基于卡尔曼滤波算法的卫星导航高精度定位方法

为保证卫星导航的定位精准性,降低定位误差,提出基于卡尔曼滤波算法的卫星导航高精度定位方法。该方法采用支持向量机分类卫星导航信号,获取信号中不含伪距的直达信号,依据该信号获取终端接收机的三维空间坐标;将该坐标和接收机的时钟偏差以及频率漂移作为核心,采用改进的卡尔曼滤波算法获取终端接收机的位置坐标,即卫星导航的定位结果;并采用粒子群算法优化卡尔曼滤波算法获取的定位结果,以此提升卫星导航定位精准性。测试结果显示：该方法具有较好的应用性能,在X、Y、Z三个方向上的定位误差结果均在5 m以内;高程定位误差均在3.5 m以内,可精准完成导航载体所在位置的定位,掌握导航载体的运动轨迹。     

卫星导航定位卡尔曼滤波时延平滑方法研究

为进一步提高卫星导航定位精度和性能,介绍和讨论了卡尔曼滤波延时平滑方法,并建立了一种卡尔曼滤波延时平滑定位模型与算法。与经典卡尔曼滤波类似,该算法同样具有状态系统与测量系统两类方程,能够根据后续历元测量值及定位结果向前进行逆向预测与更新,从而达到对整体定位过程再次平滑的目的,更大程度地获得定位结果跟随性与平滑性之间的平衡。通过多种不同情况下的GPS实测试验,对方法的正确性和可行性进行了分析与验证。结果表明,卡尔曼滤波延时平滑定位方法能够适用于多种静态、动态导航应用领域,使输出结果更为平滑和准确,在有效提高定位精度的同时具有更强的抗多径和抗干扰性。     

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。     

改进的高动态GPS定位自适应卡尔曼滤波方法

本文针对高动态ＧＰＳ不易确定动态噪声和观测噪声的特点,提出了一种适用于高动态ＧＰＳ定位的改进的自适应卡尔曼滤波方法。该方法具有数值稳定性好,存储量小的优点,克服了发散的缺点,具有较强的自适应性。     

GPS动态定位中自适应卡尔曼滤波方法的应用研究

采用描述机动载体运动的“当前”统计模型,直接从GPS接收机输出的定位结果入手,建立一种GPS动态定位自适应卡尔曼滤波模型,提出一种改进的自适应滤波算法,对GPS动态定位数据进行滤波。实验结果表明该模型简单,实时性好,滤波后的定位精度得到了提高。     

用卡尔曼滤波进行GPS动态定位

采用卡尔曼滤波进行GPS单点定位,必须合理地构造系统动态特性,才能使滤波平稳进行。介绍两种确定GPS观测数据方差的方法,然后针对卡尔曼滤波的发散问题进行讨论,并给出一种避免滤波发散的渐消因子改进算法,实现滤波的自适应。最后结合算例验证了该方法的有效性。     

基于卡尔曼滤波算法卫星数不足情况下的连续定位

介绍了卡尔曼滤波模型,采用C#编程语言建立了程序模块,并将其作为参数估计方法对一组动态数据进行了伪距单点定位解算;将部分历元时刻卫星数设置为少于4颗进行解算,并比较了其定位结果与原始结果的差异。实验结果表明,采用卡尔曼滤波模型能够在卫星数不足的情况下在一定时间内保持定位的连续性,并能保证一定精度。     

基于矩阵优化技术的RTK定位耗时改进方法

差分卫星导航实时动态(RTK)定位的计算耗时主要取决于定位程序中的卡尔曼滤波实现.卡尔曼滤波实现中有大量的矩阵运算,因此,矩阵的优化技术有可能成为降低RTK计算耗时的有效手段.基于RTK定位算法中卡尔曼状态转移矩阵的特殊性,对卡尔曼的状态变量预测以及状态变量的协方差矩阵预测进行了改进.运动平台实测结果表明,矩阵优化后的RTK定位耗时较优化前减少至1/7倍左右.      

基于卡尔曼滤波的Wi-Fi/PDR融合室内定位方法研究

当前智能手机大多集成了多种传感器,组合多种传感器数据进行室内定位已成为研究热点。本文针对传统的Wi-Fi位置指纹室内定位精度不高的问题,提出了一种基于卡尔曼滤波结合行人航位推算的融合定位方法,经测试,融合定位方法的平均定位精度为3.1 m,较单独Wi-Fi指纹定位精度提升了43%。同时针对PDR步数检测不准确的问题,本文提出了基于低通滤波和阈值滤波的组合滤波方法,将计步准确率提高至99%,对于不同的应用场景具有较强的适应性。     

扩展卡尔曼滤波的安卓手机定位算法研究

随着手机定位的应用越来越多,目前市场中许多APP(Application)都会用到定位功能.但多数APP使用传统的定位算法,不能满足人们实时获取高精度地理位置信息的需求.现阶段对于手机的全球定位系统(GPS)芯片原始数据定位方法的研究较少,因此本文主要对利用手机GPS原始数据定位的可行性及定位算法进行了研究.利用Android 7.0系统提供的应用程序接口获取GPS芯片的原始数据参数,根据手机实用场景的速度特征,分别设计并实现了针对于静态场景的静态卡尔曼滤波和针对低速场景的动态卡尔曼滤波定位算法.通过静态实验以及电动车实验和步行实验的结果表明:与传统的定位算法相比,本文设计的静态卡尔曼滤波和动态卡尔曼滤波定位算法拥有更好的定位结果,更加接近实际行走路线,证明了利用手机GPS原始数据定位的可行性,同时也证明了设计的卡尔曼滤波算法可以提高定位精度,论文的研究结果为实现静态与动态的高精度手机定位算法提供了理论依据.     

