H∞滤波在GPS／INS组合导航系统中的应用研究

根据H∞鲁棒滤波理论,提出了基于H∞滤波技术的GPS／INS全组合导航系统,利用了GPS和INS提供的位置、速度和姿态信息,并对该系统的滤波算法进行仿真。仿真结果表明,在GPS／INS组合中采用H∞滤波,不仅保证了组合系统导航精度,提高了滤波的鲁棒性,而且能够防止滤波发散。     

带状态切换自适应滤波算法及其在GPS/INS中的应用

针对GPS/INS组合导航系统中观测噪声通常未知、导致卡尔曼滤波算法不稳定、滤波精度降低的问题,提出一种改进的自适应滤波算法.改进的自适应算法结合了简化的Sage-Husa滤波算法、滤波器发散判断依据和渐消滤波的思想,使得滤波器对量测噪声变化的鲁棒性变强,同时解决了简化的Sage-Husa滤波器容易发散的问题.通过建立GPS/INS组合导航系统状态方程和观测方程,对改进的新算法进行仿真测试.仿真结果表明,新算法对量测噪声未知的情况具有更好的适应性,提高了滤波器估计精度,表现出良好的滤波稳定性.     

改进神经网络辅助的GPS/INS组合导航算法

针对全球定位系统(GPS)和惯性导航系统(INS)组合系统中GPS中断时,导航性能会急剧降低的情况,提出了一种改进径向基神经网络结合自适应滤波辅助的组合系统导航算法.该算法探讨了遗传算法参数寻优和最近邻聚类学习算法,解决了径向基神经网络训练中参数合理选取的问题,构建了INS加速度增量、姿态增量与GPS位移增量之间的非线性映射模型.当GPS出现故障时,利用该映射模型和改进的自适应滤波实时预测出GPS伪位置与其对应的协方差,进而计算出预测位置辅助的导航解,利用实测数据对算法进行验证.结果表明:GPS发生故障情况下,改进径向基神经网络算法能够辅助组合系统解算出稳定的次优导航解,其精度明显优于纯INS导航.     

GPS/INS组合系统的多重渐消鲁棒容积卡尔曼滤波

在对适用于GPS/INS组合导航非线性模型的容积卡尔曼滤波进行深入研究的基础上,提出了一种改进的多重渐消H∞鲁棒容积卡尔曼滤波算法.基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;引入H∞鲁棒思想,构造多重渐消H∞鲁棒容积卡尔曼滤波器;提出采用一种奇异值分解的矩阵分解策略代替标准容积卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性.结果表明:改进的多重渐消H∞鲁棒容积卡尔曼滤波算法不仅能有效抑制滤波发散,提高算法的稳定性,还对观测异常值具有更高的鲁棒性;提出的新算法与标准容积卡尔曼滤波算法相比,X,Y,Z3个方向的位置精度分别提高了55.8%,46.6%和39.7%.     

GPS/INS组合系统在飞行器导航中的应用

概述了GPS,INS,GPS/INS组合系统及其优点,建立了连续线性系统的数学模型,研究了GPS/INS在飞行器导航中的具体应用,并讨论了其优越性,提出了利用GPS/INS组合系统等在不同飞行环境下进行自主导航和改进导航的方法.     

基于伪距残差相关性的GPS/INS紧耦合抗差滤波

提出了基于GPS伪距残差相关性的GPS/INS紧耦合抗差滤波算法.理论推导了GPS伪距观测值残差的计算方法,引入了相关函数对伪距残差进行相关性分析;分析了GPS/INS紧耦合导航的动力学模型和观测模型,基于残差相关性构建了紧耦合抗差滤波算法,利用实测数据验证了算法的有效性.结果表明:相比于非抗差滤波算法和传统的抗差滤波算法,基于GPS伪距残差相关性的抗差滤波能更灵敏地探测GPS/INS紧耦合中伪距观测值的粗差,并且通过抗差滤波因子抑制粗差对于导航结果的影响,提高GPS/INS紧耦合导航精度,而且通过控制粗差能够有效避免滤波发散现象的发生.     

