GPS/INS组合系统的多重渐消鲁棒容积卡尔曼滤波

在对适用于GPS/INS组合导航非线性模型的容积卡尔曼滤波进行深入研究的基础上,提出了一种改进的多重渐消H∞鲁棒容积卡尔曼滤波算法.基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;引入H∞鲁棒思想,构造多重渐消H∞鲁棒容积卡尔曼滤波器;提出采用一种奇异值分解的矩阵分解策略代替标准容积卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性.结果表明:改进的多重渐消H∞鲁棒容积卡尔曼滤波算法不仅能有效抑制滤波发散,提高算法的稳定性,还对观测异常值具有更高的鲁棒性;提出的新算法与标准容积卡尔曼滤波算法相比,X,Y,Z3个方向的位置精度分别提高了55.8%,46.6%和39.7%.     

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。     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

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。     

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.     

一种改进的粒子滤波算法

针对标准粒子滤波算法存在的粒子退化现象而导致滤波精度低的问题,研究了容积粒子滤波算法,利用最新提出的容积卡尔曼滤波算法,在粒子滤波观测更新过程中计算分布函数的均值和方差,得到能够更准确的表示概率密度函数真实分布的重要性密度函数.仿真结果表明,较之于标准粒子滤波和无迹卡尔曼滤波算法,容积粒子滤波算法滤波精确度更高,是一种理想的非线性滤波估计策略.     

一种鲁棒GPS/INS组合导航滤波算法设计

针对卡尔曼及其扩展算法在滤波中噪声矩阵与实际偏差过大时出现滤波发散的情况,本文提出利用无偏有限冲击响应滤波器(UFIR)实现该背景下的状态估计。但将UFIR滤波器应用于GPS/INS组合系统存在2个问题:1)在线估计最佳滤波窗长的方法还有待改善;2)导航精度较低。本文设计了一种级联式滤波算法,主滤波器对UFIR滤波算法进行改进,设计在线估计窗口大小方法的同时,改进了现有的UFIR算法;从滤波器引入GPS的航向信息,设计一种自适应卡尔曼滤波以提高导航精度。通过仿真和实测对所提滤波算法进行了验证,实验结果表明该算法可以有效提高导航精度和系统的鲁棒性。     

一种基于SVDCKF的无人机动态自适应航姿算法

针对小型无人机在复杂飞行条件下的航姿解算精度和鲁棒性问题,提出了一种动态自适应调节的奇异值容积卡尔曼滤波航姿估计算法。考虑到低成本航姿传感器随机偏差大的问题,将航姿传感器随机偏差作为待估计参数,以消除传感器随机偏差的影响。由于无人机航姿模型的非线性和滤波中协方差矩阵的非正定问题,设计了一种融合容积卡尔曼滤波(cubature Kalman filter, CKF)和奇异值分解(singular value decomposition, SVD)的非线性航姿滤波器来改善航姿解算精度。另外考虑到不同的飞行条件下,航姿传感器中三轴加速度对无人机航姿解算的影响,基于自适应滤波的思想,提出了一种动态自适应因子来不断地调节加速度测量噪声方差,提高了航姿滤波在复杂条件下的鲁棒性。实验结果表明,所提算法不仅有效地改善了非线性航姿模型的航姿解算精度,满足小型无人机的飞行需求,而且消除了航姿传感器随机偏差和三轴加速度测量噪声对航姿解算的影响,提高了算法的鲁棒性和抗扰性。     

Student’s t滤波框架下的信息融合算法

针对多传感器系统的观测噪声为非高斯噪声的问题,通过Student’s t滤波框架和四元数特性相结合,以无迹变换计算Student’s t加权积分函数,设计基于Student’s t分布的无迹四元数滤波算法,作为局部滤波算法. 利用拉格朗日乘子法计算最优融合权重系数,通过线性加权融合的方式,对各局部滤波结果进行融合. 采用基于四元数的目标姿态运动模型进行仿真,利用3个星敏感器同时对同一目标进行观测,通过与已有的鲁棒无迹Student’s t滤波（RSTUF）算法对比,验证所提算法的有效性. 仿真结果表明：所提算法在对目标姿态的估计精度、滤波收敛速度及收敛后的数值稳定性方面均高于RSTUF算法;通过多个观测信息互补,提高了估计精度及容错性.     

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.     

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.     

