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。     

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.      

一种基于AR运动模型CKF算法的无人机导航

针对无人机组合导航滤波算法中传统的运动模型单一固定,灵活性差,无法精确描述无人机复杂多变的运动状态,甚至还会导致滤波发散等问题,提出了一种基于AR运动模型的CKF算法,并应用于无人机导航定位中。通过滑动窗的方法,构建实时动态更新AR模型估计物体运动状态,并且结合CKF进行滤波,从而有效提高无人机导航性能。仿真实验结果表明,该算法能够有效提高无人机导航定位精度,优于其余几种基于传统运动模型的滤波算法。     

基于均值漂移的粒子滤波算法设计及其在导航数据处理中的应用

针对标准粒子滤波算法中存在的计算量大和粒子的权值退化的缺陷,将均值漂移算法和PF算法进行融合,设计基于均值漂移搜索算法的粒子滤波新算法。该算法仍遵从粒子滤波算法的计算框架,基本原理是利用MS算法对粒子的聚类作用,将均值漂移思想融合到粒子滤波算法的重要性采样过程中,对粒子集进行确定性搜索,使每个粒子收敛于局部最优值,这样粒子的状态表示更接近真实的状态分布,因此只需较少的粒子数便可达到未嵌入MS的使用大量粒子数的粒子滤波状态估计的性能,从而在缓解粒子的权值退化的同时提高粒子滤波算法的实时性。大量的数值试验和对GPS/DR组合导航数据处理的结果验证了该方法的有效性。     

基于熵权重的水下载体导航信息融合方法

针对水下载体动态导航定位中状态方程和观测方程噪声增加引起的卡尔曼滤波发散问题,提出了一种以高斯混合模型为框架,基于信息熵计算导航融合权重的新方法。首先给出了水下组合导航系统的整体结构和各子滤波器的状态方程以及观测方程;然后研究了各子滤波器输出信息熵值的计算方法,并且定义了熵积的概念用于计算高斯混合模型中各分量的权重;最后总结出了用于水下载体导航信息融合的熵权高斯混合模型滤波算法的计算流程。仿真实验表明,相比于传统的加权卡尔曼滤波算法,新方法的计算精度更高,对噪声引起滤波发散的抑制能力也更强。     

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。     

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。     

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。     

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。     

一种两步自适应抗差Kalman滤波在GPS/INS组合导航中的应用

当GPS观测可用时,如何提高组合导航的可靠性、连续性以及导航精度是组合导航重要的研究主题。针对伪距、伪距率紧组合导航精度低、姿态角误差修正不精确的缺点,本文从参数可观测性角度提出一种两步自适应Kalman滤波算法。首先简单介绍了紧组合Kalman滤波的过程,然后给出了两步自适应抗差滤波的公式和具体步骤,并且进行了分析和比较。最后用实测算例对提出的算法进行验证。结果表明,相比较于伪距、伪距率紧组合Kalman滤波,两步自适应抗差滤波能够控制动态扰动异常和观测异常的影响;导航精度不会随着组合周期的增长、INS惯性元件误差的增大而降低;在惯性元件误差较大的情形下也能够很好地估计元件误差,提高姿态角精度。     

一种提高导航精度的改进滤波方法

卡尔曼滤波技术是目前GPS/IMU组合导航中应用最广的误差估计关键技术之一。本文在捷联式惯导系统正向导航滤波算法与逆向导航滤波算法基础之上,提出一种将二者有机结合的组合滤波算法,用于事后IMU/GPS联合解算中,以提高组合导航的精度,并通过实际的机载飞行试验数据解算结果验证该方法的可行性。组合滤波后的位置精度达到厘米级,速度误差小于0.02 m/s,航向角精度约为0.2°。     

结合自适应滤波和神经网络的GNSS/INS抗差组合导航算法

针对GNSS/INS松组合导航系统观测信息无冗余,而且观测信息可能存在异常的情形,结合自适应滤波算法和神经网络算法,提出了两种GNSS/INS抗差自适应组合导航解算方案,根据观测信息和动力学模型信息异常情况,给出了4种GNSS/INS抗差自适应滤波算法。利用实测数据进行了验证,结果表明,4种抗差自适应滤波算法在观测信息不足的情况下,不但能够抑制动力学模型扰动异常对导航解的影响,而且能够较好地抑制异常观测信息对导航解的影响。     

