无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

分类因子自适应抗差滤波

自适应抗差滤波的关键技术是构造观测等价权矩阵和合理的自适应因子，以便能有效地平衡观测信息、状态信息及其各分量对状态参数估值的贡献．文中在自适应抗差滤波和双因子相关观测抗差估计原理的基础上，提出了将常速度模型的状态预报信息分为位置和速度两类，并分别构造相应的自适应因子．导出了相应的分类因子自适应抗差滤波解，并给出了分类自适应因子的计算表达式．计算结果表明，分类因子自适应抗差滤波不仅能有效地控制观测异常和动态扰动异常的影响，而且利用分类因子合理地平衡了位置预报信息和速度预报信息对状态参数估值的贡献，其精度要优于基于位置不符值和速度不符值的单因子自适应抗差滤波．     

联邦自适应滤波在SINS/北斗/星敏感器组合导航系统中的应用

本文以无反馈模式的联邦自适应滤波器为基础 ,构建了SINS/北斗 /星敏感器组合导航系统 .由于组合导航的系统模型参数往往与实际的物理参数有偏差 ,因此在采用常规卡尔曼滤波时 ,组合的效果往往很差 .针对实际系统应用分析了适用于系统噪声阵未知情况下的SalychevO联邦自适应滤波算法 ,仿真表明 ,与修正信息分配系数的联邦自适应滤波方法相比 ,本文的方法更适合于系统状态噪声阵未确定时的滤波系统 ,能有效提高导航精度     

联邦自适应滤波在SINS／北斗／星敏感器组合导航系统中的应用

本以无反馈模式的联邦自适应滤波器为基础，构建了SINS／北斗／星敏感器组合导航系统．由于组合导航的系统模型参数往往与实际的物理参数有偏差，因此在采用常规卡尔曼滤波时，组合的效果往往很差．针对实际系统应用分析了适用于系统噪声阵未知情况下的Salychev O联邦自适应滤波算法，仿真表明，与修正信息分配系数的联邦自适应滤波方法相比，本的方法更适合于系统状态噪声阵未确定时的滤波系统，能有效提高导航精度．     

一种基于IDDF的多AUV协同导航算法研究

为提高多自主水下航行器(AUV)协同导航效果,克服由于水声通信限制引起的协同更新频率低,进而导致的先验估计误差大、协同导航效果差,以及大初始化误差条件下协同收敛速度慢的问题,提出一种基于迭代插值滤波(IDDF)的多AUV协同导航算法.该算法将迭代滤波技术与插值滤波(DDF)算法相结合,不仅降低了传统EKF(扩展卡尔曼滤波)算法模型截断化误差对滤波精度的影响,而且通过量测信息的迭代更新,保证了系统在弱可观测条件下量测信息的充分融合.仿真结果表明该算法明显改善了系统的协同导航效果,证明了该算法对于多AUV协同导航系统的有效性.     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

基于双目光学图像信息的空间非合作目标自主相对导航方法

针对无任何先验信息的空间非合作目标相对导航问题,提出了一种仅基于双目视觉图像测量的自主相对导航方法.首先,建立了非合作目标双目图像测量辨识模型及特征位置矢量解算方法.利用观测卫星相机系下的目标相对位置矢量观测序列,结合卫星姿态、相机安装方位等信息,给出了非合作目标初始相对运动状态估计及导航滤波参数初始化方法.之后采用考虑状态噪声补偿以及观测方差矩阵和状态噪声矩阵自适应修正的扩展卡尔曼滤波算法,完成空间非合作目标自主相对导航解算.最后以低轨非合作目标逼近段为例进行相对导航仿真,验证了该方法的有效性.     