H∞滤波在惯导/GPS组合导航应用的比较分析

为分析H∞滤波算法在惯性导航系统INS/GPS组合导航应用中对动态环境的自适应能力,选用卡尔曼滤波算法和Sage-Husa算法作为对照,并改进了Sage-Husa算法,构造了较为全面的惯导系统误差模型、扰动数据情形和飞行轨迹,比较分析了三种算法的自适应能力.仿真结果表明:在这种验证环境中,H∞滤波算法可调参数受到的约束较多,与改进的Sage-Husa算法相比,卡尔曼增益和估计协方误差与量测值变化的相关性较弱,导致自适应能力较弱.在这类模拟动态环境中H∞滤波算法的自适应能力要低于改进的Sage-Husa算法.方法和结果对于鲁棒的INS/GPS组合导航算法的工程化应用有较高的实用价值.     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于T分布变分贝叶斯滤波的SINS/GPS组合导航

为了解决组合导航中由于野值存在而导致传统滤波算法性能下降的问题,针对SINS/GPS组合导航系统模型提出基于T分布的变分贝叶斯高斯滤波算法,充分考虑野值所导致的噪声厚尾特性,将观测噪声建模为T分布.对系统状态和自举变量进行估计,并且在每个滤波时刻借助变分贝叶斯学习对状态估计进行迭代,以逼近真实后验分布.针对噪声存在野值的场景进行仿真验证,结果表明,在SINS/GPS组合导航系统中,当噪声存在野值时,基于T分布的变分贝叶斯组合导航滤波方法具有一定的鲁棒性,并且精度优于传统组合导航滤波方法.     

组合导航的集中式容错卡尔曼滤波算法

针对多源信息组合导航系统中集中卡尔曼滤波器存在的斜坡噪声抑制难题,本文提出一种容错卡尔曼滤波算法。该算法在传统极大似然抗差估计的基础上,进一步考虑量测信息的先验概率分布,设计量测信息在线质量评价函数,当量测信息含有阶跃噪声、冲击噪声、及斜坡噪声时实现对量测信息的质量评价,并依据质量评价信息构造量测噪声权函数与自适应因子,通过调节量测信息权重,抑制包括斜坡噪声在内的量测粗差对滤波精度及可靠性的影响,实现容错滤波。将该算法应用于多传感器组合导航系统中进行仿真实验验证,仿真结果证明:本文提出的容错卡尔曼滤波算法可以有效抑制量测信息中的阶跃噪声、冲击噪声、及斜坡噪声,滤波器的可靠性和精度得到了有效提升。     

一种新颖的电容层析成像数据采集滤波算法

针对电容层析成像ECT(electrical capacitance tomography)数据采集系统对采集精度和实时性要求,在分析ECT数据采集系统的滤波算法基础上,根据卡尔曼滤波和小波变换的特点,提出了一种基于小波变换和卡尔曼滤波的滤波算法。该算法首先将采集数据的信号经过多小波预处理得到平稳的观测数据,然后用噪声统计值估计器估计噪声统计值,以确保信号的稳定性和收敛性,最后经卡尔曼滤波以得到信号更加精准。仿真实验结果表明:与卡尔曼算法相比,本算法去噪效果更佳,得到的信号更精准可靠,提高了ECT数据采集系统数据采集精度,为ECT数据采集系统提供了一种新颖的滤波方法。     

基于线阵CCD的电子白板技术研究

基于线阵CCD技术的交互式电子白板由于其低成本及可高效率地实现多点触控,展现出较大的发展潜力。针对采用线阵CCD技术的电子白板普遍存在的伪触摸点问题,在动态建模基础上分别采用扩展Kalman滤波算法和粒子滤波算法解决触摸点目标跟踪问题。结果表明,与传统的扩展卡尔曼滤波算法相比,粒子滤波算法提高了目标跟踪的精度,更好地解决了伪点问题。该研究结果可为交互式电子白板的设计方法提供理论依据和技术支持。     

基于噪声自适应的交互式多模型算法研究

机动目标跟踪精度大都依赖于匹配的系统模型和已知的噪声统计特性。模型匹配法主要采用交互式多模型算法来提高系统模型与机动目标状态的匹配。该算法的有效应用已经成功提高了机动目标的跟踪精度,但该算法只是针对系统模型的不确定性提出的解决方法,并没有解决噪声统计特性不确定的问题。针对噪声统计特性未知而导致滤波精度下降的问题,本文提出了噪声自适应的交互式多模型机动目标跟踪算法。仿真结果表明,噪声方差未知的情况下,本算法的跟踪性能优于传统的交互式多模型算法,提高了机动目标跟踪的精度。     

高阶容积卡尔曼滤波及其在目标跟踪中的应用

针对传统的容积卡尔曼滤波(CKF)估计精度有限的问题,提出了一种基于任意阶容积规则的高阶容积卡尔曼滤波(HCKF)方法并应用于机动目标跟踪问题。传统的CKF采用三阶球面-相径容积规则,可获得优于其他非线性滤波如不敏卡尔曼滤波(UKF)的估计精度和数值稳定性。为了进一步提高CKF的估计精度,在基于点的高斯近似滤波框架下,分别使用Genz积分方法和矩匹配法推导出任意阶的球面规则和相径规则,以此构造高阶球面-相径容积规则来计算高斯型积分,并建立高阶容积卡尔曼滤波算法。将提出的HCKF算法应用于机动目标跟踪问题中并进行数值仿真。仿真结果表明,相对于传统容积卡尔曼滤波,高阶容积卡尔曼滤波对目标位置和速度估计的精度分别提高了11%和24%,可获得更高的估计精度。