一种新的混合迭代UKF

从统计线性回归的角度对无味变换(unscented transformation,UT)进行分析,推导了迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)。针对IUKF计算量大的问题,结合弦线迭代法和IUKF,得到了一种新的混合迭代无味卡尔曼滤波器。数值仿真的结果表明,新滤波算法的精度优于扩展卡尔曼滤波、迭代扩展卡尔曼滤波和无味卡尔曼滤波,并可以有效降低IUKF的计算量。     

不变RTS平滑算法及其在5G/SINS组合导航中的应用研究

为了解决导航系统的位置误差随时间累积的问题,提出一种状态空间为矩阵李群的不变RTS(invariant RauchTung-Striebel, InRTS）平滑算法来提高导航状态的精度,其核心在于导航状态及观测都利用矩阵李群进行表示及推导。首先,将系统状态及其误差状态微分方程用矩阵李群来表征,相比于传统扩展卡尔曼滤波算法（extended Kalman filter,EKF）,将系统状态构建在矩阵李群上,其动力学方程可以更自然更本质地描述物体在空间中的运动特性,而通过群运算定义的误差状态耦合了姿态误差而不是直接的向量相减;接着,通过李群和李代数之间的对数映射将不变误差状态变量映射到李代数空间,得到一个解析的线性微分方程,该方程与当前状态估计值无关,从而可以获得在任何线性化点处状态无关的雅克比矩阵;然后,根据5G定位中量测模型的左不变特性推导包含杆臂误差的左不变误差状态量测方程,从而得到一个左不变EKF;最后,以左不变EKF为前向滤波,提出不变RTS平滑算法,并将其应用于5G/SINS(strapdown inertial navigation system）组合导航系统,在仿真实验中与...     

改进的迭代EKF算法在伪卫星定位中的应用

首先,针对伪卫星导航系统距离用户较近的特点,对伪卫星定位系统非线性观测方程的线性化进行了误差分析,指出伪卫星数据处理顾及线性化误差影响的必要性。其次,针对迭代EKF(IEKF)算法受观测信息影响较大的问题,基于观测信息等价协方差矩阵原理给出了一种改进的IEKF算法。最后,利用仿真数据验证了改进的迭代EKF算法能够较好地抑制观测信息异常对滤波解的影响。     

三维AOA/TDOA被动定位及其迭代融合算法

对辐射源的三维被动定位是电子支持测量系统（electronic support measure system，ESM）的重要内容，特别是在军事上，是侦察定位、监视监测的重要方面。到达时间差（time difference of arrival，TDOA）、到达角度（angle of arrival，AOA）是被动雷达普遍采用的两种定位方法。本文基于分别安装于不同运动平台上的两个传感器的AOA和TDOA测量，给出了迭代最小二乘（iterative least squares，ILS）融合算法。其中，传感器的位置、速度以及状态等参量由集成GPS／INS系统估计得到，AOA／TDOA测量方程由运动平台的位置、姿态以及传感器的AOA、TDOA测量数据构成。本方法首先将ISL用于对两个传感器的AOA融合，然后将得到的估计结果作为AOA／TDOA的ILS融合的初始值。仿真结果显示采用AOA／TDOA融合算法，使定位精度得到有效提高。     

GPS导航解算中几种非线性Kalman滤波的理论分析与比较

GPS导航解算中常采用离散线性Kalman滤波模型.由于线性化忽略高次项,加之线性化受初始值精度的影响,导致线性化模型精度很难满足高动态用户需求.为此,分别讨论了扩展Kalman滤波和Bancroft算法以及利用观测信息迭代精化观测方程三种算法,并结合算例进行了比较与分析.     