基于M估计的自适应鲁棒平方根连续 离散CKF算法

针对测量中出现的异常情况,提出了一种基于M估计的自适应鲁棒平方根连续 离散容积卡尔曼滤波算法。该算法将目标跟踪问题建模为连续 离散时间模型,将改进的M估计的思想融入连续 离散容积卡尔曼滤波算法当中,通过Mahalanobis距离对异常测量进行门限判别,引入校正因子,根据观测残差自适应地调整观测噪声协方差矩阵的大小,进一步提高滤波算法的鲁棒性;通过将连续 离散模型与校正因子结合,实现了滤波精度和抗异常测量值的统一。仿真结果表明,与传统鲁棒算法相比,该算法在单点测量异常和多点测量异常的条件下都能够更加准确地对目标进行跟踪,且鲁棒性更强。     

自适应Kalman滤波的改进及其在SINS/GPS组合导航中的应用

为解决自适应Kalman滤波中存在的问题,综合采用对观测粗差和滤波结果粗差进行判断、对系统噪声方差阵扩零和修改自适应方程减去项等措施对算法进行了改进.观测粗差的判断可以避免观测奇异,提高滤波稳定性;对滤波结果粗差的判断可避免矩阵求逆时的奇异现象;对状态噪声方差阵扩零,可保证在不影响滤波精度的情况下解决滤波过程中矩阵维数不对应的问题;修改自适应方程减去项,虽然牺牲了一定的精度,但可保证求解状态噪声协方差阵Q和观测噪声协方差阵R的等式右边非负定,从而保证Q和R的非负定.将上述改进后的自适应Kalman滤波算法应用到SINS/GPS组合导航中,仿真结果表明上述改进有效地提高了自适应Kalman滤波的稳定性,且保证了滤波的精度.     

四轮驱动EV自适应抗差无迹粒子滤波状态估计

针对四轮毂电机驱动电动汽车转矩控制中整车质心侧偏角等关键状态参数无法直接检测及车速等测量值易受到随机误差干扰的问题,建立四轮毂电机驱动电动汽车七自由度动力学模型,进行整车行驶状态参数滤波估计.结合抗差滤波原理及无迹粒子滤波算法,提出一种整车状态滤波估计方法.运用自适应抗差无迹粒子滤波,实现电动汽车行驶过程中纵向速度、侧向速度和质心侧偏角的准确滤波估计.搭建CarSim与Matlab/Simulink联合仿真实验平台对估计算法进行验证.结果表明:所搭建四轮毂电机驱动汽车动力学模型对整车行驶状态具有较高的预测精度;基于自适应抗差无迹粒子滤波算法能实现整车行驶状态估计,能有效对测量参数进行滤波,且具有较高的估计精度.     

复杂信号环境下的鲁棒卡尔曼滤波算法

该文提出一种有效减小全球导航卫星系统接收机在复杂信号环境下定位误差的鲁棒卡尔曼滤波算法。该算法对基于高斯白噪声模型的传统Kalman进行了改进,引入了污染分布,并提出了一种基于加权组合正态分布模型下的滤波算法。同时利用矩估计理论对算法中的污染率给出了一种在线估计方法。通过模拟数据和真实采集信号的测试证明,本文提出的算法可在线对污染率进行准确稳定的估计,抑制粗差的效果明显优于传统Kalman滤波算法,定位误差显著减小。     

自适应两阶段卡尔曼滤波器在传递对准中的应用

研究自适应两阶段卡尔曼滤波器在动基座传递对准中的应用. 利用两阶段卡尔曼滤波器将子惯导的惯性器件偏差分离,从而减小由于系统状态过多而导致的滤波计算量,提高计算实时性. 加入自适应环节,使得随机系统偏差的先验统计特性不准确时也能取得良好的估计效果. 仿真结果表明,在对准模型存在未知的随机系统偏差时,自适应两阶段卡尔曼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.     

