卡尔曼滤波在山西省西山煤田地面沉降GNSS监测中的应用

本文以山西省西山煤田某一工作面为试验区,在分析地面沉降全球卫星导航系统（GNSS）监测数据特征的基础上,利用两种卡尔曼滤波方法（普通和总体卡尔曼滤波）对矿区地面沉降GNSS监测数据进行了处理与评价,同时对比了两种卡尔曼滤波方法的均方根误差分布情况。试验结果表明,两种滤波方法的滤波结果与观测值趋势大致相同,但存在少数异常点。下沉量越大的监测点,滤波结果与观测值的差异越大,但总体卡尔曼滤波的差异明显小于普通卡尔曼滤波,特别是对于下沉量较大的监测点。下沉量越大的监测点,其均方根误差越大,总体卡尔曼滤增大的速度远小于普通卡尔曼滤波,总体卡尔曼滤波均方根误差的最大值小于0.1 m,普通卡尔曼滤波的则接近0.4 m。     

Hybrid derivative-free extended Kalman filter for unknown lever arm estimation in tightly coupled DGPS/INS integration

Differential carrier phase observations from GPS (Global Positioning System) integrated with high-rate sensor measurements, such as those from an inertial navigation system (INS) or an inertial measurement unit (IMU), in a tightly coupled approach can guarantee continuous and precise geo-location information by bridging short outages in GPS and providing a solution even when less than four satellites are visible. However, to be efficient, the integration requires precise knowledge of the lever arm, i.e. the position vector of the GPS antenna relative to the IMU. A previously determined lever arm by direct measurement is not always available in real applications; therefore, an efficient automatic estimation method can be very useful. We propose a new hybrid derivative-free extended Kalman filter for the estimation of the unknown lever arm in tightly coupled GPS/INS integration. The new approach takes advantage of both the linear time propagation of the Kalman filter and the nonlinear measurement propagation of the derivative-free extended Kalman filter. Compared to the unscented Kalman filter, which in recent years is typically used as a superior alternative to the extended Kalman filter for nonlinear estimation, the virtue of the new Kalman filter is equal estimation accuracy at a significantly reduced computational burden. The performance of the new lever arm estimation method is assessed with simulated and real data. Simulations show that the proposed technique can estimate the unknown lever arm correctly provided that maneuvers with attitude changes are performed during initialization. Field test results confirm the effectiveness of the new method.     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

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。     

多源传感器动、静态滤波融合导航

首先给出联邦滤波各局部输出量之间的相关协方差矩阵，进而给出了基于各传感器独立观测信息的动、静态滤波解法，这种解法避免了重复使用载体状态方程信息的问题，保证了多传感器数据融合的最优性，而且很容易扩展到抗差滤波和自适应滤波融合。     

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。     

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。     

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。     

状态约束卡尔曼滤波的导航定位精度分析

针对满足一些状态约束的线性系统,通常的卡尔曼滤波未能有效利用状态约束信息,从而限制了导航定位解算性能的问题,该文将线性系统的状态约束条件融入卡尔曼滤波中,充分利用状态约束信息,对比分析了准确测量法、估计投影法、系统投影法和滑动时域估计法4种状态约束下的卡尔曼滤波方法,以提高卡尔曼滤波的导航状态估计精度。以陆地车辆导航定位的状态估计为对象,对比分析了非约束卡尔曼滤波和带有状态约束的卡尔曼滤波的状态估计精度,结果表明,状态约束卡尔曼滤波可以明显提高导航定位精度。     

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。     

顾及模型误差的卡尔曼滤波相位解缠

本文提出一种顾及模型误差的卡尔曼滤波相位解缠算法,该算法在卡尔曼滤波的状态空间模型中引入一与误差因素有关的控制变量,对相位误差进行补偿,通过在解缠过程中将卡尔曼滤波增益限制在一定范围内,把误差阻遏在相当小的区域,最后对解缠相位进行卡尔曼滤波平滑操作,减少了误差的传播。分别采用仿真数据和真实InSAR数据进行实验,并与原卡尔曼滤波相位解缠结果进行对比分析,验证了本文方法的有效性。     

移动机器人SLAM位姿估计的改进四元数无迹卡尔曼滤波EI北大核心CSCD

在全自主运动控制的移动机器人系统中,自身位姿的估计和校正对于移动机器人的运动至关重要。卡尔曼滤波是解决移动机器人同步定位与地图构建(SLAM)常用方法。相较于卡尔曼滤波,无迹卡尔曼滤波(UKF)无须对复杂的非线性函数进行雅可比矩阵运算。本文基于无迹卡尔曼滤波,根据先验协方差的平方根选择sigma点,计算协方差以及加权均值。用四元数表示姿态,将四元数矢量转换为旋转空间进行矩阵运算,在此基础上设计了一种位姿估计算法——基于四元数平方根的无迹卡尔曼滤波(QSR-UKF)算法。试验将EKF、QSR-UKF、SR-UKFEKF 3种算法的位姿估计结果进行仿真分析,并通过相关定量指标进行了描述,验证了本文算法的有效性。     

Adaptive estimation of multiple fading factors in Kalman filter for navigation applications

