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。     

一种抗差自适应UKF算法及其在GNSS/SINS组合导航系统的应用

GNSS/SINS组合导航系统标准UKF算法缺乏对量测噪声方差及系统状态异常的自适应调节能力,进而影响了组合导航系统的滤波精度。为了解决上述问题,提出了一种抗差自适应UKF算法。首先,该算法引入变分贝叶斯估计原理以实时估计量测噪声方差;然后,基于滤波器预测残差,构建了自适应因子以降低系统状态异常时对导航解的影响;最后,将该算法应用于GNSS/SINS组合导航系统中,仿真结果表明,当量测噪声统计特性发生变化时,相对于标准UKF算法及抗差UKF算法,在整个仿真时段内,本文算法可提高位置精度分别为51.2%及9.3%,同时可以降低系统模型异常扰动和滤波器初值偏差对导航解的影响。实验结果表明本文算法具有较强的自适应性及抗差性,可提升复杂环境下组合导航系统的精度。     

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。     

信息融合技术在INS/GPS/DVS组合导航系统中的应用

本文探讨了INS/GPS/DVS组合导航系统中的信息融合技术问题,介绍了联邦滤波算法的基本思想,根据INS、GPS、DVS的导航特点建立了较完整的状态方程,并以INS/GPS及INS/DVS组合分别构成组合导航系统的子滤波器,建立了相应的量测方程;阐述了主滤波器的最优估计融合算法,并给出了该算法与集中滤波算法等效的条件;最后采用无反馈的模式对组合导航系统中的联邦滤波算法进行了计算机仿真与分析.结果表明,联邦滤波算法可以充分利用各导航传感器的信息,并在减少计算量的前提下有效地提高导航系统的精度,具有较大的工程应用价值.     

一种基于时变噪声的惯性/陆基无线电导航系统信息融合方法

针对民航RNP导航方式对机载导航系统提出的高精度要求,提出一种基于时变噪声的惯导/陆基组合导航信息融合方法.在分析陆基导航系统定位误差产生机理的基础上,建立陆基时变量测噪声模型;然后给出基于时变噪声的惯导/陆基信息融合模型;最后通过MATLAB仿真,将基于时变噪声与基于固定随机常值加白噪声的融合方法所得的惯导/陆基组合导航精度进行比较,结果表明基于时变噪声的信息融合方法可优化滤波参数,提高组合导航的精度.     

基于联合卡尔曼滤波的多传感器信息融合算法及其应用

针对常见卡尔曼滤波器在处理多传感器组合系统的数据时,存在计算量大和故障数据相互污染的问题,提出了一种应用联合卡尔曼滤波技术进行多传感器信息融合,以求得参数最优估计的方法。文中首先对联合卡尔曼滤波的基本原理和4种主要结构方式进行了论述和分析,然后给出了融合算法的实现,最后以多传感器组合导航系统为例,对其进行计算机仿真。结果表明,该方法可有效提高计算的精度和可靠性,具有较好的容错性和环境适应性,有效高的工程实用价值。     

应用于高速铁路的低成本组合定位系统设计

提出了一种基于卫星定位和航位推算（Dead Reckoning,DR）技术的低成本高速列车组合定位系统设计方案.在卫星定位系统中,方案采用了GPS/BD双卫星定位系统;在航位推算系统中,提出了一种双加速度计单陀螺仪单倾角传感器的传感器组合方案;采用了双CPU结构体系的运算控制模块,提高了组合导航系统的可靠性和实时运算性能.通过基于“当前”统计模型的联合卡尔曼滤波算法对GPS/BD系统和航位推算的数据进行滤波和信息融合,并利用卫星接收机提供的位置精度因子进行信息融合方案的自适应选择,进一步提高和完善了组合导航系统的定位精度和系统性能.     

基于鲁棒CKF的多传感器全信息融合算法

为了克服不良测量的影响,改善多传感器的融合性能,提出一种基于鲁棒容积卡尔曼滤波(CKF)的多传感器全信息融合算法。基于新息协方差匹配原理构建鲁棒CKF,定义数据质量检测函数,根据测量数据质量选择鲁棒CKF或标准CKF作为子系统最优滤波算法。基于多传感器融合信息,建立子系统软故障检测算法;定义子系统故障系数,通过系统重构实现故障子系统的隔离。利用多传感器系统所能提供的最多信息,建立全信息融合算法。将所建算法应用于船舶动力定位测量系统的仿真实验中,与CKF、局部估计加权融合算法进行比较。仿真结果表明,鲁棒CKF及软故障检测函数提高了子系统的滤波鲁棒性,全信息融合算法进一步改善了系统的融合性能。仿真结果验证了所建算法的有效性。     

基于模糊卡尔曼滤波算法的动力电池SOC估计

为了改善传统卡尔曼滤波算法估计SOC时量测噪声的影响,提出了将传统卡尔曼滤波算法与模糊控制相结合的动力电池SOC的自适应估计方法。通过实时监控量测噪声实际方差与理论方差之间的差值,实现对量测噪声协方差矩阵的实时在线调整,提高算法在实际应用中的鲁棒性。通过基于联邦城市行驶工况(FUDS)验证混合算法的有效性。结果表明,基于模糊卡尔曼滤波算法的SOC估计最大误差仅为0.21%,高于传统卡尔曼滤波估计精度最大误差0.53%。仿真结果表明,该方法可以有效解决传统卡尔曼滤波算法估计不准和累计误差的问题。     

