惯性/地磁组合导航算法

针对惯性/地磁组合导航滤波算法进行了深入研究.分析了惯性/地磁组合导航系统的基本原理,基于巡航导弹巡航段飞行过程建立了组合导航系统的滤波模型.在观测信息分别为实测地磁场三分量信息和单一幅值信息条件下,采用广义卡尔曼滤波和Unscented卡尔曼滤波算法进行了仿真分析.仿真结果表明,在观测信息为三分量地磁信息条件下,Unscented卡尔曼滤波总体滤波效果略优于广义卡尔曼滤波,两种算法在最后30 s内的平均定位精度都可达到50 m;在观测信息仅为地磁场幅值的情况下,广义卡尔曼滤波算法的滤波收敛速度和精度均大幅下降,而Unscented卡尔曼滤波仍然取得不错的收敛效果,滤波性能明显优于广义卡尔曼滤波.     

基于奇异值分解的多重渐消鲁棒Cubature卡尔曼滤波及在组合导航中的应用

为了提高标准Cubature卡尔曼滤波（CKF）的稳定性和鲁棒性,提出一种改进的多重渐消H∞滤波Cubature卡尔曼滤波算法。首先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;其次,引入H∞鲁棒思想,构造多重渐消H∞滤波Cubature卡尔曼滤波器;最后,提出采用一种奇异值分解的矩阵分解策略代替标准Cubature卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性。实际GPS/INS组合导航实验表明,改进的多重渐消H∞滤波Cubature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,而且对观测野值具有更高的鲁棒性;提出的新算法与标准CKF算法相比,XYZ三个方向的位置精度分别提高了55.8%,46.6%和39.7%。     

权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。     

自适应SDV-UPF算法及其在紧组合中的应用

针对粒子滤波存在重要性密度函数难以选取和系统状态协方差阵可能出现的负定性问题,提出一种新的自适应奇异值分解无迹粒子滤波(ASVD-UPF)算法。该算法采用自适应因子修正动力学模型误差,通过奇异值分解抑制系统状态协方差矩阵的负定性,并以改进的UKF算法产生重要性密度函数,以弥补粒子滤波的缺陷,使该算法适用于非线性、非高斯系统模型的滤波计算。将提出的算法应用到所设计的GPS/SINS/PL紧组合导航系统中进行仿真验证,结果表明,提出算法的经、纬度误差、速度误差和姿态误差范围分别控制在(-0.5″,+0.5″)、(-0.8 m/s,+0.8 m/s)和(-1′,+1′)以内,误差估计的精度和收敛速度明显优于UKF和PF算法,能提高组合导航系统的解算精度。     

一种改进的自适应卡尔曼滤波及在组合导航中的应用

总结了常用的自适应滤波的方法,并提出一种新的自适应卡尔曼滤波技术,它克服了传统滤波器的不稳定问题,因为传统的卡尔曼滤波过程依赖于系统过程和测量过程的数学模型和其统计模型的正确性的滤波技术.自适应过程是利用测量新息序列和状态修正序列在估计移动窗内是分段静态,来直接估计系统噪声协方差Q和测量噪声协方差(R).仿真结果表明此方法可以提高GPS/INS组合导航系统的精度和可靠性.     

一种车载组合导航系统的联邦滤波新算法

针对车载GPS/DR组合导航系统的特点,提出了一种新的联邦滤波算法.子滤波器由两个滤波器构成:一个是卡尔曼滤波器,另一个是Unscented卡尔曼滤波器(UKF),它们分别处理GPS子系统和DR子系统的信息.UKF是一种较新的非线性滤波方法,相对传统的非线性滤波器EKF具有更高的滤波精度和更高的计算效率.联邦滤波器的信息分配因子采用一种基于观测误差的最小均方误差形式,最佳地融合了传感器的输出信息.这种结构降低了联邦滤波器的计算难度和计算量,提高了组合导航系统的可靠性和容错性.仿真结果表明,提出算法的定位精度很高,与UKF算法的效果相当.     

