随机逼近自适应滤波在捷联惯导系统初始对准中的应用

对于测量噪声方差未知的捷联惯导系统(SINS),采用常规Kalman滤波进行初始对准会造成较大状态估计误差,甚至使滤波器发散。为了解决系统测量噪声方差未知或不确切知道时SINS的误差估计问题,提出一种基于随机逼近的自适应滤波方法。该方法将Robbins-Monro算法与Kalman滤波相结合,通过简化求逆运算,解决了系统观测噪声特性未知情况下SINS的误差估计问题,并提高了算法的数值稳定性。仿真结果表明,该方法能在系统测量噪声方差未知情况下有效实现SINS初始对准。     

SINS大失准角初始对准的改进算法研究

在捷联导航系统优化控制的研究中,捷联惯导系统(SINS)初始对准的误差方程存在是非线性,对于静基座初始对准造成误差较大。传统采用的方法是将失准角视为小角度,可将误差模型线性化,利用KF完成静基座的初始对准。但是对于动基座大失准角来说,多采用非线性滤波方式来解决,建立误差模型,并采用UKF滤波进行数据融合。由于非线性模型的噪声参数未知等原因,常规的UKF可能会出现滤波发散现象,为解决上述问题,提出采用自适应方法的UKF来对建立的非线性模型进行滤波。仿真结果表明,在大失准角情况下,采用非线性模型的AUKF比UKF滤波具有更好的对准精度和更快的收敛速度,可为优化设计提供参考。     

SINS/GPS组合导航系统自适应扩展Kalman滤波

对于低成本SINS/GPS组合导航系统,由于惯性器件的精度较低,通常情况下的SINS误差模型估计不准确,甚至使滤波器发散,为此提出根据姿态四元数的SINS误差估计模型,该模型不需要对初始姿态进行赋值。为在观测噪声未知的情况下估计SINS误差,通过结合序贯处理与Kalman滤波算法,提出一种自适应扩展卡尔曼滤波方法,该方法可以同时进行序贯处理和观测噪声估计。仿真实验结果表明,该方法可以消除过程噪声方差和观测噪声方差不确定造成的影响,提高了SINS/GPS导航系统的性能。     

基于UKF的捷联惯导大失准角初始对准方法

研究自主水下航行器,位置速度匹配中的误差需要补偿.捷联惯导大失准角误差传播特性是非线性的.为了提高捷联惯导大失准角初始对准精度,提出了一种基于UKF的捷联惯导初始对准的方法.由于对大失准角下SINS的非线性误差模型和系统噪声和观测噪声为加性的特点,给出了一种简化的Unscented卡尔曼滤波递推算法,并提出在精对准阶段采用多次精对准提高大初始失准角下SINS对准精度进行仿真.仿真结果表明,在GPS辅助下,使捷联惯导方位角误差减少,采用改进方法,也可获得较高的对准精度.     

捷联惯导系统静基座初始对准精度分析及仿真

在利用卡尔曼滤波器对捷联惯导系统（SINS）进行静基座初始对准中,由于系统的不完全可观测性,使得有些状态没有滤波效果,有些状态的估计精度受到限制。对SINS静基座初始对准卡尔曼滤波方程进行了可观测性分析,提出了状态降阶的处理方法,并得到了各状态估计的极限精度公式。最后进行了软件仿真,仿真结果表明：降阶滤波器和全降阶滤波器的估计精度基本相同,但足前者计算量更小,并且在滤波计算中能够消除不可观测状态的不利影响。     

车载惯性导航仪快速初始对准技术

为了完成车载惯性导航仪在静基座下的对准与标定,提出采厢两位置对准方案.在惯性导航仪粗对准的基础上,建立了含有解算速度项的初始对准模型,并选取水平速度作为观测量.为了兼顾对准时间,采用自适应Kalman滤波器对失准角、惯性器件常值误差和随机误差进行实时估计,完成初始对准和标定.通过多次水平转台对准试验,表明在400 s对准时间内,方位角误差减小到0.7°以内,水平姿态角误差减小到0.04°以内,同时对系统中水平惯性器件的常值误差做出了估计,更加有利于导航精度的提高.     

主–从滤波器设计及其在传递对准中的应用

本论文研究主一从自适应卡尔曼滤波器的设计及其在动基座传递对准中的应用．对于舰载惯性导航系统,利用速度加角速度匹配方案能够实现快速对准,然而该方案对船体挠曲变形比较敏感,若处理不当将造成对准精度下降．本文将挠曲变形视为对准过程中观测量的不确定性干扰噪声进行处理,并且利用方差匹配策略设计了主一从自适应滤波器,这两个滤波器并行运算,其中主滤波器用于估计惯性导航系统的状态,从滤波器用于估计噪声的统计特性．仿真结果表明,在对准模型存在未知的随机系统噪声时,所设计的滤波器能够快速且准确地估计出失准角,符合传递对准在快速性和精度方面的需求．     

低精度的SINS/GPS组合导航系统中初始航向对准技术

低精度的捷联惯导系统(SINS)无法实现航向自对准,用于初始航向对准的SINS/GPS组合系统是强非线性系统.通过变换估计量的方法,将航向角的估计转换为两个三角函数变量的估计,在大航向角误差的条件下忽略了大部分次要因素的影响,推导了用于初始航向角估计的SINS/GPS组合系统方程.最后进行了航向角对准仿真,结果表明:在初始航向角完全未知的情况下,载体经过短时间(20s)的机动,航向角的估计精度能达到3°左右.     

