信号级GNSS/SINS超紧组合导航仿真平台设计

超紧组合是全球卫星导航系统(global navigation satellite system, GNSS)和捷联惯性导航系统(strapdown inertial navigation system, SINS)组合中最深层次的信息融合方式。由于需要重新设计GNSS接收机内部的捕获跟踪环路以接收SINS的辅助信息, 超紧组合的工程实现较为困难。从信号级层次出发研究超紧组合的难点在于得到同源且同步的GNSS和SINS信号, 并打开GNSS接收机的捕获跟踪环路。为此, 构建了信号级GNSS/SINS超紧组合仿真平台, 分别设计了载体轨迹发生器、GNSS中频信号发生器、惯导解算器、GNSS软件接收机、组合导航滤波器等关键环节, 从而攻克了上述技术难关。该仿真平台不仅验证了超紧组合在高动态应用方面的优越性, 同时也为其迈向实际应用奠定了坚实的基础。     

基于鲁棒EKF的MEMS-INS/GNSS/VO组合导航方法

针对传统惯导/卫导组合导航在复杂环境下易受干扰,观测量异常从而影响导航性能的问题,提出了基于鲁棒扩展卡尔曼滤波(extended Kalman filter, EKF)的组合导航方法。设计了基于微惯性导航系统(micro-electro-mechanical system-inertial navigation system, MEMS-INS)、全球导航卫星系统(global navigation satellite system, GNSS)及视觉里程计(visual odometry, VO)的融合框架,给出了在GNSS信号失效情形下的导航滤波模型,并将EKF与Huber方法结合,克服观测量受噪声干扰时对导航性能的影响,以提升系统鲁棒性。经仿真和KITTI数据集验证,MEMS-INS/GNSS/VO组合导航方法在GNSS信号失效时仍能输出较高精度导航结果,且可以较好克服异常观测值对系统的影响,具有较高可靠性和鲁棒性。     

基于高斯过程回归的平方根UPF算法

针对系统动力学模型不准确可能导致滤波精度下降,以及系统状态协方差阵可能出现的负定性问题,提出一种新的高斯过程回归平方根分解无迹粒子滤波(Gaussian process regression square-root decomposition unscented particle filter,GPSR-UPF)算法。在该算法中,采用高斯过程回归求取UPF的重要性密度函数。当系统模型不准确时,通过高斯过程回归学习训练数据,进而获取系统的回归模型及系统噪声协方差,同时引入平方根变换抑制系统状态协方差阵的负定性。将提出的GPSR- UPF算法应用到捷联惯导/全球定位系统(strapdown inertial navigation system / global positioning system, SINS/GPS)组合导航系统中进行仿真验证。结果表明,所提出滤波算法的性能优于基本的无迹粒子滤波算法,能提高组合导航系统的解算精度。     

基于UKF的新型北斗/SINS组合系统直接法卡尔曼滤波

针对传统的间接法卡尔曼滤波在北斗/捷联惯导(serial inertial navigation system, SINS)组合导航系统中无法实现较高的定位精度且计算的冗余度大的缺点,提出一种基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的新型组合系统滤波算法。本算法以SINS输出的导航参数及平台误差角等作为系统状态,无源北斗输出的位置速度参数作为量测,采用改进的UKF方法进行数据融合,并直接计算组合系统导航参数的最优估计。实验结果表明,新算法可以降低对伪距误差模型的精确度要求,同时避免非线性系统状态方程的线性化,简化滤波参数的调整过程,从而有效地缩短组合导航系统的解算时间,提高定位精度。     

基于状态变换卡尔曼滤波的DVL/SINS组合导航算法

针对捷联惯性导航系统(strapdown inertial navigation system, SINS)误差定义存在的坐标系不一致的问题，将速度误差统一投影在真实导航坐标系中，基于状态变换Kalman滤波推导了更严密的SINS姿态、速度和位置误差方程。进一步地，在新定义的速度误差和SINS误差方程的基础上，构建了改进的多普勒计程仪(Doppler velocity logger, DVL)/SINS组合导航卡尔曼滤波状态模型和量测模型。仿真和船载实验表明，与常规DVL/SINS卡尔曼滤波模型相比，所提算法可以处理传统DVL/SINS误差模型中坐标系不一致问题的影响，可在一定程度上提高组合导航系统的性能。     

