度优于传统的Huber鲁棒跟踪方法。     

一种新型变增益UKF

UKF是一种适应用于非线性系统的非线性滤波器,其没有进行Jaclbian矩阵计算,有着EKF无法比较的优点.由于系统建模不准确等原因,UKF滤波算法不具备对系统突变状态的跟踪能力,使得在系统出现扰动或观测异常时会出现不稳定甚至发散等现象.提出了一种新型变增益无迹kalman滤波,并与标准无迹kalman滤波器进行了仿真实验对比.实验结果显示,该滤波器具有对系统突一次的强跟踪能力.