大失准角的SINS/GPS组合对准算法研究

利用四元数误差方程和非线性滤波技术能较好地解决大失准角下SINS的空中对准问题。迭代滤波比扩展卡尔曼滤波能在更大程度上改善对准精度，但计算量大。针对此不足，本文基于扩展卡尔曼滤波的状态与偏差解耦算法具有较高数值效率和迭代滤波具有较高精度的特点，推导出了一种非线性滤波算法，并对基于加性四元数误差方程的SINS／GPS组合对准进行了数字仿真。仿真结果表明：该算法既具有迭代滤波的精度又比迭代滤波计算量小。     

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。     

带约束条件的自适应滤波及其在GPS定位中的应用

推导了约束状态下的卡尔曼滤波递推方程,采用不消去状态参数的方法,在卡尔曼滤波的数学模型中增加约束状态方程推导出约束状态下的卡尔曼滤波递推方程.表明采用带约束条件的滤波递推过程与一般卡尔曼滤波递推方程相似,只要对预报值及其协方差增加一项约束条件改正项即可,因此,在滤波计算上不需要做大的修改.还讨论了带约束条件的卡尔曼滤波的自适应算法,说明一般自适应滤波算法同样适用于带约束条件的滤波,因此在应用上非常便利.利用一组GPS动态定位数据中的伪距观测值进行计算分析,并以距离作为一个约束条件,结果显示约束条件对滤波结果的改善程度与约束条件和动态系统本身有关.对于一般卡尔曼滤波中因模型确定误差和动态目标突然加速而导致的滤波发散现象,如果增加约束条件的约束力较小时,同样会出现滤波结果偏离,因此,带约束条件的滤波同样需要考虑滤波的自适应性.     

利用角度和时差的单站外辐射源定位方法

研究了通过单站接收多个外辐射源信号实现对固定目标定位的问题。首先,联合角度(DOA)和时差(TDOA)信息构建测量误差的概率密度函数。然后利用牛顿迭代法求解得到目标位置估计的最大似然解,迭代初值由最小二乘算法给出。最后通过仿真实验证明了联合角度和时差的定位系统克拉美罗界低于TDOA系统,本文算法估计结果误差接近克拉美罗界,通过几何精度因子图,分析了影响定位精度的主要因素是测量误差和目标的位置。     

迭代扩展卡尔曼滤波用于实时GPS数据处理

标准的卡尔曼滤波可以扩展到非线性模型,即将泰勒公式应用于状态方程和观测方程,得到扩展卡尔曼滤波公式。首先推导了计算公式,研究了迭代计算方法,并将其用于ＧＰＳ数据的实时处理。     

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。     

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。     

动态EIV模型及其总体卡尔曼滤波方法

针对求解动态EIV模型时未考虑状态方程中状态转移矩阵误差的问题,本文建立了一种能够同时顾及状态方程和观测方程中各量误差的动态EIV模型。推导了针对该动态EIV模型的总体卡尔曼滤波方法及其近似精度评定公式。对比分析了本文总体卡尔曼滤波方法与已有总体卡尔曼滤波方法及总体最小二乘方法的异同。算例结果表明,本文方法统计上要优于标准卡尔曼滤波方法和已有的总体卡尔曼滤波方法。     

基于B1C新信号的BDS/INS深组合改进的跟踪环路设计

针对北斗卫星导航系统/惯性导航系统(BDS/INS)的深组合定位系统,提出了一种利用惯性导航系统(INS)辅助B1C正交分量的信号跟踪算法,以解决定位过程中信号较弱致深组合定位系统失锁的问题. 该算法使用了考虑INS数据的卡尔曼滤波算法,并同时利用导频分量和数据分量构成本地码,对信号进行跟踪. 由该算法对实测数据计算,并利用传统算法进行对比,可以得出在弱信号的环境下跟踪环路较为稳定,伪距精度较高.      

自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

基于EKF的北斗B1C信号数据/导频联合跟踪方法

针对北斗B1C信号在低载噪比情况下跟踪精度低的问题,提出一种基于扩展卡尔曼滤波（EKF）的北斗B1C信号数据/导频联合跟踪方法.通过构建数据/导频双通道联合跟踪模型,增加对B1C信号利用率,并在联合跟踪模型的基础上引入扩展卡尔曼滤波器,削弱传统跟踪环路中鉴别器和环路滤波器带来的跟踪误差,进一步提高跟踪环路对低载噪比信号的跟踪性能.仿真结果验证:在低载噪比情况下,相比于传统单导频通道跟踪、单导频扩展卡尔曼跟踪和联合跟踪,该方法可以有效提高跟踪精度.      

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。      

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.