基于偏振光/DVL/SINS的水下机器人自主导航方法

针对未知海域中水下机器人难以实现自主导航的问题,提出了一种基于偏振光/多普勒测速/SINS组合的自主导航方法。依据水下偏振光相机测向原理建立了偏振光/SINS姿态组合系统,依据多普勒测速原理建立了多普勒/SINS速度组合系统,并基于联邦Kalman滤波器实现了组合导航系统的信息融合。通过仿真实验验证,本文提出的组合导航方法相比于现有组合方法具有更好的定位精度和容错能力,能够满足水下机器人进行无源自主导航时的精度和可靠性的要求。     

基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法.该算法的核心思想是利用KLD采样原理,根据预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力.最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法.     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

一种基于自适应粒子滤波的捷联初始对准方法研究

针对传统自适应粒子滤波算法的计算负荷太大问题,在Fox的K-L距离采样的基础上,给出一种新的求解七值的方法,将k值的计算从采样过程中分离出来,大大降低算法的复杂度,减少计算量,避免死循环发生.曩后,将该算法应用到大失准角情况下捷联惯导系统动基座初始对准中,并与扩展卡尔曼滤波算法,标准粒子滤波算法和传统自适应粒子滤波算法进行了比较,仿真结果表明简化的自适应粒子滤波算法在保持高精度的同时,有效地提高了算法的计算速度,因此更适合于捷联惯导系统动基座初始对准.     

基于分布式无味边缘粒子滤波的同步定位与地图构建

针对复杂环境下同步定位与地图构建(SLAM)中分布式粒子滤波算法存在计算量大、粒子退化严重的问题,在分布式算法的基础上结合无味粒子滤波和边缘化算法,提出了一种基于分布式无味边缘粒子滤波的算法.该算法依据分布式思想将系统分解为多个仅包含部分状态量的子系统,各子系统均采用无味粒子滤波算法进行状态估计,通过边缘化算法优化无味粒子滤波算法的边缘分布函数,主滤波器融合各子滤波器的数据计算最终结果,克服了滤波精度低、计算复杂度高的问题.最后,通过仿真试验证明改进的分布式边缘粒子滤波算法能够抑制粒子退化现象,具有较好的实时性和滤波精度,是解决SLAM的新的有效方法.     

基于卡尔曼/粒子组合滤波器的组合导航方法研究

粒子滤波在组合导航系统非线性非高斯条件下的滤波估计中获得广泛关注,但捷联惯导误粒子组合滤波算法,采用卡尔曼滤波和粒子滤波分别对系统的线性和非线性状态进行估计,降低粒子滤波器状态维数,避免维数灾难.采用系统残差采样法的规则化粒子滤波器,有效缓解粒子贫化问题,并减少计算负担.仿真结果表明卡尔曼/粒子组合滤波方法的估计性能与粒子滤波相当,但计算复杂度前者要低得多.     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。     

组合导航系统的自适应MCMC信息融合算法

针对组合导航系统为高维非线性非高斯的特点,提出了一种在线实时调整粒子个数的自适应MCMC(Markov Chain Monte Carlo)粒子滤波算法.该算法利用基于KLD(Kullback-Leibler Distance)采样方法的自适应粒子个数调整算法在线调整MCMC粒子滤波过程中的粒子个数,利用预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,从而有效减小算法的运算量,提高MCMC粒子算法的实时处理能力.最后,将该算法应用到了组合导航系统中进行了仿真研究.通过仿真结果可以看出,该算法在保持了MCMC粒子滤波算法的估计能力的同时,有效降低了算法的计算量,更适合于实际应用.     

基于空间域划分的分布式SLAM算法

针对同步定位与地图构建(simultaneous localization and mapping, SLAM)中状态量高维时变的问题,本文通过综合集中式和分布式实现结构的各自优势,提出了一种基于空间域划分的分布式SLAM算法。该算法依据两个路标点与机器人连线之间的夹角,将整个空间域中的路标点进行区域划分,保证每个子空间域内含有两个不共线的路标点,并将每个空间域内的路标点组合构建观测模型,采用分布式无味粒子滤波器进行机器人位姿的估计,而采用联邦Kalman滤波完成对路标点的估计,并通过设计各子滤波器中粒子分布的调整方式改善了系统在动态重构过程的精度和稳定性。最后,通过实际数据的仿真试验证明所提算法具有更好的实时性和滤波精度。