UKF在INS/GPS组合导航直接法滤波中的应用

INS/GPS组合导航系统直接法滤波中是直接以导航系统输出的导航参数(位置、速度等)作为状态,所以系统方程为非线性方程。UKF(Unscented Kalman Filter)是一类以UT变换为基础,以卡尔曼线性滤波为框架,采用确定性采样策略逼近非线性分布的非线性滤波算法。由于它是对后验概率密度进行近似来得到滤波估计,所以避免了非线性系统中状态方程的线性化问题,能较好地解决系统方程非线性问题。论文INS/GPS组合导航系统中采取直接法,建立非线性模型进行UKF滤波解算,并与EKF方法比较,实验结果显示UKF方法能更好地解决系统状态方程非线性的问题,并得到更高的导航精度。     

基于非线性滤波的无人机组合导航新方法研究

提出一种基于微惯性测量装置/多卜勒测速系统的无人机组合导航新方法,并采用非线性滤波-Unscented卡尔曼滤波(UKF)来解决系统状态方程和量测方程的非线性问题.首先,采用低精度的微陀螺和微加速度计作为惯性测量器件构成MIMU,将其与多卜勒测速系统(DVS)构成MIMU/DVS组合导航系统;然后,以MIMU和DVS的系统误差作为状态,利用各子系统输出的速度信息构造量测,设计卡尔曼滤波器,采用UKF法对导航系统误差进行估计,进而对系统进行误差校正.仿真结果表明,基于非线性滤波的MIMU/DVS无人机组合导航新方法具有较高的导航精度,同时有效地降低了系统成本,具有良好的工程应用价值.     

直接法UKF在组合导航中的应用

提出直接法卡尔曼滤波(UKF)应用于GPS/捷联惯导(SINS)组合导航,避免对非线性系统的线性化。选择SINS惯导系统输出位置和速度作为系统状态,GPS输出的导航参数作为观测量,使用IMU提供的姿态,用UKF方法结合反馈法对组合导航参数直接进行估计,不仅可以避免了每次导航复杂的初始对准过程,同时保持参数误差不会无限增大。根据是否出现GPS中断两种情况进行,实验结果表明,可以直接使用IMU提供的姿态对智能清洁船的定位导航。     

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.     

INS/GPS/电子罗盘组合导航系统研究

根据船舶导航系统对导航精度的要求,利用联邦卡尔曼滤波技术,分别确立了INS/电子罗盘子滤波器和INS/GPS子滤波器的组合模式,设计了船舶INS/GPS/电子罗盘组合导航系统;仿真结果表明,将联邦卡尔曼滤波理论应用于INS/GPS/电子罗盘组合导航系统可以获得较为满意的导航精度.     

车载INS/GPS组合导航系统建模与仿真

为了准确地对车辆进行定位,实现导航功能,将两种常用的导航定位技术GPS定位导航技术与惯性导航技术进行组合,介绍了INS/GPS组合导航系统的仿真方案。因车载组合导航系统对精度的要求不是很高,采用低成本的机械陀螺和加速度计作为惯性导航系统的测量器件。INS/GPS组合导航系统采用位置和速度组合模式,分别给出纯INS,纯GPS,组合导航系统的位置误差比较。结果分析表明,组合导航系统精度高于INS和GPS分别独立工作时的精度。     

基于cubature Kalman filter的INS/GPS组合导航滤波算法

INS/GPS组合导航系统的本质是非线性的,为改善非线性下INS/GPS组合导航精度,提出将一种新的非线性滤波cubature Kalman filter（CKF）应用于INS/GPS组合导航中.为此,建立了基于平台失准角的非线性状态模型和以速度误差及位置误差描述的观测模型,分析了CKF滤波原理,设计了INS/GPS组合滤波器,对组合导航非线性模型进行了仿真.仿真结果显示,相对于扩展卡尔曼滤波（EKF）,CKF降低了姿态、位置和速度估计误差,CKF更适合于处理组合导航的状态估计问题.     

神经网络在MEMS-IMU/GPS组合导航中的应用研究

针对基于MEMS传感器组成的INS/GPS组合中GPS信号缺失的情况下,系统误差瞬时增大,滤波迅速退化无法继续工作的问题,本文提出利用神经网络辅助INS/GPS导航系统以解决这一问题的方法.该方法首先建立系统模型,用组合导航的输入作为网络模型的输入,通过网络训练得到输出需要参数,结合卡尔曼滤波用于组合导航以继续使导航系统工作,仿真结果表明该方法可行和有效性的.     

基于粒子滤波的GPS/DR组合导航算法研究

对于车载GPS/DR(全球定位系统/航位推算)组合导航系统的算法研究,大多采用扩展卡尔曼滤波,但是应用扩展卡尔曼滤波时,非线性系统必须要进行线性化,从而导致滤波结果有较大的误差.为此将粒子滤波算法用于车载GPS/DR组合导航系统中,并建立了GPS/DR组合导航系统的状态方程和观测方程.为了检验其有效性,将两种方法分别对车载GPS/DR组合导航系统进行滤波仿真,仿真实验结果表明粒子滤波比扩展卡尔曼滤波有更好的滤波效果,更能减少定位误差.     

