变增益联邦KF组合导航定位算法研究

GPS接收模块解算出的伪距误差是GPS/INS组合导航系统的主要误差,采用一种二级联邦卡尔曼滤波组合导航算法加以削弱,将卫星接收模块解算出的伪距信息和多普勒频移信息在第一级卡尔曼滤波后,再通过主滤波器与INS模块解算出的信息进行修正处理,得到校正量和定位位置最优估计。随着滤波步数增加,系统预测误差方差阵逐渐趋于零,状态估计会过分依赖旧量测值,从而导致滤波发散,影响系统定位精度。为有效提高新量测值的修正作用,在联邦卡尔曼滤波组合导航算法中引入一种可变加权系数。仿真结果表明,改进后的变增益联邦卡尔曼滤波算法具备联邦卡尔曼滤波的优点,并且该算法滤波效果有较明显的改善,能有效抑制滤波发散,提高系统的定位精度。     

改进的Sage-Husa自适应算法及应用

针对标准卡尔曼滤波和Sage-Husa自适应卡尔曼滤波不能同时满足实时在线估计状态量测噪声阵和抑制滤波发散的问题，提出一种改进的Sage-Husa自适应卡尔曼滤波算法。在检测到量测异常时，在协方差匹配技术的最严格收敛判断条件，计算出次优滤波方法中新的状态估计均方误差阵的加权系数，通过新的状态估计均方误差阵对原来的状态估计均方误差阵进行修正，能有效抑制滤波器的发散。提高实际应用中，Sage-Husa自适应卡尔曼滤波算法在复杂不稳定环境中的稳定性与可靠性。将改进的算法放在BDS/INS系统中进行实验验证，实验结果表明，相比常规Sage-Husa自适应滤波算法，改进的Sage-Husa自适应卡尔曼滤波算法改善了上述系统的可靠性和自适应能力，最终有效的提高组合导航系统的性能。     

衰减因子自适应估计卡尔曼滤波比较研究

针对卡尔曼滤波算法发散的问题,从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波发散的原因,提出了新的衰减记忆卡尔曼滤波中衰减因子的自适应估计方法。该方法利用滤波残差序列在最优估计时为零均值白噪声的性质,分别检验滤波残差每一个分量得出衰减因子值,并与强跟踪滤波器进行了对比研究。仿真结果表明,新算法在系统噪声特性不准确的情况下,能自适应地估计出衰减因子的大小,抑制卡尔曼滤波估计的发散,滤波精度要高于强跟踪滤波器;且其推导形式简单、计算量小、适合于在线运算。     

一种改进的粒子滤波算法及其性能分析

针对非线性、非高斯系统状态的在线估计问题,提出了一种改进的粒子滤波算法。该算法采用Unscented卡尔曼滤波器（UKF）产生系统的状态估计,并在量测更新过程中加入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,较好地抑制了粒子退化问题。理论分析和实验表明：引入记忆衰减因子的粒子滤波,即衰减记忆无味粒子滤波（MAUPF）的性能明显优于标准的粒子滤波以及Unscented粒子滤波。     

一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

一种水下用改进互补滤波结合Kalman滤波联合修正算法

针对惯导系统器件自身及初始姿态阵的残留误差在导航定位解算过程中,会随着时间推移而产生累积效应,对导航定位精度产生严重影响,提出一种水下用改进互补滤波结合Kalman滤波联合修正算法。该算法结合了实际水下机动特性,采用平滑滤波及IMU输出模值联合对机动状态进行判定,采用基于PID的改进互补滤波,结合Kalman滤波在线修正算法,在定常运动段对误差进行估计修正。该算法适用于实际水下工作环境、动态响应速度快、稳态误差小,提高了水下导航定位精度。相应仿真实验验证了该算法的正确性及有效性。     

多新息抗差-自适应卡尔曼滤波定位算法研究

针对移动机器人在定位过程中,由传感器测量误差和机器人模型引起的位姿误差导致系统定位精度急剧下降的问题,提出了一种多新息卡尔曼滤波算法.在标准卡尔曼滤波的基础上,当传感器测量值存在误差时,引入抗差权因子,通过改变误差测量值的权值提高滤波器的估计精度;当机器人位姿存在误差时,引入自适应因子,通过调整状态协方差矩阵的大小抵制位姿误差引起的滤波发散.同时,引入了多新息,即多个时刻的新息向量,进一步提高此非线性系统的精度.实验表明:当存在测量误差和位姿误差时,该滤波算法能有效提高定位精度.     

多传感器目标状态与动态偏差联合估计算法

针对多传感器系统动态偏差估计问题,在不敏粒子滤波(UPF)算法的基础上,提出了一种修正的不敏粒子滤波(Modi-fied UPF,MUPF)算法.由于系统动态偏差引起的异常量测值时,MUPF算法利用滤波预测残差构建的调节因子控制新息协方差矩阵,进而调整滤波增益的大小;在不丢失有用新息的前提下,减小了异常量测对滤波估计结果的影响.利用上述算法与不敏卡尔曼滤波(UKF)算法和扩展卡尔曼粒子滤波(EPF)算法进行了仿真比较.结果表明,MUPF算法对系统动态距离和角度偏差估计的均方根误差(RMSE)明显小于UKF算法和EPF算法的估计结果,提高了估计精度和可靠性.显然,MUPF算法也适用于系统固定测量偏差估计和目标状态估计.     

