改进的UPF在GPS/INS导航中的应用

针对UPF（Unscented Particle Filter）由于计算量大而难以应用于GPS/INS（Global Positioning System/Inertial Navigation System）组合导航中的问题,提出一种基于全局采样的UPF算法。结合了最新的量测值,对粒子集整体利用一次UKF（Unscented Kalman Filter）算法产生建议分布,免去了UPF中对每个粒子循环套用UKF的环节,省去了重采样步骤,减少了UPF的计算量。仿真实验采用以伪距为观测量的状态变量为10维的非线性模型,结果表明,改进的UPF与PF相比,具有更高的估计精度,与UPF相比,具有更小的计算量,能够解决UPF难以应用于GPS/INS组合导航中的问题。     

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.     

列车组合定位中改进CPF算法的探讨

针对在GNSS/INS列车组合定位中普遍采用的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等滤波技术无法满足复杂的高速列车组合定位环境问题,研究了列车组合定位中改进的容积粒子滤波(CPF)算法,提出了基于改进CPF算法的列车组合定位信息融合技术。该算法采用马尔科夫链蒙特卡洛(MCMC)移动方法来解决粒子退化问题,进而提高滤波性能。使用Matlab对改进算法进行仿真,结果表明改进CPF具有更小的位置误差和速度误差,提高了列车非线性运动过程中的定位精度。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

量测不确定下多传感器自适应粒子滤波算法

针对量测不确定条件下多传感器量测数据的有效利用问题,提出一种多传感器自适应粒子滤波算法.利用随机采样策略和量测模型转移概率实现当前时刻多传感器量测集合的采样,通过粒子滤波中重采样步骤完成估计状态和量测集合的更新,进而依据重采样后单个传感器量测数目在传感器量测集合中的比重实现当前时刻传感器量测的确认.该算法通过有效量测的合理选择,改善了扰动对滤波精度和计算量的不利影响.理论分析和仿真实验均验证了所提出算法的有效性.     

新的改进K均值粒子群算法在组合导航的应用

在捷联惯导/卫星导航（SINS/GNSS）紧组合导航系统的非线性非高斯高动态模型中,一般K均值粒子群优化（PSO）算法易出现粒子退化、滤波发散等问题。针对上述问题,提出一种融入权值修正的K均值粒子群滤波方法。通过观测SINS/GNSS紧组合导航系统的精度因子(GDOP),来修正粒子权值,从而修正每个K均值的聚类中心的权重,进而优化粒子;并结合SINS/GNSS紧组合导航系统模型进行了仿真分析。结果表明在非线性非高斯高动态的情况下,该改进算法有效地抑制了滤波发散,提高了精度。     

一种新的粒子滤波算法在INS/GPS组合导航系统中的应用

为改善传统粒子滤波中的样本退化和样本枯竭问题, 提出一种新的粒子滤波算法. 在重要性采样中, 利用最新测量值, 结合差分滤波算法产生重要性函数; 在再采样中, 利用高斯混合模型近似状态的后验概率密度, 引入最大期望算法计算该高斯混合模型的参数, 并从该新分布中采样后验粒子集, 取代传统的再采样. 从而通过提高重要性函数对状态后验概率密度的逼近程度来缓解样本退化问题, 通过改进再采样实现过程来缓解样本枯竭问题. 把新算法应用到INS/GPS组合导航系统中, 仿真结果表明新算法的估计性能明显优于粒子滤波.     

基于改进粒子滤波的视频目标跟踪算法比较分析研究

针对标准粒子滤波算法存在的缺陷,本文引入了两种改进的方法,引入最新的量测信息,改进粒子滤波的建议分布。EKPF通过引入扩展卡尔曼算法改进粒子分布,UPF引入无味变换改进粒子的分布,并对其进行了仿真对比分析。实验结果表明,UPF算法优于扩展卡尔曼粒子滤波算法与标准粒子滤波算法。     

一种粒子滤波的改进算法

在强非线性、非高斯系统、高精度测量的环境下,针对粒子滤波（PF）算法的跟踪性能降低问题,提出一种PF的改进算法。由于PF算法的计算量虽然小但精度不高,而无迹粒子滤波（UPF）算法精度虽然很高但计算量过大,结合PF算法计算量小和UPF算法精度高的优势,提出一种PF改进算法。对PF、UPF和PF改进算法三种跟踪算法进行了仿真,结果表明,改进PF算法的跟踪精度和UPF的跟踪精度相当,但所需运算时间仅为UPF算法的35%左右。     

一种改进的高精度组合导航滤波算法仿真

在INS/GPS组合导航系统的研究中,为了解决非线性滤波算法在系统模型不确定情况下出现的滤波精度低、鲁棒性差的问题,提出了一种将强跟踪滤波算法与容积卡尔曼滤波算法(CKF)相结合的组合导航滤波算法(SMFCKF).SMCKF算法将强跟踪滤波算法中的多重次优渐消因子引入到CKF算法的状态预测协方差矩阵中,对不同的状态通道进行相应的渐消.通过建立INS/GPS组合导航系统的非线性模型,对改进的滤波算法进行仿真,结果表明改进的滤波算法提高了滤波精度和鲁棒性,滤波效果优于CKF算法,适合应用于INS/GPS组合导航系统中,为飞行器组合导航优化提供了参考.     

