支持向量回归辅助的GPS/INS组合导航抗差自适应算法

卡尔曼滤波残差分量受到观测信息误差和动力学模型误差的双重影响,由于GPS/INS松耦合导航系统中观测值个数少于状态参数个数,导致异常检测时难以正确区分误差来源,提出一种支持向量回归辅助的组合导航抗差自适应算法。该算法克服了组合系统观测信息无冗余情况下异常检测的局限性,基于遗传算法参数寻优构建回归模型,预测次优观测值,结合整体异常检验法自主选择抗差或自适应滤波,进而调整观测值或动力学模型对导航解的贡献,进行导航预报。最后利用车载实测数据进行验证,结果表明：该算法能够对存在的异常故障智能判定,减弱观测值异常和动力学模型误差影响,保证组合导航精度,提高导航解可靠性。     

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。     

改进的自适应滤波算法在BDS／INS组合导航中的应用

针对目前北斗与惯性导航系统的组合导航系统的导航性能和鲁棒性较差,基于衰减因子和噪声加权的自适应卡尔曼滤波技术,研究了组合导航系统在不确定性噪声干扰下的组合新算法。并在Matlab中进行了仿真实验,通过对比传统卡尔曼滤波技术,验证了新算法的有效性。并在Matlab中进行了无人机数据后处理实验。结果表明,改进的自适应滤波算法可以有效地降低不确定性干扰对组合导航系统的影响,从而提高了系统的导航性能和鲁棒性。      

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。     

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。     

基于当前加速度模型的抗差自适应Kalman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。首先介绍机动载体的当前统计模型,分析该模型存在的问题,提出一种基于“当前”加速度模型的抗差自适应卡尔曼滤波算法。跟以往建立的自适应KALMAN滤波进行比较,计算结果表明,该算法不仅可以提高滤波器的精度,而且更能有效地控制观测异常和动态扰动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。     

GPS导航中的抗差自适应Kalman滤波算法

GPS导航与定位的质量取决于对动态载体函数模型和随机模型的认知。本文首先基于机动载体的当前统计模型 ,设计了离散系统的Kalman滤波器 ,进而基于方差分量估计给出了一种适合GPS动态定位的抗差自适应卡尔曼滤波算法。该算法模型简单 ,实时性好。实测数据计算结果表明 ,滤波导航解能有效地控制观测异常和动态扰动异常对导航解的影响 ,使导航解更能反映导航目标的真实情况     

分布式导航星座自主导航算法研究

针对卫星导航系统本身提供的服务中存在可用性、可靠性和地面测站布设不足的缺陷,一些国家和地区相继采用自主导航技术来提升导航星座性能。概要分析介绍了导航星座自主导航技术发展,讨论了EKF和UKF算法的发展情况,对新近发展的多模型自适应卡尔曼滤波、基于神经网络调节的自适应卡尔曼滤波、基于自适应因子的卡尔曼滤波和自适应抗差卡尔曼滤波算法等改进滤波算法进行了综合分析与比较,并对分布式自主导航方法的发展方向进行了展望。     

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。     

自适应联邦滤波器在GPS-INS-Odometer组合导航的应用

针对多传感器观测信息较多、计算效率较低、对动力学模型误差稳键性不佳的问题,提出了一种自适应联邦滤波器并应用于GPS-INS-Odometer组合导航。首先介绍GPS-INS-Odometer组合导航的动力学模型和观测模型,比较分析了信息分配因子和自适应因子的共同特性,论证了联邦滤波器和自适应滤波器的等价性及其等价成立条件,提出了自适应联邦滤波器的信息分配因子构造方法。最后利用实测数据验证了算法的有效性。结果表明,相比于基于GPS和Odometer(里程计)初始方差构造信息分配因子的联邦滤波器,本文提出的自适应联邦滤波器兼容了联邦滤波器高效计算效率,且具有较好的抵抗动力学模型误差效果,能够有效削弱多传感器动力学模型误差对于导航解算的影响,对直接可测参数和间接可测参数的精度提高均起到了积极的作用。     

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。     

粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法。在此基础上提出了一种新的粒子滤波算法——自适应渐消扩展Kalman粒子滤波方法。该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性。     

Adaptive Kalman Filtering for INS/GPS

After reviewing the two main approaches of adaptive Kalman filtering, namely, innovation-based adaptive estimation (IAE) and multiple-model-based adaptive estimation (MMAE), the detailed development of an innovation-based adaptive Kalman filter for an integrated inertial navigation system/global positioning system (INS/GPS) is given. The developed adaptive Kalman filter is based on the maximum likelihood criterion for the proper choice of the filter weight and hence the filter gain factors. Results from two kinematic field tests in which the INS/GPS was compared to highly precise reference data are presented. Results show that the adaptive Kalman filter outperforms the conventional Kalman filter by tuning either the system noise variance–covariance (V–C) matrix `Q' or the update measurement noise V–C matrix `R' or both of them. Received: 14 September 1998 / Accepted: 21 December 1998     

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。     

GPS/DR组合导航自适应Kalman滤波算法

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法。给出了由预测残差确定自适应因子的过程。利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高。     

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。      

SINS／GPS级联组合滤波新算法

针对级联式SINS／GPS导航系统中组合滤波器的测量噪声与系统噪声的相关问题，提出了一种相关程度未知条件下的估计量最优融合算法，并由此得到了一个顾及噪声相关性的的卡尔曼滤波新算法；通过对一套SINS／GPS数据的计算，证明了新算法是成功的。     

基于EKF和自适应抗差滤波的星载GPS定轨方法

针对在星载GPS卫星定轨中由于卫星动力学模型误差和不可避免的观测异常严重影响定轨精度的问题,通过采用适当的自适应控制因子和应用抗差估计原理,构造自适应抗差扩展卡尔曼滤波(RAEKF)来实现星载GPS卫星定轨。实测计算表明,自适应抗差扩展卡尔曼滤波对观测误差和状态扰动有一定的抵制能力,与一般扩展卡尔曼滤波相比提高了精度,证明其理论的可行性。     

融合小波变换和自适应Kalman滤波在GPS监测中的应用研究

针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。     

GPS非差相位动态定位中Sage自适应滤波算法的研究及软件实现

介绍了GPS非差定位中的卡尔曼滤波模型,详细分析了滤波发散的原因.研究并给出了一种改进的自适应滤波,在此基础上编制了相应的软件,结合实例分析了该方法的有效性.