车辆无陀螺航位推算系统的导航原理及其算法

建立了利用车辆内部传感器取代惯性敏感器获得航向、速度信息的车辆航位推算（DR）系统的系统方程和观测方程,并采用描述机动载体运动的当前统计模型,给出了基于自适应卡尔曼滤波的车载无陀螺DR系统的导航算法,在导航算法中,对原始测量数据进行组合运算获得线性形式的观测方程,避免了目前常用导航算法由于观测方程线性化引起的模型误差,算法稳定性较好,且计算量小,现场跑车试验表明,给出的车载无陀螺DR系统的模型及其导航算法能够获得满意的导航精度。     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

基于模糊信息下的一种多机动目标跟踪算法

利用估计理论和模糊集理论,在接收信息包含随机性和模糊性的前提下,建立了接收信息下的模糊观测集合.首先推导出模糊最小方差估计公式,然后给出模糊信息下的卡尔曼滤波公式.为避免计算误差导致滤波发散现象,给出实用的模糊信息下的平方根滤波公式.以目标编队飞行和轨迹交叉两种机动情况,进行密集回波下的多目标跟踪仿真验证,获得满意的结果.结果表明,在复杂环境下该滤波公式具有良好的滤波和跟踪性能.     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

Distributed cubature Kalman filter based on observation bootstrap sampling

Aiming at the adverse effect caused by observation noise on system state estimation precision,a novel distributed cubature Kalman filter(CKF) based on observation bootstrap sampling is proposed.Firstly,combining with the extraction and utilization of the latest observation information and the prior statistical information from observation noise modeling,an observation bootstrap sampling strategy is designed.The objective is to deal with the adverse influence of observation uncertainty by increasing observations information.Secondly,the strategy is dynamically introduced into the cubature Kalman filter,and the distributed fusion framework of filtering realization is constructed.Better filtering precision is obtained by promoting observation reliability without increasing the hardware cost of observation system.Theory analysis and simulation results show the proposed algorithm feasibility and effectiveness.     

改进的自适应Kalman滤波在GPS/SINS中的应用

以GPS/SINS组合导航为应用背景,针对常规Kalman滤波由于先验知识不足,观测数据突变等容易引起的发散问题,提出了一种改进的自适应Kalman滤波。该算法将Sage-Huse自适应滤波和衰减记忆滤波相结合,以解决由于先验知识不足引起的滤波发散问题;在此基础上引入压缩函数,通过对野值进行有效地判断和处理以达到抑制滤波发散的目的。仿真结果表明:改进的自适应滤波算法不但可以有效地解决由于模型不够准确和野值等容易引起的发散问题,同时与传统滤波算法相比水平位置滤波精度分别提高了6倍和5.7倍,高程滤波精度提高了2.39倍,具有较好的自适应性和稳定性。     

Fuzzy Adaptive Strong Tracking Cubature Kalman Filter

To solve the problem that the choice of softening factor in conventional adaptive strong tracking filter( STF) greatly relies on the experience and computer simulation,a new concept of softening factor matrix is introduced and a fuzzy adaptive strong tracking cubature Kalman filter( FASTCKF) based on fuzzy logic controller is proposed. This method monitors residual absolute mean and standard deviation of each measurement component with fuzzy logic adaptive controller( FLAC),and adjusts the softening factor matrix dynamically by fuzzy rules,which is capable to modify suboptimal fading factor of STF adaptively and improve the filter's robust adaptive capacity. The simulation results show that the improved filtering performance is superior to the conventional square root cubature Kalman filter( SCKF) and the strong tracking square root cubature Kalman filter( STSCKF).     

Maneuvering target tracking algorithm based on CDKF in observation bootstrapping strategy

The selection and optimization of model filters affect the precision of motion pattern identifica-tion and state estimation in maneuvering target tracking directly.Aiming at improving performance of model filters, a novel maneuvering target tracking algorithm based on central difference Kalman filter in observation bootstrapping strategy is proposed.The framework of interactive multiple model ( IMM) is used to realize identification of motion pattern, and a central difference Kalman filter ( CDKF) is selected as the model filter of IMM.Considering the advantage of multi-sensor fusion method in improving the stability and reliability of observation information, the hardware cost of the observation system for multiple sensors is adopted, meanwhile, according to the data assimilation technique in Ensemble Kalman filter( EnKF) , a bootstrapping observation set is constructed by in-tegrating the latest observation and the prior information of observation noise.On that basis, these bootstrapping observations are reasonably used to optimize the filtering performance of CDKF by means of weight fusion way.The object of new algorithm is to improve the tracking precision of ob-served target by the multi-sensor fusion method without increasing the number of physical sensors. The theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.