IMU/GPS组合导航交互式多模型鲁棒滤波研究

在深入研究适用于低成本IMU/GPS组合导航系统非线性滤波的基础上,提出了一种基于交互式多模型自适应鲁棒容积卡尔曼滤波算法.该算法将交互式多模型算法引入H∞滤波容积卡尔曼滤波器,能够有效提升滤波算法的稳定性和质量.根据采集的低成本惯导GPS导航实验数据设计了两组滤波方案,性能分析结果表明,改进的交互式多模型鲁棒容积卡尔曼滤波算法位置估计精度提高了41.4%,速度估计精度提高了36.0%.同时设计的滤波试验结果表明该算法能有效抑制系统噪声取值不准确引起的滤波不稳定,尤其适用于噪声取值偏离最优值较多的情况,也即能够有效抑制野值对滤波结果的影响.     

基于有向图切换的INS/GPS组合导航VSMM算法

INS/GPS组合导航系统量测噪声统计特性随着载体机动、外界扰动等影响发生变化,传统的卡尔曼滤波方法对于这种量测噪声变化系统的滤波精度不高,甚至会出现发散现象。针对上述问题,将机动目标跟踪中的变结构多模型滤波算法引入INS/GPS组合导航滤波中,提出了一种基于有向图切换的变结构多模型INS/GPS组合导航算法,并对此算法进行了仿真。仿真结果表明:该算法能够适应系统量测噪声变化,定位误差小于交互式多模型算法,并有效地降低了滤波过程中的计算量。     

车载组合导航的自适应滤波

针对车载组合导航信息融合的高精度、高可靠性等要求,提出了一种组合导航的自适应集中滤波算法.该算法的主要思想是:以判别观测数据中的野值存在与否为算法切换条件,存在野值时采用改进的增益矩阵滤波处理方法,不存在野值时则采用模糊自适应集中滤波方法.将此方法用于SINS/GPS车载组合导航系统,实验表明,采用的这种自适应滤波方法,能够有效抑制滤波发散,滤波精度和收敛速度优于常规集中滤波,是一种有效的车载组合导航算法.     

基于Sage-Husa自适应滤波组合导航系统的仿真分析

基于Sage-Husa自适应滤波组合导航系统属于一种新型的飞行器导航系统,本文重点研究了有关这一导航系统仿真分析的问题,对系统的性能、优势以及存在的问题等进行了深入讨论.首先简要介绍了传统的以及改进后的Sage-Husa自适应滤波算法,并对组合导航系统的可行性以及全组合导航系统的实现过程进行了阐述,最后从数据处理算法以及具体的仿真分析两个角度出发对基于Sage-Husa自适应滤波组合导航系统的仿真结果进行了分析,并得出了最终结论.     

GPS/INS动态卡尔曼滤波优化算法

GPS/INS组合导航系统动态定位数据的随机误差消除的重要方法是卡尔曼滤波,但运用扩展卡尔曼滤波器进行动态定位滤波时,需要对系统模型和观测模型以及误差模型进行准确建模,特别是载体状态机动时滤波器跟踪能力不强。提出一种GPS/INS组合导航动态卡尔曼滤波的优化算法,引入遗忘因子限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,改善滤波器的动态性能,并进行计算机仿真实验。仿真结果表明,遗忘因子增加,滤波器的跟踪能力增强,使滤波器达最佳性能。该优化算法比普通的扩展卡尔曼滤波算法的动态跟踪性能好,从而可显著提高导航系统定位精度。     

一种基于极大似然准则的自适应卡尔曼滤波算法

在系统不能确切建模或模型本身会产生改变的应用场合，传统卡尔曼滤波算法的性能受到直接影响，甚至无法正常应用。基于标准卡尔曼滤波假设，利用极大似然估计准则推导了一种新的自适应卡尔曼滤波算法，这种滤波算法的主要思路是利用新息序列对系统和量测噪声方差阵Q和R实时估计和调整，以实时反映系统模型的变化。在相关理论分析的基础上，针对低成本惯性／GPS组合导航系统对这种自适应卡尔曼滤波方法的性能进行了仿真分析，与传统卡尔曼滤波算法进行了比较，探讨了这种算法的实用性。     