组合导航系统多重衰减因子自适应估计算法比较研究

提出了多重衰减因子自适应估计卡尔曼滤波方法,用该方法对系统每个误差状态估计进行控制,提高滤波器的估计性能。仿真结果表明,新算法在系统噪声特性不准确的情况下,能够抑制卡尔曼滤波估计的发散,GPS/SINS组合导航精度比强跟踪滤波估计的精度高。这种算法推导形式简单,计算量小,适合在线运算。     

一种新的自适应UKF算法及其在组合导航中的应用

为了提高组合导航系统的滤波精度,提出一种带噪声统计估计器的自适应UKF滤波算法。该算法根据协方差匹配原理,利用UKF滤波算法的残差序列与新息序列,在线估计、调整系统过程噪声和量测噪声的统计特性,提高UKF的自适应能力,克服了标准UKF在系统噪声统计未知或不准确情况下滤波精度下降甚至发散的问题。将提出的算法应用于SINS/BDS组合导航系统进行仿真验证,并与标准UKF和抗差UKF进行比较,结果表明,提出的自适应UKF得到的水平位置误差和天向误差分别在[?6.2 m,?6.4 m]与[?9.8 m,?8.6 m]以内,滤波性能明显优于标准UKF与抗差UKF,提高了组合导航系统的解算精度。     

自适应Sage-Husa粒子滤波及其在组合导航中的应用

针对非线性滤波问题,提出一种新的自适应Sage-Husa粒子滤波算法。通过Sage-Husa滤波方法计算状态估值和协方差阵来获得重要性密度分布函数,充分考虑了最新量测信息的影响,并利用欧氏距离和反映量测噪声统计特性的精度因子自适应地调整粒子权值的分布,降低粒子退化程度,提高了滤波精度,适用于非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和粒子滤波比较,仿真结果表明,自适应Sage-Husa粒子滤波能提高导航系统定位的解算精度,得到的东向和北向定位误差控制在?5.3m附近,其性能明显优于扩展Kalman滤波和粒子滤波。     

基于权值矩阵的模糊自适应卡尔曼滤波在组合导航中的应用

针对自主驾驶车辆长时间导航精度要求难以满足的问题,建立了GPS与微惯性导航系统的组合导航滤波模型,在位置观测的同时引入姿态信息,提高了导航精度。在此基础上提出了基于权值矩阵的模糊自适应卡尔曼滤波算法,该算法通过模糊控制器自适应地改变每个观测量的权值,得到权值矩阵引入卡尔曼滤波器实现自适应滤波。仿真和实验结果表明,所提出的权值矩阵模糊卡尔曼滤波性能优于衰减因子自适应卡尔曼滤波,特别是在GPS信号失真及噪声先验统计特性不可知的情况下,其定位精度能够保证在1m之内。     

抗差自适应模型预测滤波及其在组合导航中的应用

为了提高捷联惯导(SINS)/天文导航(CNS)/合成孔径雷达(SAR)组合导航系统的定位精度,在吸收模型预测滤波和抗差自适应滤波算法优点的基础上,提出了一种新的抗差自适应模型预测滤波算法。该算法首先利用模型预测滤波估计出系统模型误差,并对其进行实时修正,以抑制系统模型误差对导航解算精度的影响;然后利用抗差自适应因子控制观测异常,抑制观测噪声对导航解算精度的影响。将提出的算法应用于SINS/CNS/SAR组合导航系统进行仿真验证,并与抗差自适应滤波进行比较,结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[0.2,0.2]、[0.3m/s,0.3m/s]和[6 m,6 m]以内,滤波性能明显优于抗差自适应滤波算法,说明该算法能有效抑制系统模型误差及观测异常对导航解的影响,提高组合导航的解算精度。     

GPS/DR组合导航抗差自适应滤波算法

针对GPS/DR车辆组合导航系统的数学模型具有非线性,应用扩展卡尔曼滤波进行线性化会导致滤波结果出现较大误差的问题,引入了抗差自适应滤波算法。利用计算机仿真,分别对抗差自适应Kalman滤波和自适应Kalman滤波算法进行仿真验证,结果表明,抗差自适应滤波不但能自适应地确定观测噪声的协方差矩阵,而且能利用自适应因子调节状态参数噪声的协方差矩阵,可以控制观测异常和动态模型噪声异常对状态参数估值的影响,使状态参数的估值更加合理。自适应Kalman滤波使位置误差控制在30m,而对抗差自适应Kalman滤波能使位置误差控制在18m左右,且误差控制更稳定。     

