奇异值分解的容积卡尔曼滤波性能评价北大核心CSCD

针对容积卡尔曼滤波(CKF)在递推过程中易出现状态协方差阵非正定性导致计算发散的现象,该文推导了一种基于奇异值分解的容积卡尔曼滤波算法(SVD-CKF)。该算法基于CKF的理论框架,采用奇异值分解代替标准CKF中的Cholesky分解,兼具奇异值分解算法的数值鲁棒性强和CKF精度高、实现简单等优点,解决了CKF在滤波过程中易出现状态协方差阵非正定性引起的计算发散的问题。同时推导了标准CKF、平方根CKF(SR-CKF)和SVD-CKF等不同滤波算法的具体形式,分析了上述不同CKF算法的特点。采用二维目标纯方位跟踪仿真实例与蒙特卡洛仿真试验对3种CKF算法的性能进行对比,结果表明:SVD-CKF算法性能优于标准CKF和平方根CKF算法。     

顾及有色噪声的自适应粒子滤波UWB定位算法

传统卡尔曼滤波算法要求噪声模型符合高斯分布，在UWB室内定位中，由于载体本身的机制等干扰，观测噪声不仅仅是白噪声，也存在有色噪声的情况，而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度，同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明：观测噪声为白噪声时，拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪；观测噪声为有色噪声时，自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。     

抗差容积卡尔曼滤波及其在UWB室内定位中的应用北大核心CSCD

针对超宽带(UWB)观测值异常引起的量测误差及系统噪声先验统计信息未知而导致状态估计误差增大的问题,该文提出了一种带噪声时变估计器的抗差容积卡尔曼滤波(CKF)算法。该算法在滤波过程中,利用预报残差因子构建抗差等价协方差矩阵,控制观测异常值对滤波参数解的影响,同时利用sage_husa算法对系统噪声的统计特性进行实时估计和修正,提高滤波精度和稳定性。实验结果表明,所提算法不仅能有效地消除量测误差对滤波解的影响,而且能在系统噪声先验信息未知的情况下更进一步提高UWB室内定位的精度和可靠性。     

基于SLAM/UWB的室内融合定位算法研究

精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法. 首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验. 实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果.      

鲁棒无迹卡尔曼滤波组合导航定位方法

针对无迹卡尔曼滤波(UKF)在非高斯噪声或统计特性不准确时滤波精度会下降甚至发散等问题,提出了一种基于Huber-M估计的无迹卡尔曼滤波导航算法。首先采用奇异值分解(SVD)迭代计算代替协方差矩阵的迭代变换;然后将Huber方法用于UKF框架中,使先验信息和量测信息进行重构;最终以达到克服传统UKF滤波器稳定性差的问题,提高滤波抗差能力。对提出算法进行GPS/UWB组合导航仿真验证,并与EKF和UKF进行了比较。实验结果表明,加入M估计的SVD-UKF在噪声统计特性不准确时和加入随机观测异常状态下都可以将滤波器性能提高25%～40%,与其他两种算法相比,本文所提算法的定位误差能快速收敛,并保持较高滤波精度。     

基于模糊逻辑的自适应强跟踪卡尔曼滤波在GPS定位中的应用

当载体速度频繁发生突变时,针对卡尔曼滤波在GPS定位解算中对系统模型依赖性强、鲁棒性差的问题,提出了一种基于模糊逻辑的自适应强跟踪卡尔曼滤波算法。该算法主要利用模糊逻辑自适应控制器监测系统输出的残差均值,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中次优渐消因子进行自适应调整,来实现抑制载体突变影响。仿真结果表明,该算法在载体突变的跟踪精度高于扩展卡尔曼滤波和强跟踪卡尔曼滤,其稳定性也有所提高。      

非视距环境下的UWB/INS室内定位方法

针对UWB在室内定位的应用中会受到非视距环境影响导致定位性能减弱甚至丧失的问题，提出在使用功率增益判决结合概率统计方法识别非视距信号后，开展基于卡尔曼滤波的UWB/INS组合定位；通过在非视距环境下使用INS系统解算UWB位置信息，实现非视距室内定位。仿真实验结果表明，使用拓展卡尔曼滤波得到的X、Y、Z三轴定位误差可控制在0.5 m内但定位性能不稳定；使用无迹卡尔曼滤波处理得到的X、Y、Z三轴定位误差可以控制在0.3 m内且定位性能稳定。该结果为非视距环境下的UWB室内定位提供了技术支持。     

组合导航中一种新息自适应卡尔曼滤波算法

全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。     

GPS动态定位中自适应卡尔曼滤波方法的应用研究

采用描述机动载体运动的“当前”统计模型,直接从GPS接收机输出的定位结果入手,建立一种GPS动态定位自适应卡尔曼滤波模型,提出一种改进的自适应滤波算法,对GPS动态定位数据进行滤波。实验结果表明该模型简单,实时性好,滤波后的定位精度得到了提高。     

一种自适应UKF在UWB室内定位中的应用

为解决UWB室内定位易受室内环境影响,定位结果存在固定偏差的问题,提出了一种新的自适应UKF,实现室内高精度定位的方法。该方法考虑了UWB在实测环境下的误差特性,通过构建状态误差补偿函数,融合UKF算法,利用前一次状态估计值作为参考量,计算出该时刻状态补偿量,能够对标签在定位区域内任意位置进行自适应实时补偿,校正UWB在实测环境下定位结果的偏差,提高定位精度。实测结果表明:该方法性能均优于最小二乘和标准UKF算法,定位精度有显著提高,是一种实时高精度的室内定位算法。     

