改进的DGPS/INS/视觉组合导航算法研究

为了满足智能车辆的高精度、实时性和高可靠性的自主导航的需要,提出了一种GPS/机器视觉共同辅助SINS的多采样的智能车辆组合导航算法。该算法不仅包括GPS和SINS形成的位姿速度观测信息,还包括机器视觉形成的位置观测信息。在子滤波器中采用自适应选权滤波算法,抑制了滤波发散,提高了滤波精度。还提出了一种改进的基于估计协方差阵的奇异值分解的动态自适应调节信息分配系数的算法,可有效提高系统的状态估计精度。通过仿真实验验证,该导航系统能为智能车辆提供丰富的导航信息,实现了厘米级的导航精度和容错性,即使在GPS出现较长时间的中断时,仍能为智能车辆提供可靠的导航信息。     

自适应联邦H∞滤波在水下组合导航系统中的应用

为了提高自主水下航行器组合导航系统精度,选择了捷联式惯性导航系统、多普勒速度声纳、电子磁罗经和海底地形匹配作为水下航行器组合导航系统导航传感器,建立了水下航行器组合导航系统的状态模型和导航传感器观测模型,提出了一种基于RBF神经网络进行联邦滤波信息分配的自适应联邦滤波信息融合方法并进行了计算机软件仿真试验,仿真实验结果表明:采用RBF神经网络进行信息分配系数的自适应调整的改进自适应联邦滤波器的水下航行器组合导航系统的导航姿态、速度和位置精度得到了提高,满足高精度水下组合导航的要求.新型信息融合方法克服了传统滤波容易发散的缺点,有效地提高了水下航行器组合导航系统的容错性能和导航精度.     

快速联合H∞滤波在SINS/GPS组合导航中的应用

针对捷联惯导/卫星定位(SINS/GPS)组合导航中联合卡尔曼滤波器对系统模型和噪声统计特性的依赖性和算法运算量大等缺点,提出了新的联合H_∞滤波方法.定义了新的联合H_∞滤波公式,提出了融合信息在子滤波器中自适应分配原则,简化了联合H_∞滤波算法.由于H_∞滤波不需要已知噪声的统计特性,因此新算法具有很强的鲁棒性,同时联合算法又可以有效地增加系统的客错能力.仿真实验证明新算法在稳定性和实时性上都有较大提高.     

基于平方根UKF的车辆组合导航

针对扩展卡尔曼滤波(EKF)在车辆导航中存在着计算复杂、线性化误差大等缺点,将一种新的非线性滤波方法--平方根UKF方法(SRUKF)用于车辆GPS/DR组合导航中.和普遍采用的EKF方法相比,SRUKF方法不仅提高了车辆组合定位的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobi-an矩阵的计算,算法更简单,也更加易于实现.为了检验其有效性,将两种方法分剐对车辆GPS/DR组合导航系统进行滤波仿真,仿真结果进一步表明SRUKF方法明显优于EKF方法,是车辆组合导航中一种更理想的非线性滤波方法,真正实现了车辆低成本、高精度的实时定位.     

不确定模糊时滞系统的鲁棒H∞滤波

研究了一类带有时滞的不确定离散时间模糊系统的鲁棒H∞滤波问题。模糊H∞滤波器的设计建立在T-S模糊模型上并能确保滤波误差系统的渐近稳定和给定的H∞性能指标。考虑了时滞的存在使得滤波器有更小的保守性,由线性矩阵不等式（LMI）给出滤波器存在的充分条件。最后,仿真算例验证了给出方法的有效性。     

基于联邦滤波的SINS/GPS全组合导航系统研究

传统的捷联惯性导航系统(SINS)/全球定位系统(GPS)组合导航系统常采用位置速度组合模式,其可观测性与载体的飞行航迹有关,从而影响了整个组合导航系统的精度和可靠性.为了解决这一问题,提出了基于联邦滤波的SINS/GPS全组合导航系统方案,推导了姿态角误差和平台失准角之间的变换关系,建立了SINS/GPS全组合导航系统数学模型,最后采用联邦滤波算法进行组合导航仿真计算.通过对仿真计算结果的分析,证明基于联邦滤波的SINS/GPS全组合导航算法能够有效地提高系统的导航精度和可靠性.     

