非视距环境下基于PSO-SVM和RAIM的UWB定位方法

针对室内定位过程中超宽带(UWB)信号容易受到非视距(NLOS)环境的影响从而降低定位的精度和稳定性的问题，该文提出了基于粒子群优化支持向量机(PSO-SVM)和自主完好性监测(RAIM)的误差识别算法，通过粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化，将优化后的支持向量机模型用于UWB NLOS信号的识别，并利用自主完好性监测算法将异常的UWB测距值剔除。实验结果表明，该文算法能够对NLOS信号进行准确的识别，并有效提升了NLOS环境下UWB定位的精度及稳定性，平面定位误差可控制在0.26 m以内，东、北方向的均方根误差分别为0.09、0.11 m。     

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。     

利用UWB/LiDAR里程计的室内高精度定位方法

针对超宽带(UWB)室内高精度定位中,易受非视距(NLOS)误差而导致定位不连续的问题,该文首先采用小波变换对RTT解算的测距异常值进行削弱,然后将UWB与LiDAR进行组合,综合利用UWB测距值以及LiDAR里程计所提供的距离和角度信息构建量测方程,最后通过扩展卡尔曼滤波进行定位解算.实验结果表明,该文提出的UWB/...     

加权精度衰减因子的超宽带组网优化布设

针对超宽带测距误差大影响定位精度以及传统精度评定方案不能准确反映定位区域误差问题,该文基于RBF神经网络的UWB测距模型提高测距精度,针对室内狭长楼道环境特点,分析UWB基站组网优化方案下的四基站布设与五基站布设精度.分析表明,在相同定位区域,五基站布设方法有效抑制了四基站布设时中间区域最大PDOP值.在测距误差经过改正后,UWB基站组网优化方案更准确反映测区精度.相同精度要求下,采用基站优化布设方案基站覆盖范围更广,可用于应急场景快速定位.基于不等精度加权DOP值的UWB基站组网优化方案,在考虑测距误差后能够准确反映UWB基站布设区域定位精度.     

基于两步Kalman滤波的NLoS误差抑制算法

针对超宽带(ultra wide band,UWB)定位中影响定位精度的非视距(non line of sight,NLoS)传播误差问题，提出了一种基于Kalman滤波的NLoS误差二次消除方法.该方法利用NLoS误差与测量误差之间的相互独立性，借助Kalman滤波将NLoS误差从总误差中单独分离出来，对其进行实时估计，并将该NLoS误差估计值作为NLoS误差辨别及测距值修正的依据.通过Kalman滤波对到达时间(time of arrival, TOA)测距值进行二次估计、鉴别及修正以提高TOA测距精度，从而实现室内复杂环境下的UWB精准实时定位.仿真实验结果表明：该方法不仅能够对NLoS误差实现良好的跟踪估计，对视距(line of sight, LoS)/NLoS环境转变也具有较强的灵敏感知能力，同时NLoS误差测距值在应用该方法后的定位性能逼近于LoS环境下的理想状态.     

新息向量的抗差Kalman滤波方法及其在UWB室内导航中的应用

针对超宽带（ultra wideband，UWB）室内导航中非视距（non line of sight，NLOS）测距误差会大幅降低导航精度以及系统噪声的不确定性导致滤波精度不高的问题，提出了一种基于新息向量的抗差Kalman滤波方法。该方法在UWB室内导航线性化模型的基础上，利用单个新息值构造抗差因子矩阵，从而消除非视距测距误差的影响，同时对系统噪声协方差矩阵进行实时估计和修正。实验结果表明，该方法不但能有效地消除非视距测距误差对导航解算的影响，而且能进一步提高导航解算的精度和稳定性。     

超宽带与惯性导航组合的室内导航定位

针对室内环境下缺少GNSS信号,且超宽带(UWB)定位精度受非视距误差影响明显的问题,该文提出了基于UWB/INS组合的室内导航定位方法。该方法利用惯性导航系统(INS)推算的位置和速度信息与UWB解算的位置和速度信息的差值作为量测信息,按先验阈值鉴别并剔除非视距误差,通过扩展卡尔曼滤波进行室内导航定位。实验结果表明,该方法能有效抑制非视距误差的影响,大幅提升导航定位精度,稳定性更高,可靠性更强,适用于较高精度的室内导航定位。     

融合改进小波去噪与T-Taylor的井下定位算法

针对超宽带井下定位方法中,信号易受到非视距(NLOS)误差的影响,导致定位算法的精确度与环境适应性较差的问题,本文提出了一种融合改进小波去噪和T-Taylor算法的井下定位算法。对原始测距值进行降噪处理,抑制NLOS误差对定位的影响;同时引入三球交会算法,将其作为Taylor算法的初始算法,确保Taylor算法收敛的同时,增强定位算法在井下复杂环境的定位精度与环境适应性;通过蒙特卡罗仿真试验进行验证。结果表明,融合算法能够在一定程度上降低测距误差,增强算法对于复杂环境的适应性,提高定位精度,在NLOS环境下较C-Taylor算法有更高的定位精度与抗噪声性能。经实地定位试验验证,融合算法平均定位精度相比于C-Taylor算法有一定程度的提升,提高了37.3%。     

