新型联邦最小二乘滤波算法及应用

为克服多传感器信息融合时联邦Kalman滤波在系统噪声和测量噪声的统计信息不准 确时所存在的局限性,提出了一种基于最小二乘估计的新型联邦滤波算法,定义为联邦最小二乘 滤波.定性讨论了它与联邦Kalman滤波的关系,通过在INS/双星/GPS组合导航系统中的 实际应用进一步地比较两种算法.实测数据的仿真结果证明,在系统噪声和测量噪声不准确的情 况下,联邦最小二乘滤波的精度要高于联邦Kalman滤波.     

双重自适应联邦滤波在SINS-卫星组合中的应用研究

针对常规联邦卡尔曼滤波需要确切已知系统噪声统计特性的局限性,结合多信息组合导航中惯性导航系统噪声难以确切感知和卫星导航系统测量噪声不断变化的特点,提出了一种新的双重自适应联邦滤波算法。该算法不必知道系统噪声统计特性而能对测量噪声进行在线自适应调节,同时信息分配系数根据各卫星导航系统输出的几何精度因子(GDOP)进行自适应调节。通过SINS-GPS-Galileo-北斗组合导航系统将该算法与常规联邦滤波算法进行仿真比较,结果表明:该方法有效提高了组合导航系统的精度和可靠性,更适用于系统噪声未知和测量噪声不断变化的多信息组合导航系统。     

多传感器自适应容积卡尔曼滤波融合算法

当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题,提出了一种自适应容积卡尔曼滤波算法,构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计,并在测量异常时采用修正函数对滤波过程进行修正,有效提高了滤波估计的精度和对滤波发散的抑制能力;在集中式滤波结构和联邦式滤波结构的基础上,设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构,并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验,仿真结果证明了所提方法的有效性。     

DR/GPS组合导航非线性自适应信息融合算法研究

针对实际工程中组合导航系统采集数据融合处理问题,建立了系统实测数学模型,提出了基于非线性系统的自适应信息融合算法,将系统未建模部分及高阶项作为噪声项与状态向量进行耦合估计,改善滤波算法对模型误差以及噪声假设的敏感性,通过仿真对比验证算法改进前后的效果,并用于DR/GPS组合导航系统。实验结果表明提出的数据融合算法能够提高系统的精确性,具有一定的实用价值。     

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.     

一种自适应联邦滤波在车载组合导航中的应用

联邦滤波在组合导航的应用中,具有容错性好、滤波精度高、计算量小以及实时性好的特点,但在无法得到准确的系统模型时,使用联邦滤波会出现滤波精度低甚至发散的情况。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联邦滤波算法。其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联邦滤波方法。将此方法用于SINS/GPS车载组合导航系统中,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,其滤波精度和收敛速度要优于常规联邦滤波,是一种有效的车载组合导航算法。     

基于模糊卡尔曼滤波器的航天测量船组合导航系统

针对航天测量船组合导航系统实际工作环境,提出采用模糊卡尔曼滤波器,将模糊控制作为一个数据平滑窗口与常规卡尔曼滤波器相结合,利用测量数据中的残差序列、残差序列变化率和收敛因子等参数作为模糊控制输入,解决了导航系统中量测噪声不满足零均值白噪声的问题;对采用该算法的测量船组合导航系统进行了仿真实验,得到与理论分析相吻合的结果并提高了导航数据的精度;实验表明,采用该滤波技术的测量船组合导航系统是可靠的。     

抗差自适应Sage滤波及其在组合导航中的应用

针对卡尔曼滤波需要精确已知状态数学模型及其统计特性的问题,提出一种抗差自适应Sage滤波算法.该方法以Sage滤波为基本框架,吸收了抗差估计和自适应滤波的优点,利用Sage滤波开窗法求得观测残差向量和新息(预测残差)向量的协方差阵,由抗差估计方法确定观测噪声协方差矩阵,利用自适应因子调整动力学模型噪声协方差矩阵,以控制观测异常和动力学模型噪声对导航精度的影响.将提出的算法应用到捷联惯性导航(SINS)/合成孔径雷达(SAR)组合导航系统中,并与Kalman滤波和Sage滤波进行比较分析,仿真结果表明,提出的新算法不但能有效地控制观测异常和动态模型异常对状态参数估值的影响,而且能够抵制状态扰动,提高组合导航系统的滤波精度.     

