组合导航系统中异步多传感器信息融合算法

针对组合导航系统中多个传感器采样频率不同且存在量测滞后的问题,提出一种基于多尺度数据分块的组合导航信息融合算法.建立最高采样率下的系统模型,通过状态和观测的分块得到基于多尺度的系统模型,利用不同尺度上的观测信息在各尺度上进行Kalman滤波,并经融合最终获得基于全局的状态估计值.将该算法用于SINS/DVL/TAN组合导航系统仿真,结果表明,在异步多传感器量测的情况下,基于多尺度数据分块的信息融合算法与非等间隔Kalman滤波算法相比,北向速度最大误差减小24.1%,纬度最大误差减小23.8%,东向速度最大误差和经度最大误差均略有减小.因此,信息融合算法具有较高的滤波精度,有利于提高系统的导航定位精度.     

双向卡尔曼滤波器在机载SAR运动补偿中的应用

运动补偿系统设计是机载SAR实现高分辨率的一项关键技术,DGPS/IMU组合导航系统已成为当前高分辨率机载SAR基于传感器的运动补偿技术的发展趋势之一.将一种双向卡尔曼平滑滤波算法应用于DGPS/IMU组合导航系统中,实验表明与多传感器组合导航系统数据处理中最常用的算法工具--卡尔曼滤波器相比,该算法可以为机载SAR提供更高精度的运动补偿信息.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

基于联邦滤波的惯性导航姿态组合算法

为了充分利用姿态量测信息来提高组合导航系统的姿态精度，以联邦滤波为基础，研究了以姿态、位置和速度信息作为观测量的多信息融合导航技术，分析并提出了适合工程使用的联邦滤波器的原理结构与算法实现，深入推导了基于联邦滤波的姿态组合算法的观测矩阵的具体形式，最后给出了仿真和实测数据的验证．结果表明，基于联邦滤波的姿态组合滤波算法能够有效地提高惯导系统的姿态精度，对方位角的改善尤为明显．     

鲁棒容错滤波算法及在MEMS_SINS/GPS中的应用

针对MEMS_SINS/GPS组合导航系统中,GPS量测输出信息中常含有故障信号的问题,提出一种鲁棒容错滤波算法.将GPS量测输出中可能含有的故障信号扩充为系统的状态,通过鲁棒滤波算法在线实时估计出来,并对系统进行补偿,达到容错的目的.用MEMS_SINS/GPS组合导航系统中得到的实验数据对该算法进行离线仿真验证.结果表明,该算法能有效降低GPS中故障信号的不利影响,使系统在此期间仍能工作在正常范围内.     

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。     

深空天文测角测速组合导航滤波算法研究

针对天文光谱测速导航量测中存在的常值量测误差、慢时变量测误差、光谱畸变量测误差,提出了扩维自适应容积卡尔曼滤波算法.本文通过状态扩维将常值测速量测误差及慢时变测速量测误差作为状态量之一,在导航滤波中进行同步估计并在量测中进行补偿.针对天体表面活动导致的光谱畸变量测误差,通过Sage-Husa噪声估计器对滤波算法中的量测噪声协方差阵进行自适应估计以降低含该误差量测的影响.同时,为了进一步提高导航的精度,将天文光谱测速信息与天体方向矢量信息结合,并通过联邦滤波器进行信息融合.以火星接近段为背景的仿真结果表明,该算法能够有效抑制上述量测误差对导航精度的影响,实现高精度天文自主导航.     

基于变分贝叶斯原理的SINS/GPS组合导航VB-CKF滤波算法

系统量测噪声统计量不准确能引起组合导航系统滤波精度下降甚至发散,在变分贝叶斯原理的基础上,以容积卡尔曼滤波(CKF)为基础滤波器,导出基于变分贝叶斯的自适应容积卡尔曼滤波(VB-CKF)算法,仿真结果表明：在SINS/GPS组合导航系统中,VB-CKF算法较CKF算法能有效减少系统量测噪声统计量变化对滤波精度的影响,是一种具有广泛应用前景的SINS/GPS组合导航滤波算法。     

粒子滤波在电子航标节点跟踪中的应用

提出一种高斯粒子滤波求解基于RSSI测距定位的无线传感器网络电子航标节点定位的非线性方程组算法.该算法在每次递推产生新的粒子时充分考虑了当前时刻的量测,使得该算法能很好地利用最新的量测信息.仿真结果表明该算法的节点估计均方误差在3 m以内.可见,它在解决非线性机动目标跟踪问题时有比较好的跟踪性能和滤波结果     