H∞自适应滤波的理论分析及其在导航系统中的应用研究

由于双星系统的误差模型未知，且稳定性较差，采用Kalman滤波实现惯导／双星组合导航时，其滤波特性较差。而H^∞自适应估计对模型的不定性和干扰信号的统计信息不需做任何假设，而使它在工程实践中有广泛的应用。本文研究了H^∞自适应滤波，并将其应用到惯导／双星组合导航系统中。该方法是通过从输入干扰信号到估计误差间的最大能量增益的最小化找到一种H^∞最优估计策略来保证滤波器的鲁棒性。利用双星和惯导的实测数据进行仿真实验，并和递推最小二乘法、最小均方法进行比较。仿真结果表明，H^∞自适应滤波的鲁棒性优于其它两种算法。     

基于循环神经网络的车载DR状态估计

由于噪声的不确定性和自身的非线性特征,通过航位推算系统(DR)精确地估计车辆的状态是实际车辆组合导航中最困难的部分。提出了一种基于循环神经网络的方法,和传统的扩展卡尔曼滤波(EKF)方法相比,该方法不仅提高了系统定位的准确性和自适应抗干扰能力;而且不需要模型的具体解析形式,避免了复杂的 Jacobian 矩阵的计算,算法更简单,也更加易于实现。为了检验其有效性,将两种方法分别对车辆 DR 导航系统进行滤波仿真,仿真结果进一步表明该神经网络方法明显优于 EKF 方法,是车载 DR 导航中一种更理想的非线性滤波方法。     

车辆组合导航定位技术

介绍车辆导航定位及其组合导航定位技术.组合导航利用现代信息融合技术,实现对车辆组合导航的准确定位,具有全方位、全天候、自主式定位功能.着重研究了GPS/GLNOASS/MM和GPS/DR/MM三组合导航定位及跑车试验分析.跑车试验表明,车辆组合导航定位精度及可靠性比单独GPS导航定位有所提高,车辆运行效率和安全性大大改善,提高了通行能力,有效地缓解了交通拥挤状况,从而为实现交通管理"自动化"以及车辆行驶"智能化"提供了可靠的保证.     

H∞鲁棒滤波器与Kalman滤波器的对比

通常Kalman滤波技术应用得比较广泛 ,然而在系统模型和噪声统计特性存在不确定性的条件下 ,Kalman滤波的应用就受到了一些限制。H∞ 滤波可有效地解决Kalman滤波所遇到的问题 ,不仅估计精度高 ,而且还具有鲁棒性。简要介绍了H∞ 滤波技术和Kalman滤波技术 ,设计了H∞ 鲁棒滤波器和Kalman滤波器 ,并分 3方面对二者的性能进行了比较分析。     

H~∞自适应滤波的理论分析及其在导航系统中的应用研究

由于双星系统的误差模型未知,且稳定性较差,采用Kalman滤波实现惯导/双星组合导航时,其滤波特性较差。而H自适应估计对模型的不定性和干扰信号的统计信息不需做任何假设,而使它在工程实践中有广泛的应用。本文研究了H自适应滤波,并将其应用到惯导/双星组合导航系统中。该方法是通过从输入干扰信号到估计误差间的最大能量增益的最小化找到一种H最优估计策略来保证滤波器的鲁棒性。利用双星和惯导的实测数据进行仿真实验,并和递推最小二乘法、最小均方法进行比较。仿真结果表明,H自适应滤波的鲁棒性优于其它两种算法。     

基于Matlab/xPC的车载组合导航半实物仿真平台

利用Matlab的RTW工具箱和xPC目标,建立一台宿主机和两台目标机的系统结构,设计并实现了车载INS/GPS/里程计组合导航半实物仿真平台.该平台包括车辆运动模拟子系统和组合导航子系统两部分,两个目标机分别控制两个子系统.车辆运动模拟子系统通过二自由度运动实验台模拟车辆的平动和转动,仿真车辆运动状态;组合导航子系统在仿真的车辆运动环境下实现1NS/GPS/里程计的组合导航.车载组合导航平台能够用于组合导航软件的开发与测试,可以节约研究成本,加快开发周期.     

卫星/惯性组合导航事后高精度融合算法研究

高精度的组合导航数据事后融合处理算法是多传感器信息融合处理的重要环节,是对导航系统性能进行评估分析的关键。研究了一种分两步进行的惯性/卫星组合导航信息事后高精度融合算法,在惯性/卫星组合导航卡尔曼滤波算法的基础上,利用最优固定区间平滑滤波算法对惯性/卫星组合导航信息进行再次平滑滤波融合,可以提高组合导航数据事后处理的精度。设计了仿真验证平台,对所提出的融合算法进行了仿真验证。仿真结果表明:基于卡尔曼滤波与固定区间平滑滤波实现的惯性/卫星信息事后融合算法有效、可行,可作为试飞性能评估中确定参考基准的方法。     

