GPS/INS动态卡尔曼滤波优化算法

GPS/INS组合导航系统动态定位数据的随机误差消除的重要方法是卡尔曼滤波,但运用扩展卡尔曼滤波器进行动态定位滤波时,需要对系统模型和观测模型以及误差模型进行准确建模,特别是载体状态机动时滤波器跟踪能力不强。提出一种GPS/INS组合导航动态卡尔曼滤波的优化算法,引入遗忘因子限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,改善滤波器的动态性能,并进行计算机仿真实验。仿真结果表明,遗忘因子增加,滤波器的跟踪能力增强,使滤波器达最佳性能。该优化算法比普通的扩展卡尔曼滤波算法的动态跟踪性能好,从而可显著提高导航系统定位精度。     

自适应卡尔曼滤波在载波相位平滑伪距中的应用

对于高精度GPS定位,应用传统的载波相位平滑伪距算法会使定位的连续性和精度受到影响,在高动态GPS环境中甚至无法正常应用.基于标准卡尔曼滤波算法假设,利用极大似然准则推导了一种新的应用于载波相位平滑伪距的自适应卡尔曼滤波算法,这种滤波算法利用新息序列分别对系统过程噪声方差和量测噪声方差进行实时估计和调整,得到适用于动态定位的载波相位平滑伪距所需的最优平滑时间常数.在相关理论分析的基础上,对自适应卡尔曼滤波算法的稳定性进行了分析.动态定位仿真结果表明,与传统的载波相位平滑伪距算法相比,自适应卡尔曼滤波算法可以有效改善定位的精度和稳定性.     

观测噪声时间相关的动态定位算法

在动态定位数据处理中,动态定位的精度和可靠性除受观测偶然误差和系统误差的影响外,还受时间相关的观测噪声的影响.在观测噪声不满足时间不相关的假设情况下,卡尔曼滤波将达不到最优滤波效果,并且其误差协方差阵也是错误的.分析了测量噪声时间相关对卡尔曼滤波结果的影响,给出了观测噪声时间相关时的卡尔曼滤波递推公式.实例计算结果表明,采用该算法能够有效地消除测量噪声相关性对滤波结果的影响.     

一种改进的低成本车载MIMU/GPS组合导航系统算法

针对低成本车载MIMU/GPS组合导航系统中存在的航向角可观测性较弱的问题,建立了一种加入GPS测速所获得的航向角信息的量测方程,增强系统航向角的可观测性,从而解决了低成本车载MIMU/GPS组合导航中的航向角可观测性较弱的问题。同时,为提高实时计算效率,并考虑低精度惯性器件噪声统计特性不易准确获得,采用降阶状态模型,并设计改进型强跟踪卡尔曼滤波与U-D分解相结合的滤波算法来抑制模型不精确造成的滤波发散。跑车实验表明,所设计的方法能够很好适用于低成本车载MIMU/GPS组合导航系统。     

基于有向图切换的INS/GPS组合导航VSMM算法

INS/GPS组合导航系统量测噪声统计特性随着载体机动、外界扰动等影响发生变化,传统的卡尔曼滤波方法对于这种量测噪声变化系统的滤波精度不高,甚至会出现发散现象。针对上述问题,将机动目标跟踪中的变结构多模型滤波算法引入INS/GPS组合导航滤波中,提出了一种基于有向图切换的变结构多模型INS/GPS组合导航算法,并对此算法进行了仿真。仿真结果表明:该算法能够适应系统量测噪声变化,定位误差小于交互式多模型算法,并有效地降低了滤波过程中的计算量。     

一种基于极大似然准则的自适应卡尔曼滤波算法

在系统不能确切建模或模型本身会产生改变的应用场合，传统卡尔曼滤波算法的性能受到直接影响，甚至无法正常应用。基于标准卡尔曼滤波假设，利用极大似然估计准则推导了一种新的自适应卡尔曼滤波算法，这种滤波算法的主要思路是利用新息序列对系统和量测噪声方差阵Q和R实时估计和调整，以实时反映系统模型的变化。在相关理论分析的基础上，针对低成本惯性／GPS组合导航系统对这种自适应卡尔曼滤波方法的性能进行了仿真分析，与传统卡尔曼滤波算法进行了比较，探讨了这种算法的实用性。     