组合导航信息融合算法的研究

以GPS／INS组合导航系统为应用背景,推导了“当前统计”模型下卡尔曼滤波方程的关键矩阵。阐述了卡尔曼滤波器的主要参数对组合导航信息融合效果的影响;给出了组合导航系统的松耦合设计框图;根据实验测得的数据采用基于卡尔曼滤波的信息融合算法,通过对算法改进前后东向误差和北向误差的分析,说明算法改进后的定位精度比改进前高约30％．     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

任意相关噪声线性系统异步状态向量融合

基于线性无偏最小方差估计理论,提出了一种任意相关噪声线性系统异步状态向量融合算法.该算法将融合中心的采样周期设定为传感器测量周期的最小公倍数,使得传输到融合中心的局部状态估计在每个周期内具有相同的数目,减少了跟踪滤波的计算量.在跟踪滤波器的增益阵中引入测量噪声与过程噪声的相关量和测量噪声之间的相关量,增加了描述多传感器融合系统的信息量.仿真结果表明,状态向量融合算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善.     

基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

IMU/计程仪/重力组合导航系统信息融合方法

针对现代战争环境对导航系统高自主性、高隐蔽性的要求,提出了IMU/计程仪/重力无源组合导航方式.深入研究了IMU/计程仪/重力组合导航系统的信息融合方法,设计了该系统的工作模式.采用扩展卡尔曼滤波进行各传感器信息的融合.根据导航系统对实时性的要求,建立了系统的低阶误差状态方程;将厄特弗斯效应的影响考虑到滤波器设计中,建立了系统的重力观测方程;将计程仪的速度与惯性速度进行融合,建立了系统的速度观测方程;在不增加系统成本的条件下,进一步利用加速度计输出估计水平姿态,建立了系统的姿态观测方程.在此基础上,设计了相应的信息融合策略.实际系统的机载试验结果表明,IMU/计程仪/重力组合导航系统算法正确、性能良好,可以有效地控制惯导系统位置和速度误差的累积,满足长时间一定精度的导航要求.     

改进的辅助粒子多Agent系统信息融合滤波算法

为克服多Agent系统的非线性问题,提高多Agent系统对信息的协同合作能力,提出一种改进的辅助粒子信息融合滤波算法。该算法通过分析多Agent系统的结构,根据正交小波多尺度分析理论对系统内Agent的信息进行分解、重构,给出以Agent信息为重要采样密度函数的辅助粒子滤波算法,并对滤波结果进行特征融合,得到多Agent系统融合特征。将此算法应用到机动目标跟踪领域,并与传统的滤波算法进行对比,仿真结果验证了该算法的有效性。     

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。     

Cubature Kalman probability hypothesis density filter based on multi-sensor consistency fusion①

The GM-PHD framework as recursion realization of PHD filter is extensively applied to multi-target tracking system .A new idea of improving the estimation precision of time-varying multi-target in non-linear system is proposed due to the advantage of computation efficiency in this paper .First, a novel cubature Kalman probability hypothesis density filter is designed for single sensor measure -ment system under the Gaussian mixture framework .Second , the consistency fusion strategy for multi-sensor measurement is proposed through constructing consistency matrix .Furthermore, to take the advantage of consistency fusion strategy , fused measurement is introduced in the update step of cubature Kalman probability hypothesis density filter to replace the single-sensor measurement .Then a cubature Kalman probability hypothesis density filter based on multi-sensor consistency fusion is proposed .Capabilily of the proposed algorithm is illustrated through simulation scenario of multi-sen-sor multi-target tracking .     

基于UKF的无线传感器异步数据融合优化算法

提出了一种基于无迹卡尔曼滤波(UKF)的无线传感器异步数据融合算法,利用RNAT机制识别无线传感器网络中的冗余节点,构造数据冗余树来实现冗余数据的去除.根据重复数据消除的结果,在每个传感器检测范围半径相等的环境下,采用四圆定位法,任意选择2个检测目标信息的节点,计算2个圆形检测区域边界的交点,根据迭代法找到并近似目标.设定了不同传感器的原始传感器相互独立、同一传感器不同原始量测量值相互独立的前提条件,计算出各通道的测量值,利用未测量卡尔曼滤波器以滤波的形式更新测量值,引入卡尔曼滤波增益矩阵,并结合异步数据定位结果实现数据融合.实验结果表明,融合后的数据利用率高于现有结果,算法耗时短、能耗低,且具有较高的数据融合精度,整个融合的准确率在90％以上.