非线性自适应抗差滤波定轨算法

讨论了应用卡尔曼滤波进行卫星精密定轨所遇到的一些问题,提出了一种新的非线性自适应抗差滤波定轨算法。该方法首先采用非线性滤波来提高定轨精度,避免了模型线性化误差的影响。另外,采用双因子方差膨胀模型来自适应地调节观测噪声的协方差阵,以控制观测异常对定轨结果的影响;通过自适应因子实时调节状态噪声协方差阵,以降低状态异常对定轨结果的影响。通过CHAMP卫星定轨计算,验证了新方法的可行性和有效性。     

水下运载体重力辅助惯性导航系统仿真平台

扩展卡尔曼滤波技术可以利用序列观测重力异常数据以及航行区域重力异常基准图来校正惯性导航系统漂移误差。针对因重力测量环境的变化、测量仪器扰动等因素造成的重力异常观测噪声不确定问题,提出了基于量测残差自适应估计观测噪声协方差（residual-based adaptive estimation,RAE）的重力异常滤波匹配算法;设计了一组并行卡尔曼滤波器,并简化了最优滤波器的选择准则。不同重力特征区域的实验表明,该算法能够有效降低惯性导航系统经纬向漂移误差,提高系统的导航定位精度。     

车载GPS虚拟观测值求解航向角方法

如何提高利用GPS获取车载系统航向角的精度是当前研究的热点之一。本文介绍了一种利用固定基线长的双GPS天线求车载航向角的新方法,该方法针对GPS的误差特点并结合"当前"统计模型,建立了适合航向角滤波的系统方程,然后利用卡尔曼滤波来消除航向角噪声,并且将基线长约束引入模型建立虚拟观测值进行处理。结果表明,该方法显著地提高了的航向角精度。     

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。     

组合导航抗差自适应卡尔曼滤波

针对组合导航系统的定位精度与稳定性要求不断提高的现状,该文引入一种观测噪声协方差与抗差自适应相结合的Kalman滤波算法。利用新息向量和移动窗口协方差分析法,动态自适应修正观测噪声协方差阵;通过分析基于状态不符值、方差分量的统计量构造的自适应因子所存在的问题,提出一种由预测残差向量构造的自适应因子。仿真结果表明,该方法能够有效抑制观测异常对组合导航定位精度的影响。     

量测噪声自适应平方根TCKF姿态数据融合算法

为了提高微电机系统(Micro-Electro-Mechanical Systems, MEMS)器件的姿态解算精度,本文提出了一种量测噪声自适应平方根正交变换容积卡尔曼滤波(Adaptive-Square Root Transformed Cubature Kalman Filter, A-SRTCKF)姿态数据融合算法。该算法对MEMS器件中的加速度计、陀螺仪和磁力计输出的数据进行数据融合,以TCKF作为基础算法,采用QR分解更新误差协方差矩阵的平方根进行滤波运算,并通过渐消记忆Sage-Husa噪声估计方法对量测噪声进行实时估计。实验结果表明,该算法使姿态测量系统的估计误差至少降低了79.6%,不但避免了因误差协方差矩阵非正定导致算法异常终止的情况,而且解决了系统因量测噪声未知造成的状态估计精度急剧下降问题,具有比TCKF和SRTCKF更高的精度和鲁棒性。     

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。     

抗差容积卡尔曼滤波及其在UWB室内定位中的应用北大核心CSCD

针对超宽带(UWB)观测值异常引起的量测误差及系统噪声先验统计信息未知而导致状态估计误差增大的问题,该文提出了一种带噪声时变估计器的抗差容积卡尔曼滤波(CKF)算法。该算法在滤波过程中,利用预报残差因子构建抗差等价协方差矩阵,控制观测异常值对滤波参数解的影响,同时利用sage_husa算法对系统噪声的统计特性进行实时估计和修正,提高滤波精度和稳定性。实验结果表明,所提算法不仅能有效地消除量测误差对滤波解的影响,而且能在系统噪声先验信息未知的情况下更进一步提高UWB室内定位的精度和可靠性。     

新型自适应滤波算法在惯导/双星组合中的应用

在系统模型误差和噪声统计特性未知时,为防止滤波发散和提高系统的实时性,提出了一种模糊自适应Kalman滤波算法。该算法利用滤波异常判据获得一个滤波状态因子,进而利用模糊推理系统在线调整量测噪声协方差阵的值,使滤波实现自适应。将该算法应用到惯导/双星组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明：在滤波精度相当的情况下,该算法简化了运算,提高了实时性。     

先验协方差阵误差对动态Kalman滤波解的影响

分别讨论当标准Kalman滤波动力学模型的状态参数协方差阵、状态噪声的协方差阵及观测噪声的协方差阵含有误差时,对滤波结果的影响并导出相应的解式。利用GPS/INS紧组合导航系统的实测数据对上述分析进行了实验,结果表明,动力学模型信息的协方差阵和观测信息的协方差阵在滤波中具有一个理想的平衡点,该平衡点能够合理分配动力学模型信息和观测信息对滤波解的贡献,从而可以得到可靠的滤波解。     

简化自协方差最小二乘噪声估计的SINS静基座初始对准

目的 研究了观测噪声统计特性未知的情况下,简化的自协方差最小二乘噪声估计方法在捷联惯性导航系统静基座初始对准中的应用。该算法采用迭代计算的策略,同时进行噪声估计和初始姿态修正,估计精度较高。通过数值方法对此算法的正确性和有效性进行了验证。     

Improved adaptive filter with application to relative navigation

An improved adaptive Kalman filter algorithm is presented to model error and process noise uncertainty. The adaptive algorithm for model error is obtained by using an upper bound for the state prediction covariance matrix. The process noise is estimated at each filter step by minimizing a criterion function, which was determined by measurement prediction. A recursive algorithm is provided for solving the criterion function. The proposed adaptive filter algorithm was successfully implemented in GPS relative navigation for spacecraft formation flying in high earth orbits with real orbit perturbations. Software simulation results indicated that the proposed adaptive filter performed better in robustness and accuracy compared with previous adaptive algorithms.     