基于伪距的GPS/INS滤波算法设计及仿真

提出一种以伪距和伪距率作为观测量的GPS/INS组合导航算法,使其适用于嵌入式GPS/INS组合导航系统产品的开发.针对目前市面卜的AHRS(姿态航向参考系统)的输出数据特性,以及课题组开发的GPS接收机的输出数据特性,提出一种简单易行的卡尔曼滤波算法.将姿态四元数递推方程与ECEF系下的位置、速度递推方程分别进行卡尔曼滤波,然后将滤波后得到的结果按照WGS-84模型转换为地理位置和速度.Matlab仿真与嵌入式系统运行结果表明设计的组合系统结构简单,稳定性好.避免了传统GPS/INS组合导航算法,要求惯性传感器精度高,计算量大,耗费硬件资源多的问题.     

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。     

多导航传感器的数据融合处理方法研究

在舰船导航过程中为克服单一模型的卡尔曼滤波器对真实系统状态参数发生变化时造成滤波误差过大甚至发散的现象,将多模自适应控制用于导航数据融合处理方法中,设计了组合导航系统的多模型自适应卡尔曼滤波器,通过数字仿真将单一模型的INS/GPS/Doppler组合导航系统与多模自适应控制的组合导航系统的性能进行了比较,表明了多模自适应控制在组合导航系统中可以改善系统的瞬态响应和覆盖大范围的参数不确定性,提高了组合系统的导航精度.     

GPS信号自适应抗干扰系统

针对GPS卫星信号易受干扰,不稳定的问题,提出INS/GPS组合导航抗干扰的方法并用硬件电路进行实现验证。给出了惯性器件的误差模型,采用松散组合方式,设计卡尔曼滤波器,取姿态、速度、位置的误差作为状态变量。提出以INS与GPS输出的东北天向速度误差作为滤波器观测量的方案。通过计算机的仿真和实验验证,对系统的精度进行了分析,证明该方案是可行的,实现实时滤波计算,并能满足导航的精度要求。     

基于结构分解的GPS/INS组合导航粒子滤波技术

针对粒子滤波应用于GPS/INS组合导航系统时难以保证滤波实时性的问题,提出一种基于线性/非线性结构分解的改进粒子滤波算法.改进算法对状态方程进行线性/非线性结构分解,分别采用重点采样和线性卡尔曼方式进行一步预测递推,充分发挥粒子滤波和卡尔曼滤波的特点,有效降低了粒子滤波的计算量,在保证GPS/INS组合导航系统滤波精度的条件下提高了组合滤波的实时性.     

INS/GPS组合导航系统卡尔曼滤波的并行实现*

本文采用并行处理技术对ＩＮＳ／ＧＰＳ组合导航系统中卡尔曼滤波的实时性问题进行了研究。     

Cubature Kalman Filter Under Minimum Error Entropy With Fiducial Points for INS/GPS Integration

Traditional cubature Kalman filter(CKF)is a preferable tool for the inertial navigation system(INS)/global positioning system(GPS)integration under Gaussian noises.The CKF,however,may provide a significantly biased estimate when the INS/GPS system suffers from complex non-Gaussian disturbances.To address this issue,a robust nonlinear Kalman filter referred to as cubature Kalman filter under minimum error entropy with fiducial points(MEEF-CKF)is proposed.The MEEF-CKF behaves a strong robustness against complex nonGaussian noises by operating several major steps,i.e.,regression model construction,robust state estimation and free parameters optimization.More concretely,a regression model is constructed with the consideration of residual error caused by linearizing a nonlinear function at the first step.The MEEF-CKF is then developed by solving an optimization problem based on minimum error entropy with fiducial points(MEEF)under the framework of the regression model.In the MEEF-CKF,a novel optimization approach is provided for the purpose of determining free parameters adaptively.In addition,the computational complexity and convergence analyses of the MEEF-CKF are conducted for demonstrating the calculational burden and convergence characteristic.The enhanced robustness of the MEEF-CKF is demonstrated by Monte Carlo simulations on the application of a target tracking with INS/GPS integration under complex nonGaussian noises.     

A Filtering Approach Based on MMAE for a SINS/CNS Integrated Navigation System

This paper explores multiple model adaptive estimation (MMAE) method, and with it, proposes a novel filtering algorithm. The proposed algorithm is an improved Kalman filter-multiple model adaptive estimation unscented Kalman filter (MMAE-UKF) rather than conventional Kalman filter methods, like the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). UKF is used as a subfilter to obtain the system state estimate in the MMAE method. Single model filter has poor adaptability with uncertain or unknown system parameters, which the improved filtering method can overcome. Meanwhile, this algorithm is used for integrated navigation system of strapdown inertial navigation system (SINS) and celestial navigation system (CNS) by a ballistic missile's motion. The simulation results indicate that the proposed filtering algorithm has better navigation precision, can achieve optimal estimation of system state, and can be more flexible at the cost of increased computational burden.