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。     

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。     

智能车辆中MEMS/BD组合导航数据融合算法

智能车辆技术已成为国家优先发展的高新技术,以智能车辆组合导航数据融合算法为研究背景,利用无迹卡尔曼滤波(UKF)处理组合导航系统模型的非线性问题。在卡尔曼滤波过程中加入区间平滑技术,对既定区间的状态估计量进行平滑处理,校正滤波运算数据,提高非线性系统的导航精度。通过仿真实验验证了新算法能够较好地解决系统非线性问题,利用区间平滑技术得到更高精度的状态估计,提高导航精度,具有更好的鲁棒性。     

异步联邦UKF的GNSS／SINS／摄影定位组合导航算法仿真

在飞行器进近过程中,为了提高组合系统的导航精度,针对传统联邦滤波器对非线性系统模型易导致滤波发散问题.分析了两种导航方式的优缺点,提出了基于卫星导航／惯性导航／摄影测量(GNSS／SINS／Photogrammetry)的组合导航联邦滤波算法,并推导了系统误差模型.该算法取长补短利用联邦无迹卡尔曼滤波器将GNSS定位和摄影定位、定姿精度高的优势对SINS进行在线误差估计.针对多传感器非等间隔数据采样问题,采用时间与量测更新分离的异步非等间隔联邦滤波算法进行信息融合,并对滤波器结构进行改进以减少算法复杂度.仿真实验证明基于联邦UKF的组合导航系统较传统联邦滤波算法位姿精度有明显的提高,且系统鲁棒性也有一定的增强.      

改进的STUKF及其在多传感器信息融合中的应用

针对卫星导航信号不可用时引起组合导航性能降低问题,设计了适用于飞行器进近的卫星导航/捷联惯导/摄影定位(GNSS/SINS/Photogrammetry)组合系统。针对飞行器着陆时对系统位姿精度和自主性高的要求及其存在加减速、转弯等高动态的特性,以及采样点初始信息的不确定性导致UKF滤波器误差变大或者发散的问题,各子滤波器的状态估计采用改进的强跟踪无迹卡尔曼滤波(STUKF)方法。数字仿真表明,与传统UKF算法相比,改进的算法对载体的位姿估计精度更高,且只需一次UT变换,无需求解雅可比矩阵;计算复杂度降低对飞行器进近的过程有一定适应性。     

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。     

UKF的改进算法及其在伪卫星定位中的应用

首先介绍了伪卫星导航系统的观测方程和动力学模型方程。然后,分析了基于UT变换的UKF算法,针对该算法存在的问题,结合迭代滤波思想和抗差估计原理提出了一种新的抗差UKF算法。并与EKF和UKF算法进行了比较。计算结果表明,该算法不仅可以提高滤波器的精度,而且能够更有效地控制观测异常对导航解的影响,使导航解更能反映导航系统的真实情况。     

UKF的改进算法及其在伪卫星定位中的应用

首先介绍了伪卫星导航系统的观测方程和动力学模型方程。然后,分析了基于UT变换的UKF算法,针对该算法存在的问题,结合迭代滤波思想和抗差估计原理提出了一种新的抗差UKF算法。并与EKF和UKF算法进行了比较。计算结果表明,该算法不仅可以提高滤波器的精度,而且能够更有效地控制观测异常对导航解的影响,使导航解更能反映导航系统的真实情况。     

改进的衰减记忆UKF算法在伪距定位中的研究

研究伪距定位中衰减记忆无迹卡尔曼滤波(MAUKF)方法,针对衰减记忆UKF滤波器可能因衰减因子引入造成滤波精度降低、滤波收敛速度并没有得到改善的问题,本文依据预测残差的统计量,对衰减记忆UKF滤波算法进行了改进。仿真结果表明,该算法相比衰减记忆UKF算法提高了定位精度和收敛速度。     

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。     

修正扩维无迹卡尔曼滤波算法研究

在脉冲星导航中，角位置误差是主要的误差源之一。因此本文基于X射线脉冲星导航，提出了一种修正扩维无迹卡尔曼滤波（MASUKF）算法进行角位置误差的改进。MASUKF算法在原扩维无迹卡尔曼滤波（ASUKF）算法的基础上加入了Roamer延迟的高阶项，并将其作为误差项，将修改后的误差项代入状态方程与量测方程中，即可进行仿真分析。在仿真中，首先将ASUKF算法与UKF算法进行对比仿真模拟试验，结果显示ASUKF算法能显著地提高约45 m的定位精度，在X、Y、Z 3方向的速度误差估计精度约提高了20%；然后比较ASUKF与MASUKF算法，结果显示MASUKF算法较ASUKF算法的速度误差与位置误差的估计精度均提高2%以上。     

