基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。     

多传感器组合导航系统的联邦 UKF 算法研究

多传感器组合导航系统是一种典型的非线性系统,为了提高其滤波精度,本文提出了多传感器组合导航系统联邦 UKF 算法。 首先,在建立多传感器组合导航系统的非线性状态方程及线性量测方程的基础上,对标准 UKF 进行了简化;然后,以简 化 UKF 为基础提出了多传感器组合导航系统的联邦 UKF 算法,并设计了姿态融合算法及其故障检测函数以验证该算法的容 错性能;最后,以 GNSS / CNS / SINS 多传感器组合导航系统为例进行了仿真验证。 仿真结果表明,相对于联邦线性卡尔曼滤波 器,联邦 UKF 算法可提高位置及姿态精度约 25. 8%、22. 2%,同时继承了联邦线性卡尔曼滤波器的容错性能。     

测量噪声方差未知的多传感器组合导航集中融合算法

目前,多传感器组合导航系统的信息融合方法是建立在测量噪声方差已知的基础上,然而测量噪声方差会随着内部及外部的干扰而发生变化。为此,本文首先将基于变分贝叶斯逼近的自适应卡尔曼滤波(variational Bayesian approximation based adaptive Kalman filter, VB-AKF)从单一组合导航系统扩展到多传感器组合导航系统;然后,提出了多传感器组合导航系统的两种集中融合算法,即基于VB-AKF的增广式集中融合算法及基于VB-AKF的序贯式集中融合算法,以解决测量噪声方差未知情况下的多传感器组合导航的信息融合问题;最后,通过SINS/GNSS/CNS/ADS多传感器组合导航系统对上述算法进行了仿真验证。实验结果表明,本文所提两种算法滤波精度相同、且接近于测量噪声方差已知情况下的理想集中融合算法(ICKF)。在整个仿真时段内,相对于传统集中式卡尔曼滤波器(TCKF)及具有容错功能的联邦卡尔曼滤波算法(FT-FKF),本文算法可提高位置精度分别为32%和90%、提高速度精度分别为38%和71%。     

基于AUKF的SINS/GPS紧组合导航系统研究

以无人驾驶中的导航定位技术为背景,研究了基于自适应无迹卡尔曼滤波器(AUKF)的SINS/GPS紧组合导航系统。设计了基于伪距和伪距率的SINS/GPS紧组合导航系统。针对常规UKF算法计算量大和容错性能差的问题,提出了一种基于比例调节因子的AUKF滤波融合算法。实验结果表明:对于SINS/GPS紧组合导航系统,基于比例调节因子的AUKF相比基于定常因子的UKF误差输出曲线更平滑,避免了非局部效应的影响,实现滤波精度的提高,具有良好的控制性能、跟踪能力和容错性能。     

基于联邦卡尔曼滤波器的容错组合导航系统设计

针对SINS/GPS/DVS全源组合导航系统在非理想状态下的容错性差,无法实现多源组合导航系统最优化的问题,建立基于卡尔曼滤波器的导航子系统局部滤波器和基于联邦滤波器的全源导航系统全局滤波器,设计了一种全源容错组合导航系统。通过仿真验证,该全源导航系统能够在子系统出现故障的情况下实现高精度导航,满足临界空间飞行器对导航系统精度和可靠性的要求。     

航空用多传感器组合导航信息融合的研究

在已有的SINS/GPS组合导航系统的基础上,将联邦kalman滤波算法与组合高度三阶回路算法动态结合,并利用改进型自适应滤波算法对系统进行实时系统噪声和量测噪声水平估计和修正,实现了SINS/GPS/高度计/磁罗盘多传感器组合导航系统有效融合。所设计系统综合利用了各传感器的优点,克服了各传感器的缺点,并能实时正确地测得载体的三维速度、位置和姿态信息,尤其是高度通道上的速度和位置信息,使多传感器组合导航系统能长时间、有效、稳定地进行飞行导航。经半实物仿真实验表明,所设计的组合导航系统具有较好的稳定性和较高的精度。     

遮挡环境下的基于 AKF 组合导航定位方法研究

GNSS / INS 组合导航系统已经得到广泛应用。 但是在 GNSS 系统受到环境限制时,松组合方案会失效。 星座几何布局 频繁变化等原因,会造成紧组合导航定位精度大幅下降。 针对这一问题,本文采用基于新息的自适应卡尔曼滤波紧组合导航方 法,设计了城市环境车载实验方案。 该方法以伪距、伪距率的误差作为观测量,进行滤波估算,同时根据新息的方差理论值与实 际值,构建自适应因子,对系统的量测噪声阵进行调整,进一步修正系统误差。 通过实验验证,在可视卫星数低于 4 颗的时间 内,此方法的三维定位误差相较于使用传统的卡尔曼滤波方法定位误差降低了约 24. 2%;在卫星可视条件频繁变化环境中,定 位误差最大降低了约 60%。 结果表明此方法在观测条件较差时,可以对卫星伪距的观测噪声进行调整,降低了状态误差,增强 滤波器的鲁棒性,从而提供更精准的位置信息。     