5阶CKF在捷联惯导非线性对准中的应用研究

为了提高动基座下车载捷联惯导系统(strapdown inertial navigation system, SINS)的初始对准精度和缩短对准时间,在不进行粗对准的前提下,利用5阶容积卡尔曼滤波(cubature Kalman filter, CKF)完成非线性对准。针对3阶CKF滤波精度不高、5阶高斯厄密特滤波器计算量过大的问题,基于多项式逼近的思想详细推导了5阶球面径向容积规则,继而提出了5阶CKF并分析了该算法的滤波精度、采样量和数值稳定性,利用奇异值分解代替Cholesky分解来增强滤波稳定性。实验结果表明,该方法能够有效完成大失准角下的非线性对准,精度高于3阶CKF。     

基于高程异常补偿的飞机终端区组合导航高度优化算法

大型机场终端区飞机的进近着陆通常利用仪表着陆系统(instrument landing system, ILS), 但由于价格及环境条件等原因, 部分机场没有配备ILS。针对未配备ILS的机场终端区, 提出一种基于误差判断因子, 结合高程异常补偿算法, 利用大气数据系统(air data system, ADS), 捷联式惯性导航系统(strapdown inertial navigation system, SINS)和北斗导航系统(beidou navigation system, BDS)组合进行高度计算的优化算法, 提高飞机进近过程中高度定位的精度。通过结合机场终端区高程异常, 建立新的Kalman滤波高度量测方程, 对组合导航系统高度定位算法进行优化与仿真。仿真结果表明, 通过终端区高程异常补偿, 可以降低BDS高度误差, 抑制SINS误差发散, 在飞机受静压源误差影响的情况下, 组合后的高度定位误差相对于单系统高度定位的误差可降低41.52%, 高度定位精度改善较好。     

基于扩展H∞滤波的SINS/AMM机载组合导航技术

研究了飞机运动模型(aircraft motion model, AMM)与中、低精度捷联惯导系统(strapdown inertial navigation system, SINS)相融合的组合导航技术。针对由于气动系数的不准确所导致的系统方程的不确定性以及观测方程和噪声的不确定性问题,提出采用基于极小极大准则的扩展H∞滤波(extended H∞ filter, EHF)方法用于组合导航系统的数据融合。以某小型固定翼无人机为研究对象,分别从时域、频域的角度进行仿真实验的验证与分析。实验结果表明,在SINS/AMM组合导航过程中,与扩展卡尔曼滤波(extended Kalman filter, EKF)相比,EHF具有更好的鲁棒性,并且可以提高35%左右的导航精度。     

MPOS联邦实时组合算法

微小型位置姿态测量系统(micro position and orientation system, MPOS)是为成像载荷提供实时高精度运动补偿信息的关键装置，其测量精度严重制约成像精度的提升。针对MPOS集中滤波实时性差的问题，在基于双ARM (advanced reduced instruction set computing machines)硬件平台的基础上，采用联邦滤波实时组合算法对多组传感器数据进行最优信息融合。以微惯性测量单元为公共参考系统，双天线全球导航卫星系统(global navigation satellite system, GNSS)和磁强计作为子系统提供量测信息，将各个子系统得到的局部误差协方差及状态估计值在主滤波器中进行信息融合得到最优估计值。通过动态实验验证了基于联邦滤波实时组合方法的MPOS,其位置、速度、航向角及水平姿态角精度可达0.6 m, 0.03 m/s, 0.15°,0.04°。     

基于联邦滤波的SINS/GPS全组合导航系统研究

传统的捷联惯性导航系统(SINS)/全球定位系统(GPS)组合导航系统常采用位置速度组合模式,其可观测性与载体的飞行航迹有关,从而影响了整个组合导航系统的精度和可靠性.为了解决这一问题,提出了基于联邦滤波的SINS/GPS全组合导航系统方案,推导了姿态角误差和平台失准角之间的变换关系,建立了SINS/GPS全组合导航系统数学模型,最后采用联邦滤波算法进行组合导航仿真计算.通过对仿真计算结果的分析,证明基于联邦滤波的SINS/GPS全组合导航算法能够有效地提高系统的导航精度和可靠性.     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

