基于自适应滤波的惯性+多模卫星组合导航算法研究

惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力.     

基于速度约束与模糊自适应滤波的车载组合导航

针对车载组合导航系统中卫星信号易受遮挡而引起导航精度降低问题,提出采用车辆速度约束条件辅助的组合导航方案。利用车辆正常行驶过程中侧向和天向速度为零作为虚拟观测信息,推导得到卫星信号失效时组合导航滤波量测方程;考虑到Kalman滤波过程中量测噪声协方差矩阵难以获取,推导给出一种新的自适应Kalman滤波（ADKF）算法,该算法计算新息序列实际协方差与理论协方差比值后,利用模糊推理系统（FIS）自适应调节量测噪声协方差矩阵大小;通过光纤捷联惯性导航系统（SINS）进行了验证试验。结果表明：卫星信号失效时,虚拟速度组合能够提高SINS定位精度,其纬度最大误差由41.33 m减小为8.61 m,且采用FIS-ADKF组合导航算法时3个方向 位置精度相比标准Kalman滤波算法提高了60%以上,验证了所提出算法的有效性。     

基于投影寻踪的多维地磁匹配融合算法

单一地磁特征匹配算法容易受到特征量区域缓变特性的影响,从而降低了算法的定位精度。针对单一特征量匹配算法的区域性不可靠问题,提出了一种多维地磁匹配融合算法;该算法在建立多维地磁匹配特征量投影寻踪分类模型的基础上,采用组织进化数值优化算法对模型进行求解,算法根据采样数据的特点自适应获得各匹配特征量的定位贡献权重(可信度),将经过加权融合的匹配位置作为最终定位位置,避免了单特征量匹配的区域性不可靠问题。仿真结果表明,采用多维地磁匹配融合算法较单一特征匹配算法大大减小了全局匹配定位误差,验证了算法的有效性。     

一种新的可控粒子数无源定位滤波算法研究

在非高斯非线性的无源定位系统中,建立了一种基于相位差变化率的无源定位模型,提出了一种新的可控粒子数无源定位滤波(PCPLF)算法,该算法利用噪声均方差与有效粒子数之间的关系,通过自适应调节噪声均方差,将有效粒子数控制在一定的阀值范围内,使权值基本上服从均匀分布,能够避免粒子的严重退化,提高系统的定位精度及稳定性.最后通过计算机仿真验证了PCPLF算法能够有效提高定位精度及稳定性.     

自适应联邦滤波算法在鱼雷多参量导航定位中的应用

针对鱼雷水下航行的特殊性以及组合导航系统中由于量测噪声统计特性的不确定而导致滤波精度降低的问题,提出了一种新的应用于鱼雷导航定位的自适应滤波算法。该算法通过新息自适应量测噪声,在噪声统计特性未知的情况下能进行滤波计算。同时在信息融合时提出一种新的自适应信息分配方法,该方法利用估计的均方误差阵来实时确定各子滤波器的信息分配系数,使信息分配系数能够跟随子滤波器的性能而改变。通过对新算法与标准卡尔曼滤波算法所做的对比仿真试验分析,结果表明,该自适应联邦滤波算法在鱼雷多参量自适应联邦滤波导航定位应用中的有效性。     

基于粒子滤波的移动机器人跟踪定位算法

针对移动机器人在非线性系统中匀速运动的实时跟踪定位问题,对基于粒子滤波的移动机器人跟踪定位算法进行研究.在控制系统中引入粒子滤波算法,并在此基础上引入退化因子,最后进行仿真验证.结果表明:该算法能避免粒子滤波算法在非线性系统的失效和单样本等问题,改善移动机器人在跟踪定位系统中的非高斯噪声影响,明显提高移动机器人定位精度.     

