基于UKF的GPS/DR组合导航非线性状态估计

GPS／DR组合导航系统是一个非线性系统,以往采用的扩展卡尔曼滤波算法EKF使得函数的整体特性被局部特性所代替,加上噪声的存在使系统的性能进一步下降。为了获得更好的状态估计性能,用无迹卡尔曼滤波算法UKF（Unscente dKalman Filter）实现组合导航系统的非线性状态估计,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和载体的定位精度。仿真结果表明：在非线性状态估计中,UKF滤波方法优于EKF滤波方法。     

GPS非线性估计中无导数卡尔曼滤波研究

在GPS领域应用的非线性估计方法中,扩展Kalman滤波(EKF)存在稳定性差、计算量大等缺陷.基于非线性变换思想的UKF(Unscented Kalman Filtering)中状态方差阵易失去半正定性.本文引入了一种无导数卡尔曼滤波-基于重复确定性采样的平方根UKF(Square Root-Unscented Kalman Fiher.SR-UKF)估计方法,并对其状态方差阵及随机噪声方差阵Cholesky分解更新公式做了改进,避免了导数的运算,有效地确保方差阵及其平方根的正定性从而抑止了发散.将这种无导数卡尔曼滤渡应用于GPS/DR组合导航系统的状态估计上,仿真结果表明本文所改进的方法在滤波的精度和鲁棒性上均优于EKF和UKF.     

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.     

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。     

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.     

CDKF方法在车辆组合导航中的应用

针对扩展卡尔曼滤波（EKF）在车辆导航中存在着计算复杂、线性化误差大等缺点,将一种新的非线性滤波方法——中心差分卡尔曼滤波（CDKF）用于车辆GPS／DR组合导航中。和普遍采用的EKF方法相比．CDKF方法不仅提高了车辆组合定位的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobian矩阵的计算,算法更简单,也更加易于实现。为了检验其有效性,将两种方法分别对车辆GPS／DR组合导航系统进行滤波仿真,仿真结果进一步表明CDKF方法明显优于EKF方法,是车辆组合导航中一种更理想的非线性滤波方法,真正实现了车辆低成本、高精度的实时定位。     

一种迭代离差差分滤波算法及其应用研究

针对扩展卡尔曼滤波（EKF）和迭代EKF量测更新过程采用线性化误差传递,导致状态估计精度偏低的问题,将迭代方法、统计线性化误差传递和离差差分滤波器相结合,建立了一种新型迭代离差差分滤波方法．将该方法应用于再入弹道目标状态估计,仿真实验结果显示,此方法降低了测量方程的非线性对滤波的影响,有效提高了目标的状态估计精度．     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

扩展风险性滤波算法的修正方法

针对非线性系统扩展风险性滤波(ERSF)估计精度较低的缺点,提出一种基于二阶Taylor展开对其进行高阶修正的算法.该算法利用高阶项对一阶扩展卡尔曼滤波(EKF)的状态估计向量及协方差阵进行适当修正,并由新息滤波方法得到修正的扩展风险性滤波(MERSF).高度非线性的仿真研究表明,所提出的算法在计算量增加不多的情况下,滤波精度有明显的提高.     

自适应模糊粒子滤波在组合导航中的应用

常用的卡尔曼滤波不能解决组合导航系统中的非线性问题,为了进一步提高组合导航系统定位性能,基于粒子滤波和模糊逻辑提出自适应模糊粒子滤波方法.该方法减小了对系统动态及工作环境的依赖,提高了对载体状态的估计精度.并且解决了组合导航系统中卫星信号被遮挡的情况下进行状态估计的问题.通过利用GPS与INS组合导航系统数学仿真证明了方法的可行性、及对组合导航系统的定位精度和鲁棒性的提升,是对于目前常用的组合导航算法的拓展和完善.有很好的应用价值.     

Nonlinear Kalman Filters and Particle Filters for integrated navigation of unmanned aerial vehicles

The paper studies and compares nonlinear Kalman Filtering methods and Particle Filtering methods for estimating the state vector of Unmanned Aerial Vehicles (UAVs) through the fusion of sensor measurements. Next, the paper proposes the use of the estimated state vector in a control loop for autonomous navigation and trajectory tracking by the UAVs. The proposed nonlinear controller is derived according to the flatness-based control theory. The estimation of the UAV’s state vector is carried out with the use of (i) Extended Kalman Filtering (EKF), (ii) Sigma-Point Kalman Filtering (SPKF), (iii) Particle Filtering (PF), and (iv) a new nonlinear estimation method which is the Derivative-free nonlinear Kalman Filtering (DKF). The performance of the nonlinear control loop which is based on these nonlinear state estimation methods is evaluated through simulation tests. Comparing the aforementioned filtering methods in terms of estimation accuracy and computation speed, it is shown that the Sigma-Point Kalman Filtering is a reliable and computationally efficient approach to state estimation-based control, while Particle Filtering is well-suited to accommodate non-Gaussian measurements. Moreover, it is shown that the Derivative-free nonlinear Kalman Filter is faster than the rest of the nonlinear filters while also succeeding accurate, in terms of variance, state estimates.     

CDKF在车载捷联惯导自对准中的应用

研究了车载捷联惯导在大方位失准角下的静基座自对准。采用Sigma点卡尔曼滤波,根据均值与协方差信息按非线性映射传播的特点,直接利用非线性模型,可以消除EKF存在的需要解析Jacobi矩阵以及将非线性系统线性化后的系统模型误差问题不易调整的弊端,其中的中心差分卡尔曼滤波(CDKF)精度高,且对状态协方差阵不敏感。仿真结果表明,在大方位失准角下采用CDKF进行初始对准,比用传统的EKF更精确且收敛速度更快。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法

卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义。针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移三种粗大误差,基于传统扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值。经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。     

Experimental Study of Iterated Kalman Filters for Simultaneous Localization and Mapping of Autonomous Mobile Robots

In this paper, we investigate the role of iteration in Kalman filters family for improvement of the estimation accuracy of states in simultaneous localization and mapping (SLAM). The linearized error propagation existing in Kalman filters family can result in large errors and inconsistency in the SLAM problem. One approach to alleviate this situation is the use of iteration in extended Kalman filter (EKF) and sigma point Kalman filter (SPKF) based SLAM. The main contribution is to present that the iterated versions of Kalman filters can increase consistency and robustness of these filters against linear error propagation. Experimental results are presented to validate this improvement of state estimate convergence through repetitive linearization of the nonlinear observation model in EKF-SLAM and SPKF-SLAM algorithms.     

粒子滤波理论及其在目标跟踪中的应用

非线性估计领域的经典算法是扩展Kalman滤波（EKF）,它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点。而粒子滤波采用一些带有权值的随机样本（粒子）来表示所需要的后验概率密度,而不是采用传统的线性变换,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点。对经典的纯方位跟踪问题进行了仿真。仿真结果表明,粒子滤波器的跟踪性能要远优于EKF的性能。     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.