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。     

地球卫星自主天文导航滤波方法性能分析

在系统硬件精度无法改进的条件下,滤波方法是影响地球卫星自主天文导航精度和实时性的最重要因素,本文针对地球卫星天文导航工程应用的需求,研究了目前导航系统中应用最为广泛的扩展卡尔曼滤波(EKF)、Unscented卡尔曼滤波(UKF)、Unscented粒子滤波(UPF)3种滤波方法,在滤波周期和噪声分布影响下的导航精度和实时性.半物理仿真结果表明,在相同仿真条件下,Unscented粒子滤波方法具有最高的导航精度,但计算量也最大,EKF方法计算量最小,导航精度最低.本文结果可为地球卫星自主导航系统中滤波方法的选择提供参考和依据.     

Enhancing train position perception through AI-drivenmulti-source information fusion

This paper addresses the challenge of accurately and timely determining the position of a train, with specific consideration given to the integration of the global navigation satellite system (GNSS) and inertial navigation system (INS). To overcome the increasing errors in the INS during interruptions in GNSS signals, as well as the uncertainty associated with process and measurement noise, a deep learning-based method for train positioning is proposed. This method combines convolutional neural networks (CNN), long short-term memory (LSTM), and the invariant extended Kalman filter (IEKF) to enhance the perception of train positions. It effectively handles GNSS signal interruptions and mitigates the impact of noise. Experimental evaluation and comparisons with existing approaches are provided to illustrate the effectiveness and robustness of the proposed method.     

基于不确定融合的GPS/INS 组合导航滤波算法

针对实际车载组合导航系统测量中不确定噪声的问题,提出一种基于不确定融合估计的GPS/INS组合导航滤波算法,建立了导航系统的状态方程和观测方程;通过多信源不确定融合估计,得到多传感器的等效测量值以及误差方差阵;对系统方程进行滤波处理,得到车辆的准确位置。车载系统的实测数据表明,不确定噪声下的融合估计结果优于独立白噪声假设下的融合估计,并验证了所提出算法的有效性和实用性。     

一种改进Unscented粒子滤波及其应用研究

UPF(Unscented粒子滤波)克服了UKF(Unscented卡尔曼滤波)不适用于非高斯噪声系统的局限性和PF(粒子滤波)重要性密度函数难以选取的缺陷,但是,其仍易受到异常扰动的影响,且在计算迭代中协方差阵可能失去半正定性.针对此问题,提出抗差自适应Unscented粒子滤波算法.首先介绍抗差估计基本原理和自适应因子模型,在充分吸收抗差估计、自适应滤波和UPF算法优点的基础上,提出RAUPF算法,然后将RAUPF算法应用到单变量非静态状态增长模型中进行仿真计算,并与EKF和UPF算法进行比较,并进行复杂度分析.结果表明,提出的算法估计精度高于EKF和UPF算法的估计精度,估计值更加接近真值.     

Seamless navigation and mapping using an INS/GNSS/grid-based SLAM semi-tightly coupled integration scheme

Mobile Mapping Systems (MMS) with Inertial Navigation System / Global Navigation Satellite System (INS/GNSS) and mapping sensors have been widely developed in recent years. However current systems and results are still prone to errors, especially in GNSS-denied or multipath environments. To provide robust and stable navigation information, particularly for mapping in long-term GNSS-denied environments, we propose a semi-tightly coupled integration scheme which integrates INS/GNSS with grid-based Simultaneous Localization and Mapping (SLAM). Although traditional SLAM using LiDAR can map the GNSS-denied environment efficiently, it is only in local localization. The proposed integration scheme is based on the Extended Kalman Filter (EKF) with motion constraints. In this scheme, a measurement model for grid-based SLAM is aided by the heading and velocity information. A special innovation of this scheme is the improved fusion of GNSS/INS with the use of grid-based SLAM serves like virtual odometer and virtual compass, thus gaining reliable measurements and error models to maintain good performance during INS-only mode. In addition, the initial values for example position and heading, are given to solve global localization and loop closure problems in SLAM. Finally, a smoothing and multi-resolution map strategy are applied offline to increase the robustness and performance of the proposed grid-based SLAM. Evaluation based on experimental data shows the significant improvement by the proposed semi-tightly coupled integration scheme with low-cost INS/GNSS and LiDAR, which is able to achieve 1–2 m’ accuracy in terms of positioning and mapping. An approximately 60% improvement was achieved during long-term GNSS-denied environments using the proposed integration scheme.     

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。