基于高阶球面-径向准则的多传感器融合算法

针对目前多传感器信息融合精度不高的问题,提出了基于高阶球面-径向准则的多传感器融合算法。该算法将七阶球面-径向准则嵌入信息滤波框架,提出能够处理集中式多传感融合的集中式七阶容积信息滤波(C7thCIF)算法;然后,采用平均一致性算法对多传感器信息进行处理,采用C7thCIF对平均一致值进行滤波,推导了能够处理分布式多传感器融合的分布式七阶容积信息滤波(D7thCIF)算法,提高了集中式和分布式多传感器融合的精度。仿真结果表明,高阶算法能够获取比低阶算法更好的融合精度,但增加了计算复杂度。     

基于交互式多模型的多传感器组合导航系统

针对复杂环境中组合导航系统模型参数变化导致单一参数滤波器滤波精度下降的问题,对基于交互式多模型的多传感器组合导航系统进行研究。给出状态基于全局信息的融合估计公式,将交互式多模型卡尔曼滤波算法应用于SST/GPS/SINS多传感器组合导航系统,并与单一模型下的卡尔曼滤波方法进行比较。仿真实验结果表明,该方法能提高组合导航系统的滤波精度与可靠性,但当实际的模型集不能覆盖实际的所有模态时,系统的滤波精度会有所下降。     

基于联邦SR-UKF算法的GPS/INS导航数据融合算法

为提高导航系统数据融合的稳定性和容错性,将一种基于方根分解形式的Unscented卡尔曼滤波(SR-UKF)算法和分散式滤波技术相结合,建立了新的联邦滤波器SR-UKF算法并应用于GPS/INS组合导航系统中.数值仿真实验表明, 联邦SR-UKF 比联邦UKF 有更好的滤波精度、更高的稳定性和容错性, 是一种理想的非线性GPS/INS组合导航滤波方法.     

多传感器组合导航联邦滤波技术研究

文中对多传感器组合导航联邦滤波技术进行了研究,并通过实例进行了仿真计算.得出了联邦滤波器比各子滤波器的估计精度高,比集中式滤波技术的计算量小,而且联邦滤波技术与集中式滤波技术的估计精度相差不大的结论.     

自适应联邦滤波算法在鱼雷多参量导航定位中的应用

针对鱼雷水下航行的特殊性以及组合导航系统中由于量测噪声统计特性的不确定而导致滤波精度降低的问题,提出了一种新的应用于鱼雷导航定位的自适应滤波算法。该算法通过新息自适应量测噪声,在噪声统计特性未知的情况下能进行滤波计算。同时在信息融合时提出一种新的自适应信息分配方法,该方法利用估计的均方误差阵来实时确定各子滤波器的信息分配系数,使信息分配系数能够跟随子滤波器的性能而改变。通过对新算法与标准卡尔曼滤波算法所做的对比仿真试验分析,结果表明,该自适应联邦滤波算法在鱼雷多参量自适应联邦滤波导航定位应用中的有效性。     

两种车载导航分散滤波算法对比及应用研究

针对航位推算/惯性导航/GPS(DR/INS/GPS)组合导航系统的多信息源融合,提出了基于局部反馈校正的联邦滤波和串级滤波两种算法,并进行对比研究.跑车实验结果证明,两种分散滤波算法在正常导航(无传感器故障)情况下都能有效提升车载导航系统的精度和可靠性,且前者定位精度较后者高;但后者能够消除DR误差前期积累,避免GPS失效时的定位输出"突跳"和"毛刺",具有更好的应用价值.     

基于双联邦UKF算法的组合导航数据融合方法

为了提高组合导航系统数据融合的精度和容错性,提出一种双联邦UKF组合导航数据融合方法.采用双联邦UKF滤波器的算法将JTIDS相对导航技术与成熟的GPS/INS/DVS组合导航技术相结合组成新的双联邦UKF组合导航数据融合算法.联邦UKF算法将UKF算法和分散式滤波技术相结合,精度高容错性好,JTIDS相对导航技术精度高抗干扰能力强.主滤波器1对GPS/INS/DVS组合导航信息进行融合后与JTIDS相对导航信息在主滤波器2中融合,提高了组合导航系统的可靠性和容错性.数值仿真实验表明,该算法性能优于单纯采用联邦GPS/INS组合导航算法是一种理想的组合导航滤波方法.     

卡尔曼滤波在四旋翼飞行器姿态测量中的应用

针对简单均值滤波很难满足要求的不足,介绍一种四旋翼飞行器系统飞行姿态测量的新算法。在使用传统的加速度传感器获取数据的基础上,使用卡尔曼滤波的方法,将加速度传感器数据和陀螺仪数据进行融合,以单片机为核心的惯性测量单元进行试验。结果表明,该算法能避免动态噪声对加速度传感器数据的影响,提高四旋翼飞行器姿态测量的精度。     

水下航行器INS/GPS/DVL组合导航方法

针对自主水下航行器（AUV）受水下环境的局限难以提高导航性能的问题,提出了一种融合多传感器信息的INS/GPS/DVL组合导航方案,利用分散化滤波中的联邦Kalman滤波来实现AUV组合导航方案,通过动态信息分配系数优化了各子系统的导航信息,增强了AUV的导航性能。仿真结果表明,该方案充分提取了导航传感器的信息,有效地提高了AUV的导航精度和水下定位能力。     

多传感器信息融合联邦滤波一般模型的理论与仿真研究

对多传感器信息融合联邦滤波一般理论模型及其实现方法进行了研究。结合应用需求分析了联邦滤波一般模型的特点,给出了实用的信息分配系数求取方法及该模型具体的算法实现途径。以惯性/卫星(GPS/北斗双星)/多普勒/星光(INS/GPS/RDSS/Doppler/CNS)飞行器组合导航系统为例进行了联邦滤波一般模型算法的仿真分析。仿真结果表明,所给出的一般模型实现算法,在保持该模型全局最优性的同时,具有数值计算稳定性好、计算量小、数据传输量小等优点,是一种改进型算法。     