磁力计/卫星组合测量标定和滤波算法

针对磁力计/卫星定位系统组合测量载体姿态角的现实问题,根据影响测量精度不同因素的特性,研究提高测量精度的方法。采用最小二阶乘算法对磁力计进行标定消除系统误差;采用离散卡尔曼滤波算法消除测量误差带来的影响。试验结果表明：对于标定之后的磁力计,采用本文中所述的滤波算法使得测量绝对平均误差从2.366 1%减小到0.592 6%,证明该方法是有效的。     

提高GPS定位精度的自适应IMM滤波算法

为提高GPS动态定位解算精度,将IMM算法引入到GPS定位解算中,利用匀速模型和当前统计模型进行交互。利用位置估计值与加速度的函数关系自适应调整加速度方差,同时引入强跟踪滤波器,提高模型对载体突发机动的自适应跟踪能力。利用SpirentGPS模拟器和NovAtel差分系统及NovAtel接收机分别进行了仿真实验和跑车实验。实验结果表明,该算法的定位精度优于标准的当前模型滤波算法和No-vAtel接收机。     

融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。     

基于粒子滤波的组合定位系统目标跟踪算法

因GPS技术在楼群密集的城市不能单独完成定位,文中采用GPS/DTMB组合导航新方案,又针对传统二维机动模型的不足,研究三维下的平面变速转弯模型,并作为运动目标的机动模型,同时仿真对比分析不同粒子数目下的粒子滤波算法(PF)跟踪效果,结果表明,200个粒子的误差均值为4.590 6 m,400个粒子误差均值为2.377 6 m,滤波后的轨迹与真实轨迹基本重合,定位跟踪效果好,且粒子数目越多,误差均值、标准差、方差越小,即定位跟踪精度越高。证明了GPS/DTMB组合导航新方案的可行性。     

高斯粒子滤波的局部光流运动匹配跟踪算法

针对目前大多数目标跟踪算法容易受背景干扰等问题,为了快速准确地进行目标跟踪,在基于粒子滤波跟踪方法的启发下,提出高斯粒子滤波的局部光流运动匹配目标跟踪算法。该算法首先采用高斯粒子滤波算法对未来时刻目标的位置状态进行估计假设,缩小目标搜索范围;然后对锁定范围内场景中的所有内容进行局部光流约束匹配计算,寻找最佳匹配位置;最后通过估计目标状态来获得跟踪目标。仿真实验结果表明,该算法特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

行人GNSS/PDR组合导航优化估计方法

基于全球卫星导航系统(GNSS)和行人航位推算(PDR)的组合导航系统是行人导航广泛采用的方案之一。为进一步提高GNSS/PDR组合导航系统的定位精度，提出一种基于图优化的GNSS/PDR组合导航方法。通过构建因子图表示状态和量测信息之间的概率依存关系，过去的所有状态都作为未知量在每一步进行迭代估计，通过最小化整体代价函数获取状态的最优估计。实际场景测试结果表明：与卡尔曼滤波算法相比，新方法能够进一步降低定位的平均误差，提高定位精度；两组实际场景测试的平均水平定位误差都降低了40%以上。实验结果证明了图优化算法可以有效地提高定位精度。     

基于PMF和TERCOM组合算法的水下地形匹配技术

南于自主式水下航行器的导航受海水环境的影响,其定位精度不高,目前较好的解决方法之一是采用水下地形匹配辅助导航系统.本文针对该系统最核心部分的匹配算法,提出了一种定位精度更高的组合算法.为了解决质点滤波(PMF)算法存在的计算量大、收敛速度慢和对初始误差比较敏感的问题,提出了一种将地形轮廓匹配(TERCOM)算法和PMF算法进行组合的方案.首先分析了搜索区域分辨率对PMF算法的影响,然后分别对以TERCOM为粗匹配、PMF为精匹配和以PMF为粗匹配、TERCOM为精匹配的两种组合算法进行了仿真比较.结果表明,第1种组合算法无论在大起伏地形还是在平坦地形中都显示出了更快的收敛性和更高的定位精度,是一种具有较高工程应用价值的算法.     