自适应闭环H1滤波在组合导航系统中的实现研究

针对常规H∞滤波在组合导航系统中滤波精度不高的问题,采用闭环反馈的方法对滤波加以改进;并在闭环H∞滤波迭代方程中引入遗忘因子,利用量测噪声的变化自适应调整滤波增益,构成自适应闭环H∞滤波.理论分析表明,该改进的滤波算法降低了噪声十扰,但不影响H∞滤波本身的鲁棒性.无源北斗/SINS组合导航系统跑车数据的半物理仿真进一步表明,自适应闭环H∞滤波下的组合导航精度明显优于采用开环H∞滤波或不带有遗忘因子的闭环H∞滤波算法的导航精度,从而验证了改进滤波算法的有效性.     

GPS/DR组合导航FAIMM滤波算法仿真研究

研究GPS/DR组合导航滤波问题。GPS/DR组合导航系统量测噪声统计特性随载体机动发生变化导致传统滤波算法滤波效果下降,针对此问题,提出了一种模糊自适应交互式多模型(Fuzzy Adaptive Interacting Multiple Model,FAIMM)滤波算法,将模糊自适应无迹卡尔曼滤波(FAUKF)与交互式多模型无迹卡尔曼滤波(IMMUKF)相结合,不需要预先设置模型集就能实现对载体量测噪声模式的覆盖。仿真结果表明:改进算法能够实时调整滤波器量测噪声参数,适应组合导航系统量测噪声变化,得到了与模型集完备的IMMUKF相当的导航滤波效果。     

GPS/INS 超紧组合环路信息耦合模型及机理分析

在对不同GPS/INS超紧组合模型特点分析的基础上构建超紧组合中惯性与卫星环路信息耦合模型,提出了环路复制信号参量的外部控制方法,论证了超紧组合模型中环路信息与惯性导航结果的耦合机理.最后,进行了超紧组合耦合实验验证和分析,结果表明,超紧组合系统环路信号参量偏差与惯性状态误差间有着紧密的内在联系和深层次的耦合机理.     

自适应卡尔曼滤波在组合导航中的应用研究

对惯性导航系统（INS）与全球导航系统（GPS）分别进行了具体探讨,对比了两者的优缺点,针对INS／GPS组合导航系统中由于模型不准或因量测噪声的复杂多变造成的发散问题,引入了一种基于输出相关法的自适应卡尔曼滤波技术。通过在自适应滤波算法中推算最优稳态增益来调整量测噪声,抑制滤波器的发散,为GPS／INS组合导航系统实现高精度导航提供了有效的途径。仿真结果表明该算法能很好地对系统状态进行最优估计并适应系统噪声的变化,具有比常规卡尔曼滤波更高的导航精度。     

卡尔曼滤波系统和量测噪声自适应估计的关联性

卡尔曼滤波是惯导系统(INS)/GPS组合导航的主要算法之一,Sage-Husa算法是在卡尔曼滤波基础上,为减少系统噪声和量测噪声的不确定性对误差估计的影响而采用的自适应估计方法.对Sage-Husa算法提出了4条改进措施;并通过在3种数据扰动情形下的仿真计算发现,只对一类噪声做自适应估计更容易产生较大的偏差,对系统噪声和量测噪声两类噪声同时做自适应估计,其效果要优于只对一类噪声做自适应估计,把此现象定义为卡尔曼滤波的系统和量测噪声自适应估计的关联性.这个结果不同于一些文献的观点.此项研究对自适应卡尔曼滤波在INS/GPS组合导航的工程化应用有较高的实用价值.     

基于因子图算法的INS/GPS信息滞后处理方法

针对全球定位系统（GPS）信息滞后导致惯性导航系统（INS）/GPS组合导航系统实时性差的问题,利用因子图算法可以在一个信息融合时刻处理各信息源不同时刻量测信息的特点,提出了一种INS/GPS信息滞后处理方法。在系统接收到GPS信息之前,因子图模型中只添加关于INS信息的因子节点,经增量推理求出组合导航结果,保证系统的实时性。待系统接收到GPS信息之后,再将关于GPS信息的因子节点添加到因子图模型中,修正INS误差,从而保证系统长时间高精度运行。仿真结果表明,当上一时刻实时导航状态量对INS误差修正效果随GPS信息滞后时间变长而逐渐变差时,可以采用上一时刻刚刚完成量测更新的导航状态量实现INS误差的有效修正。因子图算法在保证系统精度的前提下,避免了GPS信息滞后对INS/GPS组合导航系统实时性的不良影响。     