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。     

线性化误差对于UWB系统定位精度影响分析

针对目前常用的超宽带算法,扩展卡尔曼滤波(EKF)在解算过程中产生的线性化误差,对定位结果产生影响,而无损卡尔曼滤波(UKF)算法可以不进行线性化过程进行解算,避免误差的产生。文中首先对UWB定位系统线性化误差进行分析,在此基础上提出UKF和TDOA相结合的定位模型,通过实验比较两种算法的定位精度。实验结果表明UKF算法定位结果相比于EKF算法在U方向上有明显提升,误差稳定在10 cm之内。同时,通过改变初始坐标偏差,来进一步比较两种算法的定位效果,结果表明,初始偏差设置为0.5 m时,UKF算法比EKF算法U方向精度提升15%;初始偏差设置为1 m时,UKF算法U方向精度提升60%以上;初始偏差设置为5 m和10 m时,UKF算法U方向精度提升可以达到90%。EKF算法会产生不可忽略的线性化误差且误差会随着初始偏差增大而增大,UKF算法则可以保持较好的定位精度和稳定性。     

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。     

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。     

顾及有色噪声的卡尔曼滤波在多路径误差削弱中的应用

多路径误差为一时空环境效应,难以构建准确数学模型消除其影响,且该误差在基线两端不具有空间相关性,运用现有差分技术也无法很好消除,是高精度短基线测量中主要误差之一．为进一步削弱多路径误差,本文以监测站坐标时间序列中多路径误差为研究对象,根据多路径误差在历元间的时变特性,建立多路径误差状态空间模型,采用标准卡尔曼滤波和顾及有色噪声的卡尔曼滤波从监测站第一天双差固定解坐标残差序列中估计多路径误差改正序列,并根据多路径误差的周日重复特性,利用第一天得到的多路径误差改正序列对之后各天坐标序列进行改正．最后通过实验分析,得出顾及有色噪声的卡尔曼滤波估计方法优于标准卡尔曼滤波的结论．研究方法对提高GNSS定位精度具有重要实用价值．      

一种基于改进UKF滤波的GPS+PDR组合定位方法

针对接收信号质量恶化的环境,提出了一种适用于信号遮蔽环境的改进GPS+PDR组合定位算法。该方法用短时间内的陀螺仪积分数据校正数字罗盘的航向偏差,在一定程度上消除了数字罗盘受到的偶发干扰。采用约束残差的无迹卡尔曼滤波（UKF）算法对GPS和行人航迹推算（PDR）定位信息进行融合处理,有效克服了PDR定位中累积航向误差产生的位置漂移问题,提高了算法的定位精度和稳定性。试验结果表明,改进算法能有效抑制数字罗盘的漂移误差,航向相对误差平均降低56%;行人步行时,GPS定位标准误差为2.67 m,单纯PDR定位标准误差为6.83 m;随机给予若干点GPS数据辅助定位,标准误差降至3.12 m;全程融合GPS与PDR定位,标准误差可降至1.94 m。     

基于MCS-SCKF的超宽带室内定位算法

针对传统超宽带（UWB）室内定位中非线性跟踪问题,基于当前统计（CS）模型和容积卡尔曼滤波（CKF）,本文提出了一种新的定位算法。即采用奇异值分解（SVD）代替标准CKF算法中的Cholesky分解,提高了算法的稳定性,构造了奇异值分解容积卡尔曼滤波器（SCKF）。首先在CS模型的基础上改进了先验参数的函数形式,得到改进的CS模型（MCS）,实现模型参数的自适应调整;然后将MCS模型引入SCKF滤波器,实现滤波算法的自适应调整;最后利用MCS-SCKF算法对UWB定位系统模型进行解算,从而得到移动目标位置。仿真和试验结果表明,该算法优于CS模型-卡尔曼滤波算法（CS-KF）和CS模型-SCKF算法（CS-SCKF）,提高了UWB室内定位的定位精度。     

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.      

应用预测滤波估计卫星姿态

本文推导了预测滤波法的基本原理,应用了预测滤波作为卫星姿态状态预报算法,并与经典卡尔曼滤波进行了比较。实验表明采用预测滤波法对不同姿态角均能得出较好的估计结果,克服了经典卡尔曼滤波法进行估计存在的估计模型误差和推广卡尔曼滤波(EKF)的线性化误差。     

一种使用剪切波变换的干涉图滤波算法

干涉图小波阈值法滤波未考虑干涉相位统计特性, 导致在低相干区域得到的滤波效果不能令人满意。针对这一问题, 提出了一种剪切波变换与干涉相位标准差相结合的相位滤波算法。该算法将干涉相位统计特性与剪切波阈值滤波结合起来, 利用相位标准差改正滤波阈值以提高滤波效果。此外, 为了评价干涉图的滤波效果并为实测数据选择合适的滤波方法提供参考, 将模拟干涉图解缠结果的局部均方差分布作为滤波质量评价指标。将此算法与Goldstein滤波、小波滤波、最优方向融合滤波和剪切波软阈值滤波进行比较, 结果表明所提算法能更有效地削弱干涉图噪声, 同时保留干涉图的细节信息, 避免了低相干地区弱滤波问题。