UKF在惯性/重力组合导航中的应用

将UKF(Unscented Kalman Filter)方法用于惯性/重力组合导航系统.UKF方法设计了少量的呈高斯分布的σ点,在每个更新过程中,σ点随着非线性状态方程和测量方程传播,从而获得滤波值及较高的计算精度,而且避免了对非线性方程的线性化过程.仿真结果表明:UKF方法比传统卡尔曼滤波及其改进的滤波模型都有更高的估计精度,并能有效的克服非线性严重时出现的滤波发散问题.     

BDS/GPS/GLONASS RTK定位算法研究

实现了BDS/GPS/GLONASS三系统组合RTK定位算法,介绍了BDS/GPS/GLONASS三系统组合RTK数学模型,解决了多模融合导航定位时空基准统一问题,并针对附加模糊度参数的卡尔曼滤波函数模型,提出了一种确定实时动态定位中卡尔曼滤波参数的方法。编制了BDS/GPS/GLONASS RTK定位程序,并对28 m超短基线及31 km短基线实测数据进行了解算。对比分析了BDS、GPS、GLONASS、BDS/GPS、BDS/GLONASS、GPS/GLONASS、BDS/GPS/GLONASS七种模式下的定位结果。     

北斗三频中长基线差分定位性能研究

北斗卫星系统(BDS)能全星座播发三频信号,可通过线性组合构成不同虚拟观测量,有利于模糊度解算等,文中采用北斗三频中长基线实测数据进行差分定位,首先使用宽巷模糊度和电离层无关组合进行B3频段窄巷模糊度解算,在此基础上提出利用相邻历元B3频段窄巷模糊度构建卡尔曼滤波新息向量,通过新息向量内积RMS值很容易分析出窄巷模糊度的误差对滤波性能的影响,并结合滤波发散条件进行相关卫星历元挑选,实验最终得到中长基线厘米级定位精度并有效缩短首次收敛时间和提高固定率,对促进北斗高精度定位有着现实意义。      

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高动态载波跟踪环路设计

针对高动态环境会使接收机接收信号载频上产生很大的多普勒频移及其变化率,普通的GPS载波跟踪环无法保证可靠的跟踪等问题,通过综合分析传统的二阶叉积自动频率控制环(CPAFC)辅助三阶锁相环(PLL)的高动态载波跟踪环路,以及卡尔曼滤波器在动态跟踪中的优势与劣势,该文设计了一种基于卡尔曼滤波的二阶CPAFC辅助三阶PLL的GPS高动态载波跟踪环路。通过仿真分析证明,新的环路能更好地适应动态性,整体跟踪性能更好;并且在信噪比较低的情况下,环路优势更明显。     

方差分量估计卡尔曼滤波在地铁深基坑变形预测中的应用

在地铁附近基坑工程的施工阶段,通常要对地铁隧道结构进行水平位移监测、分析和预测。采用卡尔曼滤波能实时估计出水平位移状态向量,实现水平位移预测,如果卡尔曼滤波中动态噪声不准或不易确定,就会导致滤波发散而无法获得准确的预测结果。研究和采用基于方差分量估计的卡尔曼滤波,利用预报残差实时更新模型的动态噪声方差,可以避免滤波发散,提高预测精度。实际应用表明,基于方差分量估计的卡尔曼滤波能获得较好的水平位移预测效果。     

零角度修正在GNSS/INS组合导航中的应用

研究了静止条件下零角度修正在GNSS/INS组合导航中的应用。分析了静止条件下载体航向角解算漂移的原因,给出零角度修正的具体表达式。通过更改卡尔曼滤波量测方程的方法实现航向角误差修正,并用实测数据进行实验验证。结果表明,在静止条件下单独使用零角度修正可以提高载体的航向角精度,并利于垂向陀螺零偏的估计;在零角度修正基础上结合零速修正技术,航向角精度可以进一步改善。     

信息分配系数的自适应滤波在GPS/DR组合导航中的应用

在组合导航中常采用联合滤波器进行多源传感器的信息融合,其中信息分配系数的取值直接影响着联合滤波器的性能。在详细分析子滤波器状态变量估计协方差阵特点的基础上,文中提出了采用两组信息分配系数的自适应联合滤波模型,并将设计的自适应联合滤波模型应用于车载GPS/DR组合导航中。仿真实验表明,导航的位置精度提高约为40%;速度精度提高约为10%。同时也提高了组合系统的容错性和可靠性。     

关联概率密度加权重力异常UKF滤波匹配导航算法

无味卡尔曼滤波(UKF)是一种通过采样来近似非线性分布,从而对非线性问题进行次优估计的滤波方法。利用实时观测得到的重力异常以及航行区域参考重力异常图,可以建立基于重力异常的UKF滤波匹配导航算法,以此校正惯性导航系统的漂移误差。针对选取与UT变换相同权系数来求取预测观测值而可能导致求得的预测观测值为伪观测值的问题,提出了利用关联概率密度函数对采样观测值进行加权的重力异常UKF滤波匹配导航算法。通过对某实验区域的实验进行计算分析,结果表明,基于关联概率密度加权重力异常UKF滤波算法能够克服传统加权预测观测值带来伪观测信息的问题,将惯性导航系统经纬向漂移误差降低至1.1 n mile以内,均优干传统加权算法和纯惯性导航系统的定位精度。     

基于AMSR-E土壤湿度产品的LIS同化试验

由陆面信息系统 (Land Information System, 简称LIS) 通过NOAH陆面过程模型使用集合卡尔曼滤波开展AMSR-E (Advanced Microwave Scanning Radiometer-Earth Observing System) 土壤湿度同化试验,得到2003年中国区域垂直深度为4层、水平空间分辨率为0.25°×0.25°的土壤湿度试验数据。使用农业气象观测站土壤相对湿度和国家生态系统野外科学观测研究站土壤体积含水量对试验结果进行检验,结果表明:同化过程整体上提高了陆面模型的模拟精度,草地生态系统模拟精度高于作物和森林生态系统;有效的同化过程依赖于AMSR-E土壤湿度的准确性;模拟出的土壤湿度空间分布特征与实际相符。同化试验得到的时空相对连续且精度相对准确的土壤湿度数据是气候变化和干旱监测的重要数据基础。