多传感器容错综合导航系统技术及其应用研究

文中结合经典的故障检测、隔离方法和联邦卡尔曼滤波,提出了以惯性导航系统为基准的多传感器容错综合导航系统设计方案,并在信息融合策略中采用了"故障诊断周期"方法对系统故障和野值进行了不同处理,以提高系统滤波的精度和数据的连续性.以SINS/GPS/Doppler组合导航系统为例, 结合载体的使用要求以及各导航子系统的使用范围和误差特性进行了设计方案的可行性分析.研究结果表明, 所设计的方案既能有效地实现系统故障检测、隔离和系统重构, 而且整个导航计算过程保持了良好的算法连续性、稳定性和系统精度.     

基于自适应滤波的惯性+多模卫星组合导航算法研究

惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力.     

卡尔曼滤波算法在多传感器融合技术中的应用

为了进一步提高测量精度,针对多传感器融合技术和非线性系统的连续-离散卡尔曼滤波算法的研究,提出了一种综合卡尔曼滤波和数据融合算法的优点相结合的估计技术和算法.仿真结果表明在使用连续-离散卡尔曼滤波方法估计的基础上,进一步采用加权融合算法,可以降低系统测量量的噪声干扰,并明显改善传感器测量参数的估计精度,其算法也是递推算法,可以满足实际应用中的实时性要求.     

联邦卡尔曼滤波在捷联惯导/全球定位/里程仪组合系统中的优化设计

基于Carlson提出的联邦卡尔曼滤波理论的原理和特点,建立了SINS/GPS/OD组合导航系统的数学模型,设计了组合系统的联邦滤波算法,并使用MATLAB对算法进行了仿真,仿真结果证明了联邦滤波器在组合导航系统应用中的可行性和优越性,该算法计算量小、容错性好,能实现较高的精度.     

基于互补-粒子滤波的MEMS 传感组件姿态数据融合算法

为解决现有的MEMS传感组件精度低、误差大和磁传感器测量的航向角数据噪声大、精度低等问题,提出基于互补-粒子滤波的姿态融合解算方法.先用互补滤波算法结合加速计和磁力计对陀螺仪的姿态角进行修正,再采用四元素法对陀螺仪数据进行粒子滤波.仿真实验结果证明:该算法能快速解算出姿态角,提高解算精度.     

无重置联邦滤波及在组合导航中的应用

对联邦滤波器的结构及联邦滤波器的无重置融合算法进行讨论,并建立了组合导航系统联邦滤波模型.以SINS/GPS/TAN组合导航系统为例进行了仿真研究.结果表明,文中给出的无重置联邦滤波器与集中卡尔曼滤波器的精度相差无几,解算速度更快,容错性更好,可应用于对实时要求较高的组合导航系统中.     

GSPF融合的SINS/GPS紧耦合组合导航技术

针对SINS/GPS紧耦合组合导航中的非线性融合问题,提出了一种基于高斯和粒子滤波(GSPF)的紧耦合导航方法。建立了SINS和GPS的紧耦合非线性模型,分析了GSPF算法对最优贝叶斯滤波的近似原理,并设计了基于GSPF的紧耦合融合步骤。对系统进行了仿真,结果表明在GPS可见卫星数目低于4颗时紧耦合仍可实现组合,并且GSPF在紧耦合导航中可达到较高的估计精度,当系统具有较大姿态误差时可获得比粒子滤波(PF)更好的精度和更快的收敛速度。     

机动目标跟踪的多传感器分层加权融合算法

针对应用并行,Bar Shalom-Campo等融合算法实现多传感器对机动目标的融合跟踪时,经典的交互多模型(IMM)无法提供目标运动模型这个先验信息的问题,提出一种机动目标跟踪的多传感器分层加权融合算法,该算法通过分层加权得到多种融合算法所需的目标运动模型信息,最后使用扩展卡尔曼滤波器(EKF)对状态预测和量测进行融合估计,实现了多传感器对机动目标的融合跟踪。仿真实验表明,和单传感器相比,所提算法显著提升了机动目标的跟踪精度。     

基于线性高斯滤波的多传感器管理算法

随着战场环境的复杂多变,军用传感器系统通常需要在满足跟踪精度要求的前提下,最大限度地降低对资源的使用,隐藏自己.为达到上述要求,传感器管理系统就必须较好地应对目标机动、干扰等不确定因素,最大限度地降低其对系统资源的需求.为此,将线性高斯滤波理论应用于基于协方差控制的多传感器管理算法.仿真结果表明:线性高斯滤波具有处理随机干扰的能力,提高了多传感器系统的探测精度,降低了传感器管理算法无解的概率,避免了因滤波算法精度低而造成的资源浪费,提高了抗毁性,在随机干扰情况下,较好地平衡了跟踪精度和系统工作负载.     

联邦式扩展卡尔曼粒子滤波算法

为了使联邦滤波器能有效处理非高斯、非线性系统的状态估计问题,提出将扩展卡尔曼粒子滤波引入联邦滤波结构中,得到一种新的联邦式扩展卡尔曼粒子滤波算法。使用扩展卡尔曼粒子滤波对联邦滤波子系统的多源数据进行处理,从而摆脱了经典卡尔曼滤波的限制,拓宽了联邦滤波器的实际应用范围。将联邦式扩展卡尔曼粒子滤波算法应用于非线性滤波器的一个标准验证模型进行了仿真实验,结果表明该算法是有效性的。