基于 SRCKFw-检测的多传感器融合的姿态解算算法

针对惯性导航系统受模型误差和测量异常值误差的影响,姿态解算结果易出现精度差甚至发散的问题,提出了一种基于平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)w-检测的多传感器姿态融合算法。利用协方差匹配法对SRCKF的新息序列进行自适应调整,经过调整后的新息在迭代过程中会补偿量测噪声方差阵,减小模型误差影响;再利用调整后的新息进行误差探测,提高w-检测的探测精度,并构造观测值替换准则进行误差观测值替换,解决测量异常值误差带来的影响;最后利用SRCKF进行姿态融合,陀螺仪的姿态作为状态方程,经检测替换后的加速度计和磁力计姿态作为量测方程。实验表明,所提算法可以准确估计系统姿态,与传统算法相比解算精度平均可提升62.43%,在不同条件下,算法整体性能均可得到大幅提升,并能快速进行姿态解算,保证解算精度。     

多MEMS陀螺数据融合方法性能比较

MEMS陀螺的体积小、成本低,便于集成,但其低精度极大的限制了MEMS陀螺在实际中的应用。利用多传感器融合技术进行误差补偿可提高MEMS陀螺的测量精度,人们提出了多种数据融合方法用于改进MEMS陀螺的测量精度。对多尺度融合方法、卡尔曼滤波融合和小波阈值融合方法进行比较分析。理论分析与实验结果表明,多尺度融合算法相比卡尔曼滤波融合和小波阈值融合方法在标准差、信噪比、功率谱及Allan方差等方面性能获得了较好的效果,其适用范围更宽。     

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。     

Robust CAWOF Kalman predictors for uncertain multi-sensor generalized system

Robust centralized and weighted observation fusion (CAWOF) prediction algorithm is addressed in this article for an uncertain multi-sensor generalized system with linear correlation between observation noises and an input white noise. This uncertainty in the generalized system primarily means that the variances of the aforementioned types of noise, as well as the multiplicative noise variances, are uncertain. Through singular value decomposition and virtual noise compensation, the original generalized system is changed to non-generalized reduced-order subsystems in which only noise variances are uncertain. Utilizing the minimax robustness estimation criterion, robust CAWOF Kalman predictors are put forward on account of the first subsystem with conservative upper bounds of noise variances. Eventually, robust observation fusion Kalman predictors of the original generalized system are proposed. The Lyapunov equation method is applied to verify two fusion predictors' robustness. With regard to all permissible uncertain practical noise variances, CAWOF predictors are robust, namely, the practical prediction error variances of two robust predictors will have minimum upper bounds. This equivalence between CAWOF Kalman predictors is proved by an information filter. In this article, the precision relationship of fusion predictors is given. Meanwhile, robust Kalman predictors for steady-state case are proposed, and the astringency of robust time-variant Kalman predictors is analyzed through the analysis of dynamic error system. The validity and correctness of proposed algorithm are proved by the simulation example of random dynamic input and output system in an economic system.     

Self‐tuning weighted fusion Kalman filter for ARMA signal with colored measurement noise and its convergence analysis

For the multisensor single‐channel autoregressive moving average (ARMA) signal with colored measurement noise, when the partial model parameters and the noise variance are unknown, a self‐tuning fusion Kalman filter weighted by scalar is presented based on the ARMA innovation model by the modern time series analysis method. With the application of the recursive instrumental variable algorithm and the Gevers–Wouters iterative algorithm with dead band, the information fusion estimators for the unknown model parameters and noise variance are obtained, and their consistence is proved by the existence and continuity theorem of implicit function. Then, substituting them into the optimal weighted fusion Kalman filter, one can obtain the corresponding self‐tuning weighted fusion Kalman filter. Further, with the application of the dynamic variance error system analysis method, the convergence of the self‐tuning Lyapunov equations for filtering error cross‐covariances is proved. With the application of the dynamic error system analysis method, it is rigorously proved that the self‐tuning weighted fusion Kalman filter converges to the optimal weighted fusion Kalman filter in a realization; that is, it has asymptotic optimality. A simulation example shows its effectiveness.Copyright © 2012 John Wiley & Sons, Ltd.     

基于自适应CKF的姿态数据融合算法

为了提高基于MEMS惯性传感器的捷联惯性导航系统姿态解算的精度,提出了一种自适应容积卡尔曼滤波（CKF）数据融合算法。该数据融合算法将姿态四元数作为系统状态,将加速度计信息和磁力计信息作为系统观测量,对系统过程噪声矩阵和观测噪声矩阵进行实时的自适应估计,解决了因系统噪声突变引起的姿态解算精度急剧下降的问题。实验结果表明,采用自适应CKF数据融合算法比单纯基于陀螺仪的捷联姿态解算精度有明显的提高,在载体动态时测得的横滚角和俯仰角误差在1°以内,航向角误差在2°以内。