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.     

基于非线性滤波算法的高动态GPS定位模型

运动载体上的GPS接收机在高动态环境下运行时,由于接收机与卫星的相对加速度和速度均过大,测得的伪距和多普勒频移均存在较大的误差,而现有的GPS定位模型动态建模较为简单,导致系统在高动态环境下定位精度很低.提出一种改进的GPS系统模型,将接收机加速度信息引入到系统状态变量中进行估计,测量模型和状态模型均随接收到的卫星颗数而动态改变,并使用了平淡卡尔曼滤波进行定位解算,结果证明,使GPS系统在高动态环境下仍能得出较高的定位精度,并有定位模型的有效性和较强的鲁棒性.     

基于非线性滤波算法的GPS与北斗定位研究

全球导航卫星系统GNSS可以提供全天时的三维位置信息和三维速度信息。传统只靠单一的导航系统不能满足系统的可靠性和完善性。为此提出GPS系统与北斗导航系统兼容定位方法,描述了测量模型和状态模型,并使用平淡卡尔曼滤波进行定位解算,在GPS和北斗导航系统环境下分别进行了单系统和多系统定位的验证、比较与分析。定位实验结果表明,与通用的最小二乘迭代法和扩展卡尔曼滤波等方法获得的结果相比,所提出的算法能获得更高的定位精度。当可见卫星数量发生跳变时,得出的滤波结果具有较高的精度和稳定性,特别是在卫星数比较少的情况下,通过组合两个不能单独定位的系统,可获得更高的融合定位精度。     

基于改进UKF的GPS非线性动态滤波研究

为了提高动态定位精度,将一种改进的UKF(Unscented galman Filter)算法应用在GPS非线性动态定位解算中.将UKF算法与IEKF(Iterated Improved Kalman Filter)算法相结合,因此保持了基本UKF算法易于实现和收敛速度快的优点,同时由于滤波值是通过迭代扩展的卡尔曼滤波机制得到,进而更新值能更准确的逼近非线性系统状态概率密度函数,具有更高的精度.应用于GPS非线性动态滤波定位中,仿真结果表明:与UKF算法相比,算法能够明显提高定位精度.     

基于车载GPS导航的非线性动态滤波算法

为了提高车载导航定位精度,根据全球定位系统（GPS）的特点,在分析线性滤波算法缺陷的基础上,建立了车载导航动态定位模型,并在通过准确获取后验概率密度函数的均值和方差经过非线性变换修正导航定位位置,给出了一种非线性动态滤波算法。仿真实验表明,与卡尔曼滤波相比,该方法能克服了滤波发散导致结果失真的问题,提高滤波的精度,解决线性滤波算法发散的缺陷。     

GPS动态定位中卡尔曼滤波模型的建立及其强跟踪算法研究

提出一种改进的强跟踪卡尔曼滤波算法,应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,具有模型简单、实时性好的特点。为了进一步提高滤波器的动态性能,改进了文献[1]中的强跟踪滤波算法,大大提高了滤波器的跟踪能力。     

自适应交互集合Kalman滤波的动态精密单点定位

为了进一步提高动态精密单点定位的解算精度,采用交互多模型思想构建动态精密单点定位解算模型.采用集合Kalman滤波算法降低GPS数据中因非高斯噪声正态化处理造成的精度损失;利用状态预测向量残差信息,采用自回归模型(AR)修正当前历元的预报值,提高动力学模型的可靠性;根据单位权中误差自适应选取最终滤波解.对某载GPS数据进行验证,计算结果表明,自适应交互集合Kalman滤波是一种性能可靠、精度高的滤波算法.     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

基于惯性信息辅助的北斗动动定位方法的研究

针对北斗动动定位中接收机信号易受遮挡导致无法实时准确定位的问题,对复杂信号条件下的动动定位测试进行了研究,提出了一种利用惯性信息辅助解算动态模糊度的方法,即一种将运动载体的惯导信息与北斗测量信息相结合,实现两运动载体之间精确动态相对定位的算法;通立基于载波相位双差的观测模型,采取融合滤波算法,讨论在不同卫星数目下的模糊度求解方法;在此基础上,利用实地车载试验完成了对上述组合定位方法的试验验证以及精度测试,事后着重对各历元数据进行解算,对定位精度、可用性进行了研究;结果表明,基于惯性信息辅助的北斗动动定位可用性指标变好,定位精度有一定的提高。     

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。     

基于WT-UKF 的PDR/GPS 组合定位算法

针对行人航迹推算(PDR) 与全球定位系统(GPS) 组合定位问题, 提出一种基于小波变换(WT) 的无迹卡尔曼滤波(UKF) 改进算法, 对PDR 和GPS 定位结果进行数据融合. 建立PDR/GPS 组合定位系统数学模型, 采用小波变换对运动加速度信号噪声特性进行在线估计, 以更新UKF 的协方差矩阵. 所提出的WT-UKF 滤波算法弥补了传统UKF 算法因人为假定信号噪声为高斯白噪声而影响滤波效果和精度的缺陷. 实验结果表明, 使用WT-UKF 滤波算法对PDR/GPS 进行数据融合时稳定性更强, 精度更高.     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

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.     

