观测卫星不足时的GPS/INS紧组合抗差自适应滤波

常规GPS/INS紧组合抗差自适应滤波只适用于卫星数≥4的情况,且预测残差构造自适应因子要求观测值可靠。针对该局限性,对常规抗差自适应滤波算法做出两点改进:1)采用两步滤波,用第1步常规EKF滤波残差构造第二步抗差算法的粗差判别量;2)在第2步滤波用预测残差构造自适应因子时,剔除异常观测值对应的预测残差和预测残差协方差,以削弱观测异常对自适应因子的不良影响。实验结果表明,常规抗差算法在卫星数4时不适用。常规自适应滤波算法在观测值存在异常的情况下无法正确修正模型异常。改进后的抗差自适应滤波算法在组合系统观测卫星数4且观测值存在异常的情况下,仍能正确修正观测粗差和动力学模型异常,能够达到良好的导航精度。     

组合导航抗差自适应卡尔曼滤波

针对组合导航系统的定位精度与稳定性要求不断提高的现状,该文引入一种观测噪声协方差与抗差自适应相结合的Kalman滤波算法。利用新息向量和移动窗口协方差分析法,动态自适应修正观测噪声协方差阵;通过分析基于状态不符值、方差分量的统计量构造的自适应因子所存在的问题,提出一种由预测残差向量构造的自适应因子。仿真结果表明,该方法能够有效抑制观测异常对组合导航定位精度的影响。     

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。     

自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

论动态自适应滤波

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制。本文首先介绍了目前广泛使用的Sage自适应滤波，讨论了自适应滤波的残差向量、新息向量及状态参数预报值残差向量的解析关系，以及它们之间的协方差矩阵之间的关系；分析了基于新息向量、残差向量和状态参数预报值残差向量的自适应协方差估计存在的问题。对新近发展起来的抗差滤波、Sage自适应滤波及抗差自适应滤波进行了综合比较与分析，结果表明抗差自适应滤波解算理论与方法除自适应地估计载体状态预报向量的协方差矩阵外，还能自适应地估计任意历元观测量的权。计算结果证实，抗差自适应滤波不仅计算简单，而且能有效地控制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

基于渐消因子的改进Kalman滤波时间尺度估计算法

Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法，在守时实验室具有重要实用价值。由于原子钟状态模型误差估计存在偏差，Kalman滤波时间尺度算法中状态估计可能出现相应异常扰动，应当对状态模型误差进行实时控制。对此，引入基于渐消因子的改进Kalman滤波时间尺度算法。对状态预测协方差矩阵引入渐消因子，利用统计量实时计算渐消因子的量值，控制状态预测协方差阵的增长，降低了原子钟状态估计的扰动。实验结果表明，相比于标准Kalman滤波时间尺度算法和基于预测残差构造自适应因子的Kalman滤波算法，基于渐消因子的改进Kalman滤波时间尺度算法能够提高原子钟状态估计的准确度，改进时间尺度的稳定度。     

顾及系统噪声和观测噪声的分级自适应信息滤波算法

高精度的载体动态导航与定位不仅需要对载体异常扰动和观测异常有良好控制,还需要对状态方程系统噪声及观测噪声的时变特性有准确认识和处理。首先针对包含系统噪声的动力学模型和包含时变观测噪声的导航系统,提出一种基于信息滤波形式的分级自适应滤波算法。然后针对系统噪声的渐变性和突变性,增加了遗忘因子和二段自适应因子,提高了对突变噪声估计的稳定性;顾及观测噪声的时变特性,采用传感器间差分和观测数据历元差分法估计观测噪声协方差。最后进行了仿真实验和深海拖体实验,结果表明,该算法不仅可以有效地估计系统噪声,还能准确地估计时变观测噪声的协方差阵,提高水下载体动态参数的估计精度。     