Adaptive Federal Kalman Filtering for SINS／GPS Integrated System

A new adaptive federal Kalman filter for a strapdown integrated navigation system/global positioning system (SINS/GPS) is given. The developed federal Kalman filter is based on the trace operation of parameters estimation‘s error covariance matrix and the spectral radius of update measurement noise variance-covariance matrix for the proper choice of the filter weight and hence the filter gain factors. Theoretical analysis and results from simulation in which the SINS/GPS was compared to conventional Kalman filter are presented. Results show that the algorithm of this adaptive federal Kalman filter is simpler than that of the conventional one. Furthermore, it outperforms the conventional Kalman filter when the system is undertaken measurement malfunctions because of its possession of adaptive ability. This filter can be used in the vehicle integrated navigation system.     

基于遗传模糊控制的智能自适应滤波算法

组合导航中软故障难以检测,致使卡尔曼滤波精度降低甚至发散.为提高滤波的容错性,提出了一种基于遗传模糊控制的智能自适应滤波算法.首先针对软故障提出一种模糊自适应滤波算法,算法中通过监测观测量新息及其变化率,应用模糊控制系统计算观测质量因子,并对滤波器量测噪声阵进行在线自适应调整,从而抑制软故障对滤波的影响,保证滤波的精度,提升容错性能.然后,利用自适应遗传算法对隶属度函数的参数进行优化,从而进一步提高算法的整体精度.利用本文提出的算法在SINS/CNS/GPS导航平台上进行了定位实验,结果显示该算法有效,在软故障存在时,定位精度小于2m,测速精度小于0.1m/s.     

气压高度表增强GPS组合导航系统数据融合

针对在精密进场着陆阶段GPS信号易受干扰及高度准确性较差、气压高度表对气压及温度敏感的特点,提出了一种提高垂直方向定位精度的组合导航系统。基于GPS定位误差、气压高度表误差以及其“当前”统计模型,建立了系统的状态方程和观测方程,给出了采用迭代Kalman滤波的数据融合算法。理论分析仿真和实验结果表明,迭代Kalman滤波算法提高了垂直方向上的定位精度与实时性,改善可用性,性能优于Kalman滤波,保证了飞机在进近阶段的安全性和可靠性,可以作为精密进近阶段的着陆引导系统.     

模糊逻辑在NGIMU/GPS组合中的应用

由于加速度计输出动态噪声的存在,无陀螺惯性测量组合(NG IMU)导航误差随时间迅速累积.采用传统卡尔曼滤波方法进行NG IMU/GPS组合导航系统设计时,又由于观测噪声的复杂性,造成滤波结果不明显.针对上述噪声统计特性不易确定的特点,基于NG IMU九加速度计配置方案,提出利用模糊逻辑自适应卡尔曼滤波方法进行NG IMU/GPS组合导航系统设计.模糊逻辑自适应卡尔曼滤波器(FLAKF)通过对噪声方差进行修正,将卡尔曼滤波器调整到最优状态.同时进行了系统位移、速度、角速度仿真,仿真结果验证了模糊逻辑自适应卡尔曼滤波方法的可行性.     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

联邦卡尔曼滤波器在无人机导航系统中的应用

针对无人机GPS／RP／DR组合导航系统的特点，设计了用于该系统的联邦卡尔曼滤波器。该滤波器具有全局最优性，其结构遵循信息分配原则，其算法改善了数值计算的稳定性和系统的容错性，并减少了信息传输量与计算量。理论分析及仿真结果表明，该联邦卡尔曼滤波器能够满足无人机在GPS或RP信号无效或两信号均短期无效情况下定位导航的精度要求。     

GPS/DR组合定位系统信息融合技术

在分析GPS/DR组合定位系统特点的基础上,设计了一种改进的联邦卡尔曼滤波器结构。对于GPS线性子系统采用标准卡尔曼滤波器,对于DR非线性子系统则采用无察觉卡尔曼滤波器。主滤波器采用动态信息分配系数对子滤波器的结果进行最优估计,并对DR子系统进行误差补偿,部分削减DR的误差累积效应。实验结果表明,算法能够满足车载导航系统的定位要求,并且在GPS误差较大时保持系统较高的可靠性和定位精度。