一种新型的GPS/DR组合定位系统数据融合算法

全球卫星定位系统定位和测速精度高,具有全天候、全球性且基本不受地域、时间限制,但常因为某种原因出现GPS卫星信号丢失情况,航迹推算算法正好能弥补这个问题,将两者结合可以很好地解决定位问题.传统的数据融合算法-卡尔曼滤波算法,在参数选择上要求较高,选择不当即导致较大误差,影响算法效果.建立了GPS/DR组合定位系统的模型,提出了一种新型实用的自适应扩展卡尔曼滤波算法和DR单独定位算法结合的定位算法.通过实际跑车实验,结果表明,较之传统的卡尔曼滤波定位算法,该算法实用性好,而且能很好的满足系统的定位精度及可靠性等方面的要求.     

GPS定位误差分析与状态估计

通过分析GPS定位误差的统计特性,可将GPS定位误差作为二阶Markov随机过程处理。该文结合载体的Singer模型,利用扩展Kalman滤波算法,对系统状态进行估计。试验结果表明,利用扩展Kalman滤波算法比标准Kalman滤波算法在定位精度上有较大程度的提高,对于低动态用户消除相关误差的影响具有一定应用价值。     

基于次优区间卡尔曼滤波的机器鱼跟踪方法

目前,自主水下航行器(Autonomous Underwater Vehicle,AUV)研究的重点集中在跟踪定位、精确制导和返坞等领域。机器鱼已成为AUV在智能教育、民用与军事等方面的应用热点。从非线性跟踪分析中发现,区间卡尔曼滤波算法虽然包含了一切可能的滤波结果,但范围比较宽,也比较保守,而且区间数据向量在实现之前是不确定的。文中提出了一种次优区间卡尔曼滤波优化算法。次优区间卡尔曼滤波方案用区间矩阵的逆 代替 其最坏逆,比标准区间卡尔曼滤波更逼近状态方程和测量方程的非线性过程,提高了标称动态系统模型的精确度,改善了跟踪系统的速度与精度。蒙特卡洛仿真实验结果表明,次优区间卡尔曼滤波算法的最优轨迹优于区间卡尔曼滤波方法及标准的卡尔曼滤波方法。     

Robust unscented Kalman filter with adaptation of process and measurement noise covariances

Unscented Kalman filter (UKF) has been extensively used for state estimation of nonlinear stochastic systems, which suffers from performance degradation and even divergence when the noise distribution used in the UKF and the truth in a real system are mismatched. For state estimation of nonlinear stochastic systems with non-Gaussian measurement noise, the Masreliez–Martin extended Kalman filter (EKF) gives better state estimates in relation to the standard EKF. However, the process noise and the measurement noise covariance matrices should be known, which is impractical in applications. This paper presents a robust Masreliez–Martin UKF which can provide reliable state estimates in the presence of both unknown process noise and measurement noise covariance matrices. Two numerical examples involving relative navigation of spacecrafts demonstrate that the proposed filter can provide improved state estimation performance over existing robust filtering approaches. Vision-aided robot arm tracking experiments are also provided to show the effectiveness of the proposed approach.     

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。     

卡尔曼滤波系统和量测噪声自适应估计的关联性

卡尔曼滤波是惯导系统(INS)/GPS组合导航的主要算法之一,Sage-Husa算法是在卡尔曼滤波基础上,为减少系统噪声和量测噪声的不确定性对误差估计的影响而采用的自适应估计方法.对Sage-Husa算法提出了4条改进措施;并通过在3种数据扰动情形下的仿真计算发现,只对一类噪声做自适应估计更容易产生较大的偏差,对系统噪声和量测噪声两类噪声同时做自适应估计,其效果要优于只对一类噪声做自适应估计,把此现象定义为卡尔曼滤波的系统和量测噪声自适应估计的关联性.这个结果不同于一些文献的观点.此项研究对自适应卡尔曼滤波在INS/GPS组合导航的工程化应用有较高的实用价值.     

带非线性等式约束无迹卡尔曼滤波方法

针对带非线性等式约束的非线性系统的状态估计问题,给出了一种新形式的基于无迹卡尔曼滤波及伪观测手段的处理约束的状态估计方法（SPUKF）。在该方法中原动态系统被虚拟地分离成两个并行的子系统,各时刻的状态估计由基于这两个子系统构建的两套滤波链交替得到。相对于伪观测法中的序贯形式估计器,SPUKF无需事先确定观测及约束的处理次序且能获得更好的估计结果,故可以用来解决序贯方法中观测与约束的处理次序问题。由钟摆运动的实例仿真结果看到,SPUKF不仅有好于序贯形式无迹卡尔曼滤波的估计效果,误差改善比达到22%左右,而且算法运行时间与序贯形式估计器相近。此外,其估计效果还与批处理无迹卡尔曼滤波相当。