基于交互式多模型秩滤波的移动机器人组合导航算法

针对非结构化环境下移动机器人组合导航系统中存在的时变或非高斯噪声,将秩滤波器(rank Kalman filter,RKF)与交互式多模型算法(interactive multiple model filter,IMM)相结合,提出一种交互式多模型秩滤波算法(IMM-RKF)。秩滤波根据秩统计量相关原理确定采样点和权值,可适用于具有非高斯噪声的非线性系统;交互式多模型算法是解决结构和参数易发生变化系统中状态估计问题的重要途径,能够抑制组合导航系统中时变噪声引起的导航参数估计误差。仿真实验表明,相比于交互式多模型扩展卡尔曼滤波(IMM-EKF)和交互式多模型无迹卡尔曼滤波(IMM-UKF),提出的IMM-RKF算法能够提高组合导航系统姿态、速度和位置估计精度。     

衰减记忆平方根UPF算法及其在组合导航中的应用

针对用UPF算法进行导航滤波计算可能出现协方差矩阵不对称或负定的问题,在研究衰减记忆滤波和平方根滤波的基础上,以Unscented粒子滤波为框架,提出一种新的衰减记忆平方根UPF算法。该算法利用衰减因子减小历史信息对滤波的影响,增强当前量测信息在滤波计算中的作用。然后,以协方差矩阵的平方根阵代替协方差矩阵进行滤波解算,保证了协方差矩阵的对称性和非负定性,提高了滤波算法数值稳定性和解算精度。将提出的算法应用到SINS/SAR组合导航系统中进行仿真验证,并与UPF算法进行比较,结果表明,提出算法的滤波性能明显优于UPF算法,能提高组合导航系统的滤波精度。     

自适应SA-ACO地磁匹配导航算法

基本蚁群算法的地磁匹配算法易陷入局部最优且算法鲁棒性、稳定性较低,针对这些不足提出一种改进的地磁匹配导航算法。新算法改进了蚁群算法的信息素更新策略并引入参数自适应调整来避免算法陷入局部最优;同时采用带有记忆功能和自适应选择初始温度的模拟退火(SA)算法,无论算法是否陷入局部最优时通过在本次迭代最优路径上强行随机扰动以实现继续寻优。实验结果表明,新算法比传统蚁群优化(ACO)算法有更强的鲁棒性和稳定性。     

鲁棒性地形匹配/惯性组合导航算法

基于传统平均绝对差算法引入了选取搜索区域和匹配运算的改进策略,使得算法在匹配定位时允许载体灵活机动,提高了实时性;针对桑迪亚算法易发散的问题,分析了组合滤波算法的特点,建立了地形匹配/惯性组合导航的数学模型;针对地形匹配"虚定位"影响滤波结果的问题,引入了一种基于新息向量的鲁棒检测算法,采用最小二乘对误匹配点进行拟合改正。仿真研究表明:与传统算法相比,组合滤波算法精度更高、稳定性更强,能高频率(200 Hz)输出高精度导航参数,误差保持在一个格网间距(90 m)以内;鲁棒检测算法能有效抵御粗差影响,在经纬度方向各加入0.05°粗差的情况下,仍可保持较高精度。     

载波平滑伪距紧组合导航系统鲁棒自适应滤波算法

传统惯性/卫星紧组合导航系统采用载波相位平滑伪距可以有效提高伪距观测量精度,但平滑伪距后观测量噪声不符合白噪声特性而导致卡尔曼滤波器容易发散;同时由于周跳的存在会更加严重影响滤波器的稳定性。针对上述问题,分析了平滑伪距噪声特性并建立了噪声模型,在此基础上设计了鲁棒自适应滤波算法对观测噪声进行实时估计和补偿,结合抗差估计理论进行滤波以减小观测量噪声水平和模型不确定对滤波器带来的影响。理论分析和仿真结果表明,在复杂环境下,基于载波相位平滑伪距的鲁棒自适应紧组合导航系统定位精度提高了一倍以上。     

模型预测前向神经网络算法及其在组合导航中的应用

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05 m/s,+0.05 m/s]和[-5 m,+5 m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。