GNSS／INS组合导航误差补偿与自适应滤波理论的拓展

对GNSS/INS组合导航误差补偿与自适应滤波理论进行了系统而深入的研究。针对GNSS/INS组合导航实际应用中存在的随机模型不精确、GNSS观测条件不佳、INS误差累积迅速等问题,引入Allan方差、ARMA模型、载波相位平滑伪距、伪距差分求解速度、自适应滤波、误差模型修正等算法,对其进行改进并进一步提高了导航精度和可靠性。     

BP神经网络在GPS导航中的应用

Kalman滤波常用于GPS动态数据的处理,由于系统存在的不确定性和非先验性,导致滤波产生较大的估计误差,甚至发散。介绍了BP神经网络算法及其非线性逼近能力,并基于BP神经网络的非线性逼近性能设计了BP神经网络进行GPS导航的新算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹,其导航解具有良好的精度和可靠性。     

一种新型GNSS/IMU方式在无人机导航中的应用

GNSS/IMU组合导航一般采取基于欧拉角的组合方式。为了加快收敛速度,通常采用非线性滤波。但非线性滤波如EKF等仍然有一定的截断误差且计算量较大。采取基于DCM的组合导航方式,建立了基于DCM的GNSS/IMU的组合导航模型,并以基于DCM的卡尔曼滤波方式进行滤波解算。组合导航姿态收敛快,且计算量小。通过采用无人机实测数据进行分析,并与基于欧拉角的Kalman滤波组合导航算法进行比较,该方法有效缩短了计算时间,且精度较高。更适合无人机等高动态载体的实时导航需求。     

两种滤波方法在SINS/GPS组合导航中的分析比较

本文针对SINS/GPS组合导航系统中卡尔曼滤波发散的情况:介绍并分析了自适应滤波和H∞滤波算法原理,并进行仿真计算,验证了这两种滤波用于SINS/GPS组合导航系统的可行性和有效性,对实际应用中组合导航系统滤波器的设计具有一定的指导意义。     

顾及组合导航闭环反馈的变分贝叶斯自适应滤波优化算法

多传感器组合的方式可以较好地应对全球导航卫星系统信号被遮挡、干扰等情况下的导航定位问题,滤波方法是导航定位中将多源数据融合最常使用的方法之一。在滤波过程中,组合导航的系统噪声和量测噪声无法实时精确地测定,常通过自适应滤波的方法进行时间更新和量测更新的平衡解算。贝叶斯自适应滤波方法在很多时候具有较好的效果,但是和其他的自适应滤波方法一样,该类方法都需要进行自适应因子的选取。本文根据组合导航对于实时性要求及其闭环反馈的特殊性,在变分贝叶斯自适应滤波的基础上进行了算法的优化,给出了一种调节因子的动态计算方法,并以GNSS和惯性导航系统组合系统为例,通过模拟和实测试验进行验证。试验结果表明,本文算法不需要通过迭代计算的方法就可以获取高精度组合结果,提升了计算效率;对于真实的动态场景中,本文算法的调节因子动态自适应确定,结果更具有优越性。     

利用MKLD准则的自适应PF算法设计及其应用

为降低PF算法的计算量,提出了基于最大Kullback-Leibler距离(MKLD)准则的PF-AMCMC算法。该算法可在自适应地选择粒子数的前提下,同时自适应地选择粒子滤波算法中MCMC移动步骤实施的时刻,在保证一定的状态估计精度的条件下,减少粒子滤波的计算量。大量的数值试验和GPS/DR组合导航仿真试验表明,本文提出的算法较标准粒子滤波算法在克服粒子滤波计算量大的缺陷方面有显著的效果,且获得了精度更高的状态估计。     

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。     

一种组合导航的直接法滤波算法

提出了一种基于直接法无迹卡尔曼粒子滤波的组合导航系统滤波方法。以惯性导航系统参数和平台误差角作为系统状态,惯导力学编排方程及姿态误差方程作为系统状态方程,卫星导航接收机输出的导航信息作为观测值,采用粒子滤波方法对导航参数进行估计。仿真结果表明,无迹卡尔曼粒子滤波算法可简化滤波参数的调整过程,有效地解决了系统非线性复杂性问题、简化了滤波过程并提高了定位精度。