时滞对离散H∞滤波系统抗干扰性能的影响

研究了时滞离散系统的H∞滤波问题。通过引入增广向量,将时滞系统方程转化为不显含时滞的标准离散方程,并基于计算结构力学与最优控制之间的模拟理论,引入区段混合能的概念,采用扩展的Wittrick-Williams算法求解H∞滤波系统的抗干扰性能指标,进而得到时滞对滤波系统抗干扰性能指标的影响,并同时方便地完成了时滞滤波器的设计和滤波方程的求解。时滞H∞滤波器直接从时滞方程中得到,可保证系统的稳定性,是依赖于时滞的设计。     

多传感器融合的视觉导航智能车避障仿真研究

在视觉导航标志线跟踪的智能车辆上加超声波传感器进行避障.智能车辆通过CCD摄像头获取的信息可以跟踪路面标志线行驶.用D-S证据理论和模糊处理的方法对多个超声波传感器的信息进行融合.包括了超声系统的建模和信息的融合.仿真结果给出了在不同环境下,智能车辆的避障运行轨迹,表明该信息处理和融合方法能有效判断障碍物,获得良好的避障导航效果.     

参数不确定的非线性随机时滞系统的H∞滤波

研究了一类带有参数不确定性的非线性随机时滞系统的鲁棒H∞滤波问题.假设参数不确定性是范数有界的并且系统的动态方程是由伊藤微分方程所描述的.对所有容许的参数不确定性以及外界干扰,构造一个线性、无时滞、不确定性及独立的状态滤波器,使滤波误差动态系统是指数均值稳定并且独立于时滞的.针对单时滞系统和多时滞系统两种情况,基于线性矩阵不等式(LMI)方法给出了保证鲁棒H∞滤波存在的充分性条件.最后,数值仿真结果很好地说明了该方法的有效性.     

基于双欧拉角的UKF组合导航滤波算法

针对非线性滤波组合导航中四元数无迹估计器(unscented quaternion estimator, USQUE)规范性约束导致的算法计算量大、实时性差等问题, 提出一种基于双欧拉角姿态表示的无迹卡尔曼滤波(dual-Euler unscented Kalman filter, DEUKF)算法。通过正、反欧拉角相互切换, 在正、反欧拉微分方程精华区进行姿态滤波更新, 避免了奇异性, 确保了滤波精度。捷联惯性导航系统/全球定位系统直接式组合导航仿真试验与车载实验结果表明, 相比较于USQUE算法, DEUKF算法计算量小、实时性好, 水平姿态角估计精度与USQUE相当。     

MIMU/GPS组合导航建模及GPS时间延迟补偿算法研究

针对MIMU/GPS组合导航误差状态方程建模问题,利用惯导误差系数替代惯导测量误差作为状态向量,推导了新的组合导航误差状态方程。然后针对MIMU/GPS组合导航的数据时间同步问题,提出了一种新的GPS时间延迟补偿算法。该算法将GPS信息真实时间点上的MIMU状态参数与GPS信息进行组合滤波,并结合卡尔曼滤波状态转移矩阵将组合滤波的结果递推到当前时刻,作为MIMU下一步计算的初值,解决了组合导航数据的时间同步问题。仿真计算表明:新的组合导航模型具有较高的计算精度,时间延迟补偿算法有效可行。     

无源北斗/惯导组合导航算法研究

针对北斗卫导/惯导组合导航系统设计组合导航卡尔曼滤波定位算法,并对组合导航算法的可观性进行了分析,提出了引入伪距率和前后滤波伪距之差作为观测量改善组合导航系统的可观测性。基于高稳定度的用户时钟,通过仿真验证了伪距率和前后滤波伪距之差观测量都能提供伪距不能提供的额外观测信息,都可以将钟差由不可估计变为可估计,改善组合系统的稳定性,并且提高丢星时的滤波定位精度。因此,在北斗/惯导组合导航系统中引入伪距率或前后滤波伪距之差做观测量是必要而可行的。     

一种基于SR-UKF的GPS/DR组合定位算法

针对智能车辆机动性运动的定位问题提出了一种基于平方根Unscented卡尔曼滤波的GPS/DR组合定位方案和算法.基于组合定位模型状态方程线性和观测方程非线性的特点,提出了将标准平方根卡尔曼滤波同SR-UKF相结合的非线性滤波算法.该算法在时间更新阶段减少了滤波算法的运算量,提高了滤波算法的效率.仿真结果表明:与基于EKF的非线性滤波算法相比,本算法具有更高的滤波精度和更好的滤波稳定性,同时,同通用SR-UKF相比又具有较高的运算效率,完全适合于资源有限的车载导航系统.