噪声协方差矩阵加权估计的Sage自适应滤波

介绍了经典 Kalm an滤波和目前广泛使用的 Sage自适应滤波 ,分析了基于新息向量、残差向量和状态改正数向量的自适应协方差估计存在的问题 ,提出了一种改进 Sage自适应滤波的新方法。计算结果表明 ,该方法能有效地控制观测异常和动态扰动异常对噪声协方差估计的影响 ,在高动态 GPS数据处理中具有较强的数值稳定性和自适应性。     

自适应抗差KF-UKF的超宽带导航定位方法

针对超宽带导航定位中量测信息异常误差和非线性滤波问题,该文提出了一种基于自适应抗差卡尔曼滤波-无迹卡尔曼滤波(KF-UKF)的超宽带导航定位算法。该算法首先利用卡尔曼滤波计算预测状态向量及其协方差矩阵,利用无迹卡尔曼滤波进行量测更新;然后利用先验阈值和预测残差构建量测噪声的抗差协方差矩阵,以减少量测信息异常误差的影响,同时利用自适应因子对算法进行调节和修正。结果表明,该算法能有效地抑制并消除超宽带测距中量测信息异常误差的影响,能有效地处理状态模型误差的影响,提高超宽带导航定位的精度和稳定性,同时拥有比无迹卡尔曼滤波算法更高的计算效率。     

强跟踪抗差自适应滤波算法及其在无人机导航定位中的应用

针对Sage-Husa自适应滤波算法在无人机导航定位应用中存在滤波发散和定位精度低的问题,本文提出一种强跟踪抗差自适应滤波算法。该算法在Sage-Husa自适应滤波算法基础上,引入强跟踪技术,通过自适应渐消因子降低历史数据对当前滤波的影响,从而抑制滤波发散,增强算法的稳健性;结合量测噪声和系统噪声进行实时估计,并且在估计中加入抗差因子抑制粗差对滤波的干扰,提高定位精度。仿真结果表明,该算法在发生滤波发散和粗差干扰的情况下能够表现出良好的滤波性能,较Sage-Husa算法有更强的稳健性。     

北斗/惯导的快速混合高斯UKF算法

为进一步改善北斗/惯导中无迹卡尔曼滤波的精度,针对导航系统中噪声随机模型本质上的非高斯分布特性,结合有限高斯概率分布可近似任意概率密度函数的理论,以混合高斯UKF滤波为框架,提出了一种快速混合高斯UKF算法。该算法使用奇异值分解替代无迹变换产生采样点中的协方差平方根计算,和迭代中构造有限分量混合高斯模型二次近似后验二阶矩减少子滤波器数量的思路,改善了传统算法子滤波器数量随迭代次数成指数变化而增加计算成本的状况,一定程度上提高了计算的实时性。通过对北斗/惯导紧耦合系统的数据仿真实验,结果分析表明:相对于传统算法,本文提出的新算法在保证滤波精度的同时,计算量较低、实时性较好,适合于处理非高斯非线性北斗/惯导组合导航定位的滤波计算问题。     

移动机器人SLAM位姿估计的改进四元数无迹卡尔曼滤波EI北大核心CSCD

在全自主运动控制的移动机器人系统中,自身位姿的估计和校正对于移动机器人的运动至关重要。卡尔曼滤波是解决移动机器人同步定位与地图构建(SLAM)常用方法。相较于卡尔曼滤波,无迹卡尔曼滤波(UKF)无须对复杂的非线性函数进行雅可比矩阵运算。本文基于无迹卡尔曼滤波,根据先验协方差的平方根选择sigma点,计算协方差以及加权均值。用四元数表示姿态,将四元数矢量转换为旋转空间进行矩阵运算,在此基础上设计了一种位姿估计算法——基于四元数平方根的无迹卡尔曼滤波(QSR-UKF)算法。试验将EKF、QSR-UKF、SR-UKFEKF 3种算法的位姿估计结果进行仿真分析,并通过相关定量指标进行了描述,验证了本文算法的有效性。     

Adaptive estimation of multiple fading factors in Kalman filter for navigation applications