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。     

超宽带双向到达时间测距的室内动态定位方法

针对超宽带室内定位系统中的标准偏差和非视距误差问题,该文设计了一种基于改进卡尔曼滤波动态定位方法。该方法首先针对双向到达时间测距信息进行标定,利用线性拟合剔除测距信息中的标准偏差,针对超宽带平面定位系统中的非线性量测方程推导得到线性化的量测方程,将改正后的测距信息作为改进卡尔曼滤波量测信息,通过设定阈值调整卡尔曼滤波增益,从而剔除非视距误差。实验结果表明,该方法能有效抑制标准偏差和非视距误差的影响,视距环境下能达到厘米级精度,非视距环境下亚分米级精度,实现室内环境下的高精度动态定位。     

基于GNSS/UWB的室内外连续定位方法

全球卫星导航系统(GNSS)与超宽带(UWB)等定位系统在室内外复杂环境下作用范围有限,并且单一定位源均无法获得从室外到室内连续可靠的定位结果等问题,针对北斗卫星导航系统(BDS)+GPS/UWB松组合定位方法展开研究,设计了室内外动态定位实验与过渡区域静态定位实验,利用扩展卡尔曼滤波器(EKF)对定位误差状态进行最优估计,并对BDS+GPS组合、UWB以及BDS+GPS/UWB松组合三种定位模式进行分析评价. 实验结果表明:在室内外的过渡区域,BDS+GPS/UWB松组合改善了GNSS-实时动态定位(RTK)的定位精度,扩展了GNSS-RTK的作用范围;BDS+GPS/UWB松组合相比于各单一定位源在一定程度上提高了系统从室外到室内定位的连续性与定位结果的可用性.      

Robust adaptive filter for shipborne kinematic positioning and velocity determination during the Baltic Sea experiment

Information on trajectory and attitude is essential for analyzing gravimetric data collected on kinematic platforms. Usually, a Kalman filter is used to obtain high-accuracy positional and velocity information. However, this can be affected by measurement outliers and by state disturbances that occur frequently under a fast-changing environment. To overcome these problems, a robust adaptive Kalman filtering algorithm is applied for state estimates, which introduces an equivalent weight to resist measurement outliers and an optimal adaptive factor to balance the contributions of the kinematic model information and the measurements. In addition to the conventional robust estimator, an improved Current Statistical (CS) model is proposed. The improved CS model adopts a variance adaptive learning algorithm, and it can perform self-adaptation of acceleration variance with the innovation information; thus, it can overcome the shortcoming of lower tracking accuracy and avoid setting the maximum acceleration. Following a gravimetry campaign on the Baltic Sea, it is shown in theory and in practice that the robust adaptive Kalman filter is not only simple in its calculation but also more reliable in controlling the colored observation noise and kinematic state disturbance compared with the classical Kalman filter. The improved CS model performs best, especially when analyzing the positioning errors at the turns due to the target maneuvering. Compared to the CS model, the RMS values of the positional estimates derived from the improved CS model decrease by almost 30% in the horizontal direction, and no significant improvement in the vertical direction is found.     

Chan序贯平差组合算法的超宽带定位降噪

在室内环境中接收机与标签之间的距离会受到随机误差的影响,针对超宽带系统的定位特性,结合Chan算法和序贯平差算法的优势,本文提出了Chan序贯平差(Chan-SA)组合算法,以削弱测距随机误差的影响。首先,通过Chan算法两次加权最小二乘获得标签的三维坐标;然后,将此坐标作为初始值代入序贯平差算法中,利用序贯平差算法对后续数据进行迭代得出最优解。仿真数据和实地测量数据的解算结果表明：与Chan算法、粒子滤波算法和序贯平差算法比较,静态场景中Chan-SA算法定位精度分别提高50.14%、35.29%和41.91%,同时在动态场景内也证明了本文算法的适用性。因此,Chan-SA可以提高超宽带系统的定位精度和稳健性。     

改进Sage-Husa算法在飞机组合导航中的应用

针对机载组合导航系统,考虑不同飞行阶段的气压高度,提出一种改进的Sage-Husa自适应滤波算法,以提高组合导航系统定位精度. 该算法通过引入气压高度,实时计算并修正滤波异常判定的调节因子,以满足飞机不同飞行阶段的滤波需求. 通过捷联式惯性导航系统(SINS)、全球卫星导航系统(GNSS)定位误差特性仿真、卡尔曼滤波组合算法仿真、以及改进的Sage-Husa自适应滤波算法仿真,并对相关结果进行比较验证. 仿真结果表明,改进Sage-Husa自适应滤波可以提高滤波的自适应性,降低组合导航系统定位误差,取得较好的效果.      

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。     

基于衰减因子的虚拟应答器信息融合方法研究

针对虚拟应答器(VB)信息融合时使用Kalman滤波易出现滤波发散的问题,提出了基于改进Sage-Husa自适应滤波算法的信息融合方法. 首先采用自适应滤波动态调节噪声统计特性参数,抑制滤波发散,在预测误差方差矩阵中引入衰减因子,减小陈旧数据的影响进而提高滤波精度,最后进行仿真实验,将所提出的滤波算法与Kalman滤波和Sage-Husa自适应滤波在VB的位置误差和速度误差上进行对比. 仿真结果证明:在相同的时间内,本文所述算法在VB的定位误差上具有显著优势,具有较好地稳定性.