GPS监测网动态数据处理抗差Kalman滤波模型

为克服观测向量中的粗差对状态参数滤波值的影响,通过分析其影响规律,并充分顾及到粗差在预测残关或得到全部反映的特点,导出了GPS监测网动态数据处理的抗差卡尔曼滤波模型－该模型对观测空间和设计空间均具有良好的抗差性,通过利用该抗差滤波模型对含有粗差的模拟GPS监测网的计算,与采用标准卡尔曼滤波模型的计算结果相比较,可获得可靠的变形分析结果。     

基于因子图的USV位置估计算法

为研究以全球定位系统GPS的定位信息为观测量的无人水面航行器USV的自主定位问题,结合因子图模型的数据表示方法,给出一种采用概率图模型的USV位置估计方法,即基于因子图的USV位置估计算法,推导动态系统的因子图建模方法,并使用和积算法求解参数,获得对USV位置的估计。将基于扩展卡尔曼滤波算法与所提算法进行比较,通过Matlab仿真可知,基于因子图的USV位置估计算法可更准确的估计USV的位置信息,并且随着观测噪声协方差的减小,所提算法的优势越明显。     

ITS中GPS／DR组合定位滤波处理

针对ITS中GPS和DR定位方法的特性，研究了GPS／DR组合定位系统的数据处理算法一卡尔曼滤波算法，建立了GPS／DR组合定位系统的状态方程与观测方程，并对状态方程进行离散化，导出了卡尔曼滤波的递推算法模型。该算法模型对于ITS的实际开发应用具有实际意义。     

一种新颖的基于GPS与DTMB组合系统的定位跟踪算法研究

针对GPS卫星信号在楼群密集的城市和室内存在定位盲区而无法单独完成定位的难题,考虑到地面数字电视信号的自身优越性,提出GPS与DTMB组合导航的无缝定位方法.该方法通过融合多源信号的观测量来保证定位的精度,采用扩展卡尔曼滤波(EKF)算法对多源信号进行最优估计,并对比分析不同信号源组合下的定位跟踪效果.仿真结果表明,EKF滤波估计轨迹能较好地接近目标运动的真实轨迹,均方根误差约20 m,满足无缝定位需求,且参与定位的组合信号源参数越多,定位精度就越高.证明了在GPS定位盲区,采用GPS与DTMB进行组合导航定位的可行性.     

带状态切换自适应滤波算法及其在GPS/INS中的应用

针对GPS/INS组合导航系统中观测噪声通常未知、导致卡尔曼滤波算法不稳定、滤波精度降低的问题,提出一种改进的自适应滤波算法.改进的自适应算法结合了简化的Sage-Husa滤波算法、滤波器发散判断依据和渐消滤波的思想,使得滤波器对量测噪声变化的鲁棒性变强,同时解决了简化的Sage-Husa滤波器容易发散的问题.通过建立GPS/INS组合导航系统状态方程和观测方程,对改进的新算法进行仿真测试.仿真结果表明,新算法对量测噪声未知的情况具有更好的适应性,提高了滤波器估计精度,表现出良好的滤波稳定性.     

基于神经网络的新息自适应卡尔曼滤波在高速公路变形监测中的应用

实际应用中卡尔曼滤波的动态噪声和观测噪声往往不是固定的,提出运用新息自适应卡尔曼滤波法则对噪声进行实时估计。同时,为了克服新息自适应卡尔曼滤波要求系统模型过分精确的缺点,基于神经网络的新息自适应卡尔曼滤波算法,通过使用神经网络进行误差补偿来提高滤波性能,并运用于高速公路变形监测中。结果表明：该模型与原始观测值的残差全部降到了０.２５ｍｍ以下,说明该模型精度很高,在实际应用中具有一定的可行性。     

改进的CKF在SINS/GPS组合导航中的应用

为了降低动态扰动误差对容积卡尔曼滤波(Cubature Kalman Filter,CKF)精度的影响,采用新息自适应估计(Innovation-based Adaptive Estimation,IAE)理论构造改进的CKF滤波模型,利用新息序列在线估计和修正噪声统计特性,自适应地调整量测噪声。通过SINS/GPS组合导航系统对标准CKF与改进的CKF进行仿真验证,结果表明,改进的CKF算法能够在一定程度上提高组合导航系统对不同随机噪声的适应能力,有效地降低了滤波误差,提高了解算精度。     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