Kalman filter is the most frequently used algorithm in navigation applications. A conventional Kalman filter (CKF) assumes that the statistics of the system noise are given. As long as the noise characteristics are correctly known, the filter will produce optimal estimates for system states. However, the system noise characteristics are not always exactly known, leading to degradation in filter performance. Under some extreme conditions, incorrectly specified system noise characteristics may even cause instability and divergence. Many researchers have proposed to introduce a fading factor into the Kalman filtering to keep the filter stable. Accordingly various adaptive Kalman filters are developed to estimate the fading factor. However, the estimation of multiple fading factors is a very complicated, and yet still open problem. A new approach to adaptive estimation of multiple fading factors in the Kalman filter for navigation applications is presented in this paper. The proposed approach is based on the assumption that, under optimal estimation conditions, the residuals of the Kalman filter are Gaussian white noises with a zero mean. The fading factors are computed and then applied to the predicted covariance matrix, along with the statistical evaluation of the filter residuals using a Chi-square test. The approach is tested using both GPS standalone and integrated GPS/INS navigation systems. The results show that the proposed approach can significantly improve the filter performance and has the ability to restrain the filtering divergence even when system noise attributes are inaccurate.     

An Optimal Adaptive Kalman Filter

In a robustly adaptive Kalman filter, the key problem is to construct an adaptive factor to balance the contributions of the kinematic model information and the measurements on the state vector estimates, and the corresponding learning statistic for identifying the kinematic model biases. What we pursue in this paper are some optimal adaptive factors under the particular conditions that the state vector can or cannot be estimated by measurements. Two optimal adaptive factors are derived, one of which is deduced by requiring that the estimated covariance matrix of the predicted residual vector equals the corresponding theoretical one. The other is obtained by requiring that the estimated covariance matrix of the predicted state vector equals its theoretical one. The two related optimal adaptive factors are given. These are analyzed and compared in theory and in an actual example. This shows, through the actual computations, that the filtering results obtained by optimal adaptive factors are superior to those obtained by adaptive factors based on experience.     

一种采样型平方根滤波及其应用

探讨了非线性系统的滤波问题，提出了将采样型平方根滤波SR-UKF（square root unscented Kalmanfilter）用于星载GPS卫星实时定轨。在滤波过程中，以协方差阵的平方根代替协方差阵参加递推运算，有效地提高了滤波算法的计算效率和数值稳定性。实例计算结果表明，SR-UKF的性能要优于推广卡尔曼滤波（extended Kalmanfilter）和Unscented卡尔曼滤波（unscented Kalmanfilter）。     

基于移动开窗法协方差估计和方差分量估计的自适应滤波

基于移动窗口协方差估计和方差分量估计，提出了一种新的自适应Kalman滤波技术。计算结果证实，该方法能有效地控制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

神经网络辅助的GPS/INS组合导航自适应滤波算法

首先利用预报残差构造的最优自适应因子设计GPS/INS组合导航自适应滤波器。并针对BP神经网络存在的训练速度慢、容易陷入局部极小等问题,给出网络的改进算法。利用神经网络对自适应滤波器状态方程的预报值进行在线修正,给出神经网络辅助的GPS/INS组合导航自适应滤波算法。最后,利用实测数据进行验证。结果表明,改进的神经网络算法明显提高网络收敛速度;两种自适应滤波算法相对标准组合导航算法都能够可靠地反映载体运动轨迹;神经网络辅助的GPS/INS组合导航自适应滤波算法相对GPS/INS组合导航自适应滤波算法在精度和可靠性方面又有明显提高。     

强跟踪自适应SRCKF的卫星姿态确定算法

针对卫星星敏感器/陀螺姿态确定系统在空间中存在模型不确定性、状态突变和不良测量问题,该文提出了基于强跟踪自适应平方根容积卡尔曼滤波器(STSRCKF)的卫星姿态确定算法。在平方根容积卡尔曼滤波的基础上,通过引入渐消因子,解决了由于模型不确定和状态突变引起的精度下降、稳定性差和收敛慢的问题;通过增加异常检测和引入自适应因子,获得了应对不良测量的良好跟踪能力。通过仿真实验对算法进行了验证。