基于紧耦合GNSS/INS的高速列车精准定位方法研究

为了改善高速列车在行驶过程中定位不精准的现状,本研究采用全球卫星导航系统和惯性导航系统,构建了GNSS/INS紧耦合精准定位系统。提出等价权原理将UKF算法中的噪声协方差进行等价替换,使其能够在信息融合过程中对滤波增益进行调节,降低观测粗差带来的影响,提高UKF算法的鲁棒性。本研究在改进UKF算法的基础上,用地图匹配算法对滤波器处理后的定位数据进行再处理,进行仿真对比。结果表明：改进UKF算法和标准UKF算法仿真得到的位置速度误差曲线,其AVE和RMSE值均降低20%以上;又经过地图匹配算法处理后的定位精度更高,表明本研究能够提高高速列车的定位精准性、稳定性。     

基于无迹卡尔曼滤波的电力系统抗差动态估计

为解决电力系统动态状态估计准确性易受量测不良数据影响的问题,提出基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的电力系统抗差动态估计方法。在预测过程中引入时变噪声估计器处理未知系统噪声;利用新息向量判断量测是否存在异常,并使用基于测点正常率最大的静态估计方法辨识不良数据;然后构建更新因子矩阵降低不良数据在动态估计更新过程中的影响。将算法运用于IEEE 14节点标准系统中,仿真结果表明该方法估计结果准确且抗差效果良好。     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

改进自适应ADMCC-HCKF算法及在SINS/CNS/GNSS中的应用

针对传统容积卡尔曼滤波器(CKF)在非高斯噪声下滤波精度下降以及传统最大相关熵(MCC)算法收敛速度较慢的问 题,提出了一种改进的自适应相关熵高阶容积卡尔曼滤波(ADMCC-HCKF)算法。 该方法依据 MCC 迭代过程的误差变化自适 应调整核宽大小,核宽能够改变核参数对输入数据的敏感性,从而提高算法收敛速度及对非高斯噪声的处理能力。 基于非高斯 噪声环境,搭建 SINS / CNS / GNSS 组合导航实验,研究结果表明,改进的 ADMCC-HCKF 算法相比传统 HCKF 和基于常规 MCC 的 HCKF 算法具有更强的鲁棒性,在降噪性能及对非高斯噪声的适应性角度均有所提升的同时,滤波精度较 HCKF 算法提高 了 9. 63%。     

Integration of barometric and GPS altimeters via adaptive data fusion algorithm

An adaptive integrated navigation system, consisting of barometric altimeter (Baro) and GPS, is presented. The integration is achieved by using an adaptive data fusion algorithm with the filter gain correction. Proposed adaptive data fusion algorithm utilizes the measurement noise scale factor in order to reduce the effects of the incorrect barometric altimeter measurements on the estimation procedure. By using the algorithm, incorrect baro measurements are corrected by the system without any impact on the good estimation behavior. Performance of the proposed Baro/GPS integrated system is examined by simulations for altitude estimation of an aircraft.     

观测模型误差不确定的锂电池SOC估计方法

建立的锂电池非线性系统中存在不确定的观测模型误差时,会影响滤波器估计的精度和稳定性,严重时还会导致估计结果发散。针对这一问题,基于变分贝叶斯自适应滤波方法,提出了一种鲁棒UKF算法。该算法构建虚拟观测噪声用来补偿观测模型误差,并采用逆Wishart分布对虚拟观测噪声协方差建模。在变分迭代过程中,实现对系统状态和虚拟观测噪声协方差的联合后验概率估计,使估计结果自适应地逼近到真实分布。利用无迹卡尔曼滤波对系统状态进行更新。结合锰酸钾锂电池非线性模型进行仿真实验表明,该算法估计锂电池荷电状态具有很好的精度、跟踪速度以及鲁棒性。     

基于自适应SRUKF算法的电力系统动态谐波状态估计

针对传统无迹卡尔曼滤波(unscented kalman filter, UKF)谐波状态估计算法存在时变噪声和异常数据时估计准确度较差的情况,提出了一种基于自适应平方根无迹卡尔曼滤波(square-root UKF, SRUKF)的电力系统谐波状态估计算法。首先,针对时变噪声干扰,引入改进的Sage-Husa噪声估计方法实时估计噪声协方差。其次,针对异常数据干扰,引入异常数据修正方法,通过修正系数来降低异常数据对状态估计结果的影响。最后,通过搭建IEEE14节点系统验证自适应SRUKF算法的估计性能,能够有效地应用于电力系统的动态谐波状态估计。仿真结果表明,该算法在时变噪声和异常数据干扰时仍具有良好的估计性能。