Modified state prediction algorithm based on UKF

The state prediction based on the unscented Kalman filter (UKF) for nonlinear stochastic discrete-time systems with linear measurement equation is investigated. Predicting future states by using the information of available measurements is an effective method to solve time delay problems. It not only helps the system operator to perform security analysis, but also allows more time for operator to take better decision in case of emergency. In addition, predictive state can make the system implement real-time monitoring and achieve good robustness. UKF has been popular in state prediction because of its advantages in handling nonlinear systems. However, the accuracy of prediction degrades notably once a filter uses a much longer future prediction. A confidence interval (CI) is proposed to overcome the problem. The advantages of CI are that it provides the information about states coverage, which is useful for treatment-plan evaluation, and it can be directly used to specify the margin to accommodate prediction errors. Meanwhile, the CI of prediction errors can be used to correct the predictive state, and thereby it improves the prediction accuracy. Simulations are provided to demonstrate the effectiveness of the theoretical results.     

基于容积卡尔曼的粒子PHD多目标跟踪算法

标准粒子概率假设密度(standard particle probability hypothesis density, SP-PHD)滤波在预测粒子状态时没有考虑最新的观测信息,因而存在估计精度较低、粒子退化严重的问题,针对上述问题,提出基于容积卡尔曼的粒子概率假设密度(cubature Kalman particle probability hypothesis density, CP-PHD)滤波算法,该算法基于球面-径向容积数值积分准则,利用容积卡尔曼滤波(cubature Kalman filter, CKF)产生建议密度函数,并对其进行采样得到当前时刻的粒子状态,从而使粒子分布更接近于真实的多目标后验概率密度函数。同时,CP-PHD算法性能不受目标状态维数影响,与无迹卡尔曼粒子概率假设密度(unscented Kalman particle probability hypothesis density, UP-PHD)滤波相比,具有更强适应性和更好的跟踪性能。实验结果表明,CP-PHD算法的跟踪精度优于SP-PHD和UP-PHD。     

基于GM(1,1)模型的机动目标跟踪方法研究

传统卡尔曼滤波器依赖目标运动状态的数学模型,当目标运动数学模型不精确或不能够用线性状态空间模型描述时,跟踪滤波会发散。针对这一问题,提出了一种基于GM(1,1)(Grey model)模型的跟踪卡尔曼滤波方法。在卡尔曼滤波过程中,迭代所需的预测值不再依赖所建立的目标运动状态方程,而是用前几个时刻的估计值建立灰色微分方程来预测下一时刻的值,其预测精度高,滤波性能提高,特别在目标机动的时间内跟踪滤波效果要好于传统方法。仿真结果表明,是一种可行的机动目标跟踪方法。     

跟踪机动目标的雷达波形选择新方法

针对多项式预测模型描述的机动目标,提出了一种新的雷达波形选择算法。由于机动目标的运动方程满足多项式的规律,以运动目标的多项式预测模型作为状态方程,Kalman滤波器可以很好地跟踪目标的位移和速度信息,并得到估计误差以及其预测。利用跟踪器得到目标状态估计误差的预测误差椭圆为基准,通过分数阶傅里叶变换来旋转测量误差椭圆,以使得雷达的测量误差椭圆与目标跟踪算法对目标状态的估计误差的预测的误差椭圆正交,从而得到了最优的波形选择。仿真结果表明,所提出的算法在性能上优于对比算法。     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先，在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次，通过将待优化问题的求解分解成两个凸优化子问题，一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后，将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

基于UKF的单站无源定位与跟踪双向预测滤波算法

提出了一种新的滤波算法,以加快滤波算法的收敛速度和提高滤波的估计精度。反向预测与更新提高了上一时刻状态估计的精度,减小了当前时刻的状态预测误差。利用更准确的初始条件经过正向预测与更新,能得到当前状态更精确的估计值。计算机仿真结果表明,本算法的滤波性能优于传统的迭代滤波算法,既提高了滤波的估计精度,又加快了算法的收敛速度。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波（unscented Kalam filter,UKF）算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。     

SR-CH∞KF用于弹丸飞行姿态测量研究

为提高弹丸姿态测量精度,提出一种基于H∞滤波的平方根容积卡尔曼滤波.该方法通过三轴地磁传感器和陀螺仪组合测量模型,采用欧拉角算法模型减少状态维数并使状态方程呈现线性化,可以减少计算量.该方法可以适用于量测噪声不确定的情况,引入新息序列不断修正误差限定参数来更新量测噪声估计值,可以提高滤波的精度和鲁棒性.奇异值分解能够保...