Merits and limitations of using fuzzy inference system for temporal integration of INS/GPS in vehicular navigation

Most of the present vehicular navigation systems rely on global positioning system (GPS) combined with inertial navigation system (INS) for reliable determination of the vehicle position and heading. Integrating both systems provide several advantages and eliminate their individual shortcomings. Kalman filter (KF) has been widely used to fuse data from both systems. However, KF-based integration techniques suffer from several limitations related to its immunity to noise, observability and the necessity of accurate stochastic models of sensor random errors. This article investigates the potential use of adaptive neuro-fuzzy inference system (ANFIS) for temporal integration of INS/GPS in vehicular navigation. An ANFIS-based module named “P–δP” is designed, developed, implemented and tested for fusing INS and GPS position information. The fusion process aims at providing continuous correction of INS position to prevent its long-term growth using GPS position updates. In addition, it provides reliable prediction of the vehicle position during GPS outages. The P–δP module was examined using real navigation system data compromising an Ashtech Z12 GPS receiver and a Honeywell LRF-III INS. The proposed module proved to be successful as a modeless and platform independent module that does not require a priori knowledge of the navigation equipment utilized. Limitations of the ANFIS module are also discussed.     

一种模糊QR滤波及在组合导航中的仿真研究

总结了常用的自适应滤波的方法，并提出了一种基于模糊逻辑的自适应卡尔曼滤波技术，用模糊逻辑自适应推理器来“在线”修正卡尔曼滤波系统噪声协方差Q和测量噪声协方差R，从而使滤波器不断执行最优估计。仿真结果表明该方法可以提高GPS／INS组合导航系统的精度和可靠性。     

不确定多传感器系统鲁棒观测融合Kalman 预报器

对于带不确定模型参数和噪声方差的线性离散时不变多传感器系统, 用虚拟噪声补偿不确定参数, 系统转化为仅带噪声方差不确定性的多传感器系统. 用加权最小二乘法和极大极小鲁棒估计准则, 基于带噪声方差保守上界的最坏情形保守系统, 提出一种鲁棒加权观测融合稳态Kalman 预报器, 并应用Lyapunov 方程方法证明了它的鲁棒性, 同时给出了与鲁棒局部和集中式融合Kalman 预报器的精度比较. 最后通过一个仿真例子说明了如何搜索参数扰动的鲁棒域, 并验证了所提出的理论结果的正确性和有效性.

     

Indoor INS/UWB-based Human Localization With Missing Data Utilizing Predictive UFIR Filtering

A combined algorithm for the loosely fused ultra wide band (UWB) and inertial navigation system (INS)-based measurements is designed under the indoor human navigation conditions with missing data. The scheme proposed fuses the INS- and UWB-derived positions via a data fusion filter. Since the UWB signal is prone to drift in indoor environments and its outage highly affects the integrated scheme reliability, we also consider the missing data problem in UWB measurements. To overcome this problem, the loosely-coupled INS/UWB-integrated scheme is augmented with a prediction option based on the predictive unbiased finite impulse response (UFIR) fusion filter. We show experimentally that, the standard UFIR fusion filter has higher robustness than the Kalman filter. It is also shown that the predictive UFIR fusion filter is able to produce an acceptable navigation accuracy under temporary missing UWB-data.      

Multi-sensor Optimal Data Fusion for INS/GNSS/CNS Integration Based on Unscented Kalman Filter

This paper presents an unscented Kalman filter (UKF) based multi-sensor optimal data fusion methodology for INS/GNSS/CNS (inertial navigation system/global navigation satellite system/celestial navigation system) integration based on nonlinear system model. This methodology is of two-level structure: at the bottom level, the UKF is served as local filters to integrate GNSS and CNS with INS respectively for generating the local optimal state estimates; and at the top level, a novel optimal data fusion approach is derived based on the principle of linear minimum variance for the fusion of local state estimates to obtain the global optimal state estimation. The proposed methodology refrains from the use of covariance upper bound to eliminate the correlation between local states. Its efficacy is verified through simulations, practical experiments and comparison analysis with the existing methods for INS/GNSS/CNS integration.