神经网络辅助的GPS/INS组合导航自适应UKF算法

GPS/INS组合导航非线性系统最优估计算法中,基于统计信息和假设检验理论的多渐消因子自适应滤波算法的应用前提条件是残差向量为高斯白噪声。本文针对观测异常会影响残差向量的数字特性分布,提出了一种神经网络辅助的多重渐消因子自适应SVD-UKF算法。该算法采用神经网络算法削弱观测异常对残差序列高斯白噪声分布特性的影响,利用奇异值分解抑制UKF中先验协方差矩阵负定性变化,同时构造多重渐消因子对预测状态协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,高效地应用于多变量复杂系统。最后利用车载实测数据进行了验证。结果表明,神经网络算法极大削弱了观测粗差对残差序列高斯白噪声分布特性的影响,拓展了多重渐消因子的应用范围,使其能在观测值含有粗差的条件下自适应调节不同滤波通道,消除滤波状态中的异常,提高组合导航解的精度和可靠性。     

抑制卡尔曼滤波发散的组合导航算法研究

卡尔曼滤波是一种递推线性最小方差估计算法,在组合导航数据融合中得到了广泛应用;但由于卡尔曼滤波要求系统模型和噪声统计特性精确已知,而实际中很难做到,因此常常出现滤波发散现象。鉴于此,着重研究了衰减记忆自适应卡尔曼滤波和渐消记忆卡尔曼滤波在INS/GPS组合导航中的应用,并通过对仿真数据的处理,验证了两种滤波算法在抑制滤波发散、提高组合导航系统精度和稳定性方面的可行性。     

有色观测噪声下的无迹卡尔曼滤波算法

传统的无迹卡尔曼滤波算法(UKF)要求噪声是高斯白噪声,但在实际应用中,噪声往往呈现非高斯特性。本文在有色观测噪声满足一阶AR模型的条件下,基于观测信息扩增法及最小方差估计准则,通过Unscented变换(UT变换)计算出非线性状态后验均值,进而得出一类具有处理有色观测噪声的无迹卡尔曼滤波处理算法。通过实际数据验证了该算法能有效控制有色噪声的影响。     

附加运动学约束的BDS抗差UKF导航算法

针对城市复杂环境中单一BDS导航受多路径（multipath,MP）和非视距（non-line-of-sight,NLOS）信号干扰导致精度下降的问题,提出一种附加运动学约束的抗差无迹卡尔曼滤波（unscented Kalman filter,UKF）算法。该算法基于新息向量构造等价权函数,克服了位置及接收机钟差初值不准确引起的抗差性能下降问题。同时,利用载体的近似运动方向和高程约束,进一步增强滤波解。实测车载试验结果表明,本文方法可有效抑制MP和NLOS信号的干扰,提高城市环境中的BDS导航精度。     

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。     

基于容错型联邦强跟踪滤波的多星座组合导航算法研究

在多星座组合导航应用于高动态场景时,由于受加速度变化范围大、动态噪声和观测噪声难以准确预测等因素影响,常规联邦滤波估计精度将会严重下降甚至发散。针对这一问题,提出将强跟踪滤波算法应用到容错型联邦滤波器中,构成容错型联邦强跟踪滤波器。对COMPASS/GPS/GLONASS组合导航系统进行的仿真结果表明:该算法设计灵活,容错性强,对高动态目标有较强的跟踪能力,能够显著提高导航定位的精度和可靠性。同时,由于组合应用了无重置联邦滤波结构和渐消矩阵一步次优算法、残差χ2检验算法等实用算法,使得该算法整体计算量适中,易于实现,具有一定的工程实用价值。     

平方根 UKF及其在 GNSS多径估计中的应用

针对一般的加性高斯白噪声系统,结合平方根无迹卡尔曼滤波和加性噪声无迹卡尔曼滤波的优点,提出了无须增广变量的加性高斯白噪声系统的平方根无迹卡尔曼滤波方法,并给出了其详细算法.该算法较传统方法具有较小的运算负担,较高的精度,并能有效克服滤波的发散.该方法应用于卫星导航系统动态多径估计问题,能够高效准确地得到直射信号与多径信号的各个参数的估计,从而抑制多径的影响.仿真试验表明,该方法在诸多方面改进了已有方法,是一种高效准确的非线性滤波方法.     

预测残差判别统计量抗差因子在UKF算法中的应用

在UKF滤波中,针对观测信息存在粗差的问题,基于预测残差构建了预测残差判别统计量。结合三段函数组成了一种新的抗差因子函数,并给出抗差UKF算法公式。该算法计算过程无需迭代,实现一步抗差,适合实时滤波估计。计算结果表明,该抗差因子函数不仅能够有效地控制含粗差观测值对滤波结果的影响,得到可靠的滤波解,而且可以提高滤波精度。     

基于MRPs估计航天器姿态的IUKF算法及改进

航天器姿态确定的模型具有严重的非线性性。而采样卡尔曼滤波(UKF)通过采用一组确定性采样得到的Sigma点比扩展卡尔曼滤波(EKF)能够更准确地近似初始分布,使滤波在不准确的初始条件下更快地收敛。利用修正罗德里格参数(MRPs)表示姿态,用动力学方程进行角速率的传播,利用UKF的改进算法迭代采样卡尔曼滤波(IUKF)对航天器的姿态进行估计。在分析IUKF性能的基础上进一步对IUKF算法作了改进,通过仿真算例将3种方法进行了比较。结果表明:IUKF及改进IUKF算法姿态参数的滤波精度比UKF更高,同时改进IUKF算法比IUKF的滤波能更快趋于稳定。