基于自适应比例修正无迹卡尔曼滤波的目标定位估计算法

针对无线传感器网络中基于接收信号指示强度(RSSI)定位系统在精确性和实时性方面存在的问题,提出了一种基于自适应比例修正无迹卡尔曼滤波(ASUKF) 的定位估计算法。通过分析RSSI 定位模型的特点,将定位问题转化为非线性系统估计问题。该算法在滤波过程中采用比例修正对称采样策略,并利用次优Sage-Husa 估计器实时处理系统噪声的统计特性,对目标位置和信道参数进行同时估计解算。实验及仿真结果表明,与标准UKF 估计算法相比,新算法有效减小了状态估计误差,提高了滤波的稳定性,定位精度更为准确。     

景象匹配辅助导航在弹道导弹末制导中的应用

对景象匹配定位导航的工作原理进行了数学化描述,讨论SINS/SMNS组合导航系统的信息融合算法,重点研究了其中两种信息融合算法：外推法和Lyapunov自适应滤波算法.通过仿真实验表明,景象匹配可有效地减小组合导航系统的位置误差.     

INS/GPS导航中联邦卡尔曼滤波算法

根据INS(惯性导航系统)和GPS(全球定位系统)不同的特点,将两者组合起来,在阐述联邦卡尔曼滤波原理基础上,设计了INS/GPS组合导航系统的滤波算法.对该组合系统的联邦卡尔曼滤波算法进行了仿真,仿真结果表明:在INS/GPS组合导航系统中采用联邦卡尔曼滤波,不仅提高了定位精度,而且保证了滤波的快速性.     

基于线性最小方差和递归最小二乘的融合算法

针对目前水下目标定位的数据融合算法定位误差较大,精度缺乏良好性能的情况,提出一种应用于水下分布式探测考虑节点可信度的基于线性最小方差估计(LMSE)和递归最小二乘(RLS)的自适应融合算法。该算法采用两级自适应调整得到最优加权因子,首先利用线性最小方差估计(LMSE)算法得到权系数的初始值,然后利用训练节点和递归最小二乘(RLS)算法自适应地调整达到最优。对水下静态和运动目标定位进行的仿真表明,相比单传感器定位,提出的融合算法的定位精度有约1～2个数量级的提高。     

一种鲁棒自适应容积卡尔曼滤波方法及其在相对导航中的应用

针对无人机编队相对导航系统中视觉导航传感器量测噪声服从非高斯分布的问题,提出一种带噪声估计器的鲁棒自适应容积卡尔曼滤波(CKF)算法。该算法将Huber求解线性回归问题与协方差匹配方法相结合,利用残差序列实时估计,调整系统过程噪声和量测噪声的统计特性,并采用遗忘加权参数对接收到的测量数据进行加权,从而准确地估计出无人机之间的相对位置、速度和姿态信息,提高了鲁棒CKF算法的自适应能力。仿真结果表明,与标准CKF算法和鲁棒CKF算法相比,该算法对受污染的噪声统计特性有较强的自适应性,估计精度高,鲁棒性更强。     

GPS/GLONASS/DR组合定位技术

GPS/GLONASS/DR组合定位是将卫星定位和传感器及里程仪的数据融合,给出最优估计输出,实现目标全球组合定位.分切换式和卡尔曼滤波组合.切换式分GPS/GLONASS和DR模式,若卫星定位信号失效或小于门限值则切换到DR模式.卡尔曼滤波由滤波器处理卫星定位和DR传感器及里程仪的数据,再将车辆位置、行车方向和定位误差等滤波估计值输入地图匹配模块,计算出匹配位置坐标,进行全局最优估计,得出最终的组合定位输出.     

高斯混合粒子滤波器在状态估计中的应用

标准粒子滤波算法中存在的影响状态估计性能的主要问题是再采样步骤带来的粒子枯竭。针对这一问题,介绍一种改进的粒子滤波算法,将高斯混合模型中的后验状态密度通过采用加权EM算法产生量测更新过程中的加权粒子集来重新获得。该步骤取代了重采样步骤中需要较多的粒子集,减轻了采样枯竭问题。通过仿真表明,与其它相关算法相比新算法提高了估计性能和降低了计算复杂性。