自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

一种组合导航的自适应信息融合算法

以GPS/INS组合导航系统为应用背景,针对组合导航系统信息融合的精度与稳定性要求,将简化的Sage-Husa自适应滤波算法与指数加权衰减记忆滤波算法相结合,提出了一种改进的自适应信息融合算法.仿真表明,改进的自适应算法解决了噪声统计特性和模型参数不易确定的问题,能够有效的保证信息融合的精度和稳定性.在算法仿真的基础上,对在VC 6.0环境下算法进行了改进,给出了GPS/INS组合导航系统的结构及软件框架,通过实验验证了改进的自适应算法的实际应用价值.     

UKF在车辆组合定位技术中的应用

用一种新型的无迹卡尔曼滤波算法(UKF)代替传统的扩展卡尔曼滤波算法(EKF),对GPS/DR组合定位系统进行信息融合滤波。通过计算机仿真和分析后,结果表明无迹卡尔曼滤波算法UKF的滤波定位精度明显高于扩展卡尔曼滤波器EKF,而且UKF对由于系统非线性所引起的滤波误差有很好的抑制作用,因此UKF算法对于要求高精度、低成本和高可靠性的GPS/DR组合定位系统来说是一种值得推广的滤波算法,具有一定的应用价值。     

H∞滤波在GPS/INS组合导航系统中的应用研究

根据H∞鲁棒滤波理论,提出了基于H∞滤波技术的GPS/INS全组合导航系统,利用了GPS和INS提供的位置、速度和姿态信息,并对该系统的滤波算法进行仿真.仿真结果表明,在GPS/INS组合中采用H∞滤波,不仅保证了组合系统导航精度,提高了滤波的鲁棒性,而且能够防止滤波发散.     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

基于UPF算法的车辆GPS/DR组合导航研究

车辆GPS/DR组合导航系统是非线性系统。采用扩展卡尔曼滤波(EKF)对其进行状态估计时,系统线性化过程将导致较大的滤波误差。为了获得更好的估计性能,将一类改进的粒子滤波方法 (UPF),即以无位卡尔曼滤波(UKF)为建议密度的粒子滤波方法(PF)应用于车辆GPS/DR组合导航系统中,避免了EKF方法的线性化近似过程,提高载体的定位精度。为验证该方法的有效性,将其与EKF分别用于GPS/DR组合导航系统的滤波仿真。仿真结果表明:UPF能减小导航定位误差,滤波性能明显优于EKF。     

基于部分扩维的无迹卡尔曼滤波算法研究

UKF扩维算法往往因为比较复杂而导致计算量较大,为此EW等学者提出了当过程噪声和量测噪声都是白噪声时UKF的简化算法。证明了这种简化算法在线性条件下不能达到最优估计;即线性条件下与Kalman滤波不等效;同时证明了UKF部分扩维的算法即只将过程噪声进行扩维后仍能达到最优估计;且又在一定程度上减少了计算量。最后在GPS/INS组合导航中进行了仿真验证,仿真结果进一步证明了理论分析的正确性。     

组合导航系统UKF滤波算法设计

将平淡Kalman滤波(UKF)方法应用于低成本SINS/GPS/MC组合导航系统,建立了系统的非线性误差方程,并设计了相应的UKF算法与滤波器;针对组合导航中捷联惯性导航子系统的反馈修正,提出了一种根据误差角对四元数进行修正的方法.试验结果表明,本文设计的UKF效果优于集中Kalman滤波,且采用四元数反馈修正方法后较大地提高了滤波精度.     

GPS／INS组合系统自适应滤波算法

研究了GPS/INS组合系统在高动态运动目标定位中的应用。根据组合系统建立状态方程，GPS观测量构成观测方程。自适应滤波过程中，通过观测数据对观测噪声进行估计，再用Sage-Husa算法在对动态噪声进行估计的同时实现状态滤波估计。计算机仿真验证了这种滤波算法的有效性。     

一种基于改进自适应卡尔曼滤波的GNSS/INS组合导航算法

在全球卫星导航系统/惯性导航系统(global navigation satellite system/inertial navigation system,GNSS/INS)组合系统中,状态模型误差和异常扰动的影响严重降低了标准卡尔曼滤波的性能,而基于预测残差自适应的卡尔曼滤波随计算次数的增加滤波效果降低,且使用统一的自适应因子调节不可靠。针对上述问题,提出一种改进算法,利用预测残差建立的统计量调节位置向量和速度向量,避免了其他参数对滤波的平衡作用;通过预测残差的概率密度建立马氏距离进行假设检验,在模型正常时使用标准卡尔曼滤波,模型异常时使用改进滤波算法;采用实测车载数据对标准卡尔曼滤波、单因子自适应滤波和本文的滤波方法进行评估,实验结果表明:改进的自适应卡尔曼滤波的滤波算法效果良好,证明了所提算法的有效性。     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

IMM-SRUKF在GPS/INS组合导航中的应用

针对无迹卡尔曼滤波(UKF)鲁棒性不强的问题,结合全球定位系统/惯性导航系统(GPS/INS)紧组合模型特点,提出了基于交互式多模型(IMM)的混合平方根无迹卡尔曼滤波(SRUKF)算法.该算法采用交互式多模型结构,克服了模型不确定性因素的影响;采用平方根滤波技术,解决了协方差矩阵难以保持正定的问题.同时,考虑到内部滤波器与线性/非线性模型不匹配,引入混合滤波思想,对SRUKF进行了优化.将新算法应用于紧组合模型进行仿真,结果表明:新算法能够以适当的时间复杂度,获得较强的鲁棒性能,适用于复杂的导航环境.     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

两飞行体相对定位技术及其滤波算法研究

为了解决两飞行体相互之间的定位问题,在二维平面运动模型的基础上提出了相位差变化率定位方法,进行了可观测分析,给出了可观测分析结果。同时简单介绍了几种典型
非线性滤波算法,并将EKF（Extended Kalman Filter）、UKF（Unscented Kalman Filter）、PF(Particle Filter）等非线性滤波方法应用到定位模型中。仿真结果表明,UKF方法用时最短,PF滤波方法精度最高。