一种新型高精度非线性滤波算法研究

针对非线性、非高斯系统状态的在线估计问题,提出了一种新的高精度粒子滤波算法。该算法通过引入积分修正因子,对积分卡尔曼滤波器的积分点进行在线修正,并采用修正后的积分卡尔曼滤波产生优选的建议分布函数,由于高精度地融入最新量测信息,一定程度上克服了权值退化问题。仿真实验表明,新算法具有较高的滤波精度,是一种有效的非线性滤波算法。     

基于衰减记忆UKF的高精度GPS定位估计

目前单机GPS接收机定位精度较低,主要是由于定位模型的不完善和定位估计算法的误差造成的.为了提高识别精度,提出了伪距和多普勒频移相融合测量模型,采用一种将衰减记忆平淡卡尔曼滤波算法(MAUKF)进行GPS定位估计,来提高单机GPS的定位精度.MAUKF是一种改进的卡尔曼滤波算法,通过引进衰减因子加强对当前测量数据的利用,以减小历史数据埘滤波结果的影响.经过GPS单机静态定位实验验证,算法能够提供优于传统滤波算法的定位估计精度,并可用于提高单机GPS定位精度.     

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。     

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.     

基于新息正交原理的抗差UKF及其在INS/GPS组合导航中的应用

为提高标准UKF对异常的量测噪声统计的鲁棒性,提出了一种基于新息正交原理的抗差UKF算法.该算法根据新息序列的正交性确定最优的抗差因子,而后通过对新息协方差阵引入抗差因子在线调整滤波增益,进而抑制异常量测对滤波解的影响.将提出的算法应用于INS/GPS组合导航系统进行仿真验证,并与标准UKF和现有的抗差UKF进行比较,结果表明,当量测噪声统计不准确时,提出的基于新息正交原理的抗差UKF滤波性能明显优于上述两种算法,提高了组合导航系统的定位精度.     

动态捷联惯导/多卫星组合导航自适应联邦滤波算法研究

研究了一种基于动态扰动的滤波算法,用以提高动态扰动情况下捷联惯导/多卫星组合导航系统 的精度和可靠性．该算法采用几何精度因子（GDOP）对量测噪声进行自适应调节,利用卡尔曼滤波器的新息 量对状态噪声协方差阵进行整体控制,同时根据具有时变特性的各子系统误差协方差阵对信息分配系数进行 自适应调节．通过对SINS/GPS/Galileo/北斗组合导航系统的仿真,分析对比了常规联邦滤波、Sage 自适应联邦 滤波和本文所提自适应联邦滤波算法．结果表明,该自适应联邦滤波算法能够有效抑制动态扰动,提高组合 导航系统的精度和可靠性．     

基于自适应扩展kalman滤波的SINS/GPS深组合研究

针对SINS/GPS组合导航系统噪声随时间变化引起卡尔曼滤波精度下降的问题,提出了一种噪声统计特性在线估计的自适应扩展卡尔曼滤波算法。算法首先基于新息序列实现了对观测噪声协方差的实时估计,然后基于系统方程采用协方差匹配算法完成了对过程噪声的实时跟踪。算法中尺度因子的引入进一步减小了泰勒展开造成的高阶截断误差,提高了滤波精度。仿真实验结果说明,与传统卡尔曼滤波算法相比,该算法能够实现对过程和观测噪声的完全估计,鲁棒性和精度都有明显提高。     

基于自适应卡尔曼滤波的导航信息融合方法

针对组合导航系统在测量噪声未知的情况下,常规自适应卡尔曼滤波方法的实时性难以满足的问题,提出了一种实时的自适应卡尔曼滤波方法.该方法通过一个简单的指数函数实时调节卡尔曼滤波模型中的测量噪声协方差矩阵,将测量噪声的理论协方差矩阵与实际协方差矩阵的差值作为指数函数的输入,将函数的输出值与上次测量噪声的协方差矩阵之和送入卡尔...     

基于极大似然估计的新息自适应滤波算法

针对噪声统计信息未知或时变情况下常规卡尔曼滤波估计精度下降甚至发散的问题,提出了一种基于极大似然估计的新息自适应滤波算法.算法对基于极大似然估计的常规新息协方差估值器进行限定记忆指数衰减加权修正,增加滑动窗口内新近新息协方差序列的利用权重;根据新息自适应原理,利用新息协方差估计值直接计算滤波增益矩阵,加快滤波器收敛速度的同时提高了滤波算法的估计精度.算法应用于捷联惯性导航系统/全球定位系统(SINS/GPS)组合导航系统,仿真实验表明:在噪声统计信息未知或时变情况下,算法具有更强的鲁棒性以及更高的滤波精度.     

组合导航系统滤波器截断误差抑制方法

组合导航系统作为重要的定位和姿态测量的技术手段,其基本设计思想是将GPS和SINS等导航设备输出的信息经过滤波器进行最优估计。但在采用Riccati方程更新协方差矩阵和计算Kalman增益过程中,截断误差随着迭代次数的增大而累积,破坏协方差矩阵的正定性和对称性,降低滤波器计算的数值稳定性,严重时导致组合系统故障发散。本文建立了Riccati方程一阶误差模型,从理论上分析截断误差对滤波器估计性能的影响,引入基于Bierman算法和Thorton算法的Kalman滤波器进行更新方法,解决了截断误差引起的滤波器数值稳定性的问题。通过强实时半物理仿真系统验证表明,相比于基于Kalman滤波器的系统,基于Bierman-Thorton算法的组合导航系统有更强的数值稳定性和较高的导航精度。     

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。