抗差卡尔曼滤波在GPS动态定位中的应用

基于Kalman滤波的GPS动态定位中，动态观测量及其相应的动态模型可能存在异常，若数据处理不考虑对这些异常的特别处理，则模糊度的估值及其所提供的动态信息将极不可靠，按抗差估计原理，文中构造了状态向量和观测值对模糊度的影响函数，并由此建立了动态GPS定位的抗差Kalman滤波解法，实际计算验证了该方法的实用性和可靠性。     

抗差卡尔曼滤波在GPS动态定位中的应用

基于Kalman滤波的GPS动态定位中,动态观测量及其相应的动态模型可能存在异常,若数据处理不考虑对这些异常的特别处理,则模糊度的估值及其所提供的动态信息将极不可靠.按抗差估计原理,文中构造了状态向量和观测值对模糊度的影响函数,并由此建立了动态GPS定位的抗差Kalman滤波解法.实际计算验证了该方法的实用性和可靠性.     

WiFi-PDR室内组合定位的无迹卡尔曼滤波算法

针对当前室内定位的应用需求和亟待解决的关键问题,结合城市室内环境下广泛存在的WiFi无线信号以及智能手机传感器信息,提出了一种WiFi无线信号联合行人航迹推算(PDR)的室内定位方法。该方法采用无迹卡尔曼滤波(UKF)算法对WiFi和PDR定位信息进行融合处理,有效克服了WiFi单点定位精度低和PDR存在累计误差的问题。针对融合算法中WiFi指纹匹配计算量大的问题,用k-means聚类算法对WiFi指纹库进行聚类处理,降低了指纹匹配算法的计算量,提高了算法的实时性。通过在华为P6-U06智能手机平台上实际测试,在时间效率上经过聚类处理后系统定位耗时有很大程度的改善,平均降幅为51%,其中最大降幅达到64%,最小的也达到了36%;在定位精度上,当室内人员为行走状态时WiFi定位平均误差为7.76m,PDR定位平均误差为4.57m,UKF滤波融合后平均定位误差下降到1.24m。     

基于卡尔曼滤波的GPS静态定位精度分析

GPS静态定位精度是实现精密测量的关键。简要介绍了GPS静态定位原理和卡尔曼滤波技术,针对GPS信号噪声特点,建立GPS静态定位数据处理的数学模型,设计卡尔曼滤波算法,通过对三种定位方式的实测数据进行比较分析,得出相关结论,为工程应用提供有益的参考。     

动态定位中测量噪声时间相关的Kalman滤波

在动态定位数据处理中,测量噪声一般是时间相关的,若直接按照Kalman滤波器解算,将达不到最优滤波效果,并且其误差协方差阵也是不严密的。针对一般时间相关观测噪声进行研究,分析它们对Kalman结果的影响,然后根据状态估计为线性无偏最小方差估计的准则,给出测量噪声时间相关时的Kalman递推公式,同时也考虑相关数据的存储问题,最后通过数字模拟验证算法的有效性。     

BDS实时动态相对定位卡尔曼滤波算法

为了实现BDS实时动态高精度相对定位, 本文提出了一种适用于单频或双频动态定位的卡尔曼滤波算法, 并对GEO和IGSO卫星残差特性进行了分析。该算法将位置参数和整周模糊度参数作为状态向量进行滤波估计, 滤波过程中将单点定位结果作为位置参数的一步预测值。通过实测数据验证, 单频相位B1相对定位E方向优于1.2 cm, N方向优于3 cm, U方向优于5.3 cm, 双频B1和B2相对定位E方向优于1.0 cm, N方向优于2.6 cm, U方向优于4.5 cm;GEO卫星相位差分残差值比较平稳, 频率间存在系统性偏差, 而IGSO卫星残差与高度角相关, 低高度角时差分残差较大。     

非线性系统中卡尔曼滤波的一种新线性化方法

针对测量领域非线性系统卡尔曼滤波的线性化,在分析两种传统线性化方式的基础上,提出了一种新的基于最优估计值的线性化方式。     

基于有色噪声自适应卡尔曼滤波的GPS单点定位

将有色噪声一阶AR模型的自适应卡尔曼滤波应用到精密单点定位中, 采用当前历元的预测残差均方根误差与上一历元的观测残差均方根误差的比值确定相关系数ρ_k,k－1。在使用一阶AR模型进行解算时, 使用实测数据对模型进行验证, 证明了该方法确定的相关系数能够有效提高扩展卡尔曼滤波(EKF)解算过程中的收敛速度和幅度。     

正反向Kalman滤波用于动态精密单点定位参数估计

提出了采用正反向Kalman滤波进行动态精密单点定位事后处理参数估计的方法,连续实施两次方向相反的Kalman滤波,第一次滤波结果作为第二次滤波的初始信息,第二次滤波结果作为最终结果。该方法克服了传统Kalman滤波方法在模糊度参数收敛之前定位精度不高的缺陷,同时还具有原理简单、易于实现的优点。实测数据解算实验表明,该方法正确有效,可以获得理想的动态精密单点定位结果。