一种基于非专用接收机的GPS实时定姿算法

描述一种基于非专用接收机的GPS实时定姿算法,主要工作可以分为两个部分:第一,采用最小二乘方法和乔里斯基分解,基于基线长度约束压缩整周模糊度搜索空间,以达到实时计算的目的;第二,结合姿态角约束,使用金字塔算法提高了整周模糊度求解效率.经过实验,算法在基线长度为3 m的条件下,航向角精度优于0.1°.     

SINS的SRC-KF姿态估计算法

基于飞行器载体SINS姿态计算精度要求,提出了一种SINS(strap-down inertial navigation system)的球面径向容积卡尔曼(spherical-radial cubature Kalman filtering, SRC-KF) 姿态确定算法。该算法把笛卡尔坐标系中状态向量变换到球坐标系中,通过Gauss-Hermite求积计算获得2n个球面径向容积点及其权值系数来逼近计算系统状态估计及其方差矩阵,其计算精度可达到三阶;采用四元数姿态建模方法构建新型SINS状态变量与噪声向量相关的姿态方程模型,利用伪观测向量构建观测噪声与四元数相关的观测方程模型,设计系统噪声方差分离计算算法进行系统噪声方差计算,引入拉格朗日乘子算法计算四元数估计均值,最后利用SINS/CCD姿态估计仿真系统开展的SINS 的SRC-KF姿态模型算法进行仿真验证。通过与中心差滤波(CDKF)和无迹卡尔曼滤波(UKF)算法计算结果进行对比,可以看出SRC-KF算法具有计算精度高以及数值计算稳定等特点。

     

顾及系统噪声和观测噪声的分级自适应信息滤波算法

高精度的载体动态导航与定位不仅需要对载体异常扰动和观测异常有良好控制,还需要对状态方程系统噪声及观测噪声的时变特性有准确认识和处理.首先针对包含系统噪声的动力学模型和包含时变观测噪声的导航系统,提出一种基于信息滤波形式的分级自适应滤波算法.然后针对系统噪声的渐变性和突变性,增加了遗忘因子和二段自适应因子,提高了对突变噪...     

IMU辅助X射线脉冲星的深空探测器精确定姿方法及仿真

为满足深空探测器的精确定姿需求,提出了一种惯性测量单元(IMU)辅助的X射线脉冲星定姿方法。该方法用IMU的速率陀螺来估计航天器短时姿态,观测两颗或多颗脉冲星的X射线辐射信号,将拟合得到的观测矢量作为滤波器信息输入,利用这两种测姿手段在时间和空间上的互补特性,提供一种全天候、抗干扰性强的定姿方法。仿真结果表明,相比于EKF,基于UKF的俯仰、横滚和偏航三姿态角的测量精度可提高21.9%、21.1%和31.7%;与仅使用脉冲星或IMU的定姿方法相比,组合定姿方法的俯仰角估计精度分别提高了32.5%和77.6%。     

FY-3B微波成像仪资料的地理定位误差与订正

风云3号B星(FY-3B)上的微波成像仪(MWRI)通过10.65 GHz,18.7 GHz,23.8GHz,36.5 GHz和189.0 GHz5个频率的双极化通道对地球表面进行监测。自卫星发射至今,MWRI资料的地理定位误差还未进行深入研究。为了提高FY-3B MWRI L1级数据地理定位精度,基于海、陆响应的升、降轨亮温差理论NDM(Node Differential Method),通过卫星位置和速度矢量建立卫星姿态模型、采用非线性最优化方法估计卫星姿态偏差,进而对MWRI 89 GHz通道的地理定位误差进行分析与订正。结果表明,2015年1—9月份俯仰、滚动和偏航角度的平均偏差分别为-0.220°,0.068°和0.062°,对应沿轨误差大约3—4 km,跨轨误差小于1 km。定位误差订正后,地中海、澳大利亚区域海岸线附近的升降轨亮温差明显减小;观测亮温在红海和南美洲东南部区域的分布和海岸线更加吻合,定位精度得到明显提高。     

Adaptive Kalman filtering based on optimal autoregressive predictive model

Conventional Kalman filter (KF) relies heavily on a priori knowledge of the potentially unstable process and measurement noise statistics. Insufficiently known a priori filter statistics will reduce the precision of the estimated states or introduce biases to the estimates. We propose an adaptive KF based on the autoregressive (AR) predictive model for vehicle navigation. First, the AR model is incorporated into the KF for state estimation. The closed-form solution of the AR model coefficients is obtained by solving a convex quadratic programming problem, which is according to the criterion of minimizing the mean-square error, and subject to the polynomial constraint of vehicle motion. Then, an innovation-based adaptive approach is improved based on the KF with the AR predictive model. In the proposed adaptive algorithm, the process noise covariance is computed using the real-time information of the innovation sequence. Simulation results demonstrate that the KF with the AR model has a higher estimated precision than the KF with the traditional discrete-time differential model under the condition of the same parameter setting. Field tests show that the positioning accuracy of the proposed adaptive algorithm is superior to the conventional adaptive KF.