Kalman filter is the most frequently used algorithm in navigation applications. A conventional Kalman filter (CKF) assumes that the statistics of the system noise are given. As long as the noise characteristics are correctly known, the filter will produce optimal estimates for system states. However, the system noise characteristics are not always exactly known, leading to degradation in filter performance. Under some extreme conditions, incorrectly specified system noise characteristics may even cause instability and divergence. Many researchers have proposed to introduce a fading factor into the Kalman filtering to keep the filter stable. Accordingly various adaptive Kalman filters are developed to estimate the fading factor. However, the estimation of multiple fading factors is a very complicated, and yet still open problem. A new approach to adaptive estimation of multiple fading factors in the Kalman filter for navigation applications is presented in this paper. The proposed approach is based on the assumption that, under optimal estimation conditions, the residuals of the Kalman filter are Gaussian white noises with a zero mean. The fading factors are computed and then applied to the predicted covariance matrix, along with the statistical evaluation of the filter residuals using a Chi-square test. The approach is tested using both GPS standalone and integrated GPS/INS navigation systems. The results show that the proposed approach can significantly improve the filter performance and has the ability to restrain the filtering divergence even when system noise attributes are inaccurate.     

基于噪声估计的卡尔曼滤波用于GPS卫星钟差预报研究

利用重叠哈达玛方差确定卫星钟噪声随机模型,采用顾及钟差随机噪声模型的卡尔曼滤波进行钟差预报分析,并与最小二乘预报算法相比较,得出以下结论:卡尔曼滤波进行1 d以内的短期预报时,精度达到亚纳秒级,优于最小二乘预报算法,在长期预报或拟合数据量较少时,最小二乘预报精度优于卡尔曼滤波。     

自适应卡尔曼滤波法用于变形监测数据处理

卡尔曼滤波作为一种动态数据处理方法广泛应用在变形监测数据处理中。文中针对传统卡尔曼滤波因动态噪声不准或不容易确定影响结果准确度的问题,提出并探讨了方差补偿自适应卡尔曼滤波,并通过传统卡尔曼滤波和自适应卡尔曼滤波对GPS变形监测数据进行处理,其结果表明方差补偿自适应卡尔曼滤波对GPS变形监测具有很好的剔除噪声的作用,效果明显。     

卡尔曼滤波参数设置对箭载GPS滤波效果影响分析

卡尔曼（Kalman）滤波作为一种实时递推算法,对减少随机噪声的影响具有重要作用。但在目前资料中很少涉及关于Kalman滤波过程中各种参数选择对于滤波效果的影响分析,通过从理论和工程应用两个层面对箭载GPS状态参数的初值、参数估计的协方差矩阵的初值、测量噪声和系统噪声等参数的变化对Kalman滤波效果的影响进行了研究分析,结合工程实际,提出了Kalman滤波参数设置原则,给出了各参数设置的范围和目的,并利用实测数据进行了分析计算,结果表明：能有效减少箭载GPS滤波的盲目性,提高滤波效率,具有很好的滤波效果,更切合工程实际。     

融合GPS与强震仪数据实时监测瞬时地壳形变

针对强震仪与GPS各自的优点与缺陷,以2016年意大利Mw 6.0级地震为例,探讨了利用Kalman滤波融合GPS与强震仪数据实时监测中等强度地震引起的瞬时地壳形变的可行性与优势。Kalman滤波获取的位移波形以GPS数据作为整体趋势,细节部分用强震仪数据进行描述,融合后的位移波形精度较高,能够准确和细致地描述地震引起的地表动态形变;与此同时,Kalman滤波位移波形也能够准确地探测中等强度地震引起的同震永久阶跃;Kalman滤波位移波形的功率谱在低频部分与GPS位移波形的功率谱密度相似,在高频部分与强震仪位移波形的功率谱密度相似,表明Kalman滤波结合了GPS与强震仪各自的优点;交叉小波分析表明,Kalman滤波获取的位移波形与GPS、强震仪数据呈现较强的正相关性,小波相似值均在0.8以上。以上结果表明,融合GPS与强震仪数据可以结合二者各自的优点,弥补各自的缺陷;融合GPS与强震仪数据可以有效探测中等强度地震引起的瞬时地壳形变。     

基于卡尔曼滤波模型的地铁沉降监测分析

卡尔曼滤波方法是变形监测中常用的一种方法,本文通过对获取的地铁沉降观测数据进行监测,采用经典的卡尔曼滤波方法和基于方法补偿的自适应卡尔曼滤波方法进行监测预估,通过对比发现,基于方差补偿的自适应卡尔曼滤波方法能够有效地控制观测数据异常对动态系统参数估计的影响,保证了变形监测数据估计的精度。     

卡尔曼滤波与H∞滤波在INS／GPS组合导航中的应用

组合导航利用惯性导航（INS）和全球定位系统（GPS）较强的非相似性和互补性,将两者组合,可以取长补短,充分发挥各自的优点,提高导航系统性能。利用卡尔曼滤波能够有效提高其精度,但卡尔曼滤波的应用要求函数模型和随机模型已知,符合实际,这在实际应用中是很难保证的,一般都是通过经验信息确定。H滤波则具有很强的鲁棒性,抗干扰性强。通过仿真数据处理,结果表明：H滤波比卡尔曼滤波在噪声特性未知时更适用,精度更高。