基于自适应卡尔曼滤波的NGMIMU/GPS组合导航设计

由于加速度计输出动态噪声的存在,无陀螺微惯性测量单元(NGM IMU)导航误差随时间迅速累积.基于NGM IMU九加速度计配置方案,利用自适应卡尔曼滤波方法进行NGM IMU/GPS组合导航系统设计.滤波算法对滤波预测残差的大小进行判断,利用极大后验估计器推算出动态噪声和观测噪声的统计特性,克服了系统噪声统计特性不易确定的实际问题,使滤波器成为最优.同时进行了系统位移和角速度仿真,结果验证了自适应卡尔曼滤波方法的可行性.     

基于遗传模糊控制的智能自适应滤波算法

组合导航中软故障难以检测,致使卡尔曼滤波精度降低甚至发散.为提高滤波的容错性,提出了一种基于遗传模糊控制的智能自适应滤波算法.首先针对软故障提出一种模糊自适应滤波算法,算法中通过监测观测量新息及其变化率,应用模糊控制系统计算观测质量因子,并对滤波器量测噪声阵进行在线自适应调整,从而抑制软故障对滤波的影响,保证滤波的精度,提升容错性能.然后,利用自适应遗传算法对隶属度函数的参数进行优化,从而进一步提高算法的整体精度.利用本文提出的算法在SINS/CNS/GPS导航平台上进行了定位实验,结果显示该算法有效,在软故障存在时,定位精度小于2 m,测速精度小于0.1 m/s.     

卫星导航接收机自主完好性监测算法研究

针对航空导航定位高可靠性的要求和GPS接收机观测噪声分布的特点,研究将粒子滤波算法应用于接收机自主完好性监测(RAIM)中。通过粒子滤波算法对状态进行精确估计,利用对数似然比建立一致性检验统计量进行故障检测与隔离。对算法进行了数学建模,描述了完整的RAIM算法详细流程。通过实测数据对提出的RAIM算法进行验证,结果表明:粒子滤波算法在非高斯测量噪声情况下可以对GPS接收机状态进行精确的估计,利用对数似然比建立的一致性检验统计量能有效地检测并隔离故障卫星,验证了该算法应用于GPS接收机自主完好性监测的可行性和有效性。     

卡尔曼滤波算法在地铁制动性能试验中的应用

在地铁制动过程中,对制动时的速度和路程的正确测量是非常重要的.针对地铁制动性能测试过程中测量信号噪声与信号丢失的问题,采用卡尔曼滤波算法准确估计列车速度.采用地铁制动模型,给出卡尔曼滤波算法推导,并对滤波过程中的参数进行优化.通过试验验证了运用卡尔曼滤波算法可以有效地解决测量信号的噪声与信号丢失问题,是一种快捷、准确且满足试验要求的算法.     

离散卡尔曼滤波用于GPS动态变形数据处理

研究了一种卡尔曼滤波算法，通过算例对我国1998年洪水期某大坝的实测GPS动态变形数据，采用自编软件（用C语言）进行处理，其成果图形象直观地显示出滤波值数据曲线与原始数据曲线的变化趋势基本一致。同时验前与验后的单位权方差σ^∧2奶相近，并且滤波值中误差σ^∧滤也比观测值中误差σ^∧小得多，该离散卡尔曼滤波数学模型较好地模拟了目标系统的物理的物理变化规律，其程序运算结果对于改善GPS动态变形的数据精度的效果比较理想。     

基于抗差自适应估计的微纳卫星相对定位算法

为了解决微纳卫星编队执行姿态机动任务时，差分定位性能降低甚至不能定位的问题，提出基于全视角天线组件的GPS接收和差分定位系统方案.针对星载高动态环境，改进基于几何无关(GF)差分组合和衰减窗口的伪距粗差探测方法.采用抗差自适应扩展卡尔曼滤波算法，将基于新息向量的观测噪声协方差矩阵开窗估计法应用于实时差分定位.建立半物理仿真平台，开展不同场景下的差分定位性能对比验证.结果表明，在全弧段侧摆与区间“侧摆-回正”机动条件下，所提出的基于全视角方案的滤波和估计算法相比于常规方案的扩展卡尔曼滤波(EKF)算法在定位星数、定位精度上均有大幅提升，在短、长基线情况下分别可以达到厘米、分米级的相对定位精度.