捷联惯导静基座初始对准技术仿真

捷联惯导在初始对准时,按载体的运行状态来分,可以分为静基座和动基座对准。从静基座捷联惯导初始对准的原理出发,推导了捷联惯性导航系统静基座初始对准的误差动态方程和量测方程,构成了卡尔曼滤波模型。最后将卡尔曼滤波模型应用于静基座初始对准,并进行了仿真。     

一种序贯Unscented卡尔曼滤波在微小型无人直升机导航系统中的应用

对于应用到微小型无人直升机上的低成本捷联惯导（SINS）/GPS组合导航系统来说,SINS Ψ角误差模型在描述低精度惯性器件误差时对误差项的忽略,使其无法满足SINS误差估计的要求.为了克服Ψ角误差模型的不足,本文建立了基于四元数的SINS非线性误差模型.该误差模型无需对失准角进行小角度假设.为了对组合导航系统中的SINS误差进行估计,提出一种序贯Unscented卡尔曼滤波方法.该滤波方法对观测向量进行序贯处理以降低算法的计算量.仿真结果表明,该滤波方法能有效提高低成本SINS/GPS组合导航系统的性能.     

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。     

基于信息补偿的自适应联邦滤波算法

针对采用标准卡尔曼滤波器必须知道系统噪声统计特性的局限性,研究了一类系统噪声未知情况下的自适应联邦滤波方法,指出了自适应滤波方法应用于联邦结构时应当注意的问题,提出了一种基于信息补偿的自适应联邦滤波算法。SINS／BDS／GPS组合导航系统的仿真结果表明,该方法可以有效抑制系统噪声未知情况下的滤波发散现象,提高了滤波的稳定性和估计性能。     

改进的自适应Kalman滤波在SINS/GPS组合导航中的应用

全球定位系统（GPS）因信号受到遮挡和干扰而产生观测量突然失准,使捷联式惯性导航系统（SINS）/GPS组合导航的卡尔曼滤波器性能急剧下降。针对上述问题,提出了一种改进的自适应卡尔曼滤波的方法,通过失准时的新息对先验状态均方误差阵进行自适应调节,解决了新息协方差与实际严重不符的问题。仿真实验中,对比了传统的卡尔曼滤波、自适应卡尔曼滤波、自适应抗差卡尔曼滤波和改进的自适应卡尔曼滤波的估计性能,证明了所提出算法的有效性。     

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...     

捷联惯导大方位失准角快速初始对准

捷联惯导方位角快速性能优化问题,传统大方位失准角初始对准方位角收敛速度较慢,直接影响惯导系统的性能。为此提出一种无重置联邦滤波器的以速度误差和比力输出作为观测量的快速初始对准新算法。给出了捷联惯导系统非线性误差模型,并分析了两种观测量,建立了速度观测子滤波器和比力观测子滤波器,同时采用了相应的状态方程和观测方程。用三种方法进行了大方位失准角初始对准的数字仿真。仿真结果对比表明,新方法不仅使方位失准角收敛速度快,而且在加速度计噪声增大10倍的情况下,仍然具有极高的对准精度。     

基于GP-SRCDKF的初始对准技术研究

随着对惯性导航系统中对准时间要求的不断提高,初始对准需要在大方位失准角条件下进行,此时需采用非线性滤波方法来实现初始对准。基于此,提出高斯过程回归平方根中心差分卡尔曼滤波算法(GP-SRCDKF)。将高斯过程回归融入到SRCDKF算法中,利用高斯过程得到系统回归模型及噪声协方差,用回归模型代替状态方程和观测方程,对相应的噪声协方差进行实时自适应调整。该算法不仅克服了扩展卡尔曼滤波滤波精度低、需要计算雅可比矩阵的不足,而且可解决传统滤波容易受系统动态模型不确定和噪声协方差不准确的限制。仿真实验结果验证了该算法的有效性和优越性。     

基于EM-EKF算法的RBF-AR模型参数估计

为了利用EKF（extended Kalman filter）算法对RBF-AR（radial basis function network-based autoregressive）模型进行参数估计,重构了RBF-AR模型的网络结构,将其变换成一种新型的广义径向基函数（radial basis function,RBF）神经网络.与典型三层RBF网络结构相比,该广义RBF网络增加了线性输出加权层.为了克服基于EKF神经网络学习算法由于噪声统计特性未知导致滤波发散或者滤波精度不高的问题,利用EM（expectation maximization）算法对RBF-AR模型噪声协方差矩阵进行估计.同时,通过EKF滤波实时估计RBF-AR模型参数（系统状态）,EKF平滑过程得到了更加准确的期望估计.仿真结果显示,该方法用在此变形的RBF-AR模型结构中是有效的,特别在信噪比低的情况下,估计效果比SNPOM（structured nonlinear parameter optimization method）方法好,而且还能估计出噪声方差.F检验显示了两方法估计得到的标准偏差有显著性差异.     

状态切换CDKF算法及其在低成本紧组合导航系统中的应用

成本SINS/GPS紧组合导航系统在大失准角情况下出现的滤波发散现象,建立了基于乘性四元数的非线性导航系统误差模型,并提出一种基于乘性四元数的状态切换中心差分卡尔曼滤波算法.该算法通过在均值四元数计算过程中引入修正的罗德里格参数进行状态切换,解决了传统中心差分卡尔曼滤波算法中对于四元数正交规范化的限制.仿真实验结果表明,本文提出的方法能够有效实现对于载体运动状态的在线估计,且与无迹卡尔曼滤波算法相比,具有更高的滤波精度.