基于非线性映射的自适应混合Kalman/H∞滤波器

Kalman滤波器的精度高,但是鲁棒性差。H∞滤波器虽然鲁棒性好,但是精度不高,将两种滤波器进行混合获得新的滤波器可同时具备高精度和对干扰噪声的鲁棒性。通过对Kalman滤波器的实时性能评价,提出了一种基于非线性映射的自适应调节权值混合Kalman/H∞滤波器,并通过全球定位系统/推位组合导航模型对提出的方法进行了仿真验证。仿真结果表明,在干扰噪声统计特性变化和系统模型存在摄动条件下,与Kalman滤波和H∞滤波方法相比,所提出的混合Kalman/H∞滤波方法具有更高的滤波精度,更适用于实际应用。     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

无源北斗/高度组合导航自适应滤波算法

为了减小用户机动对无源北斗双星组合导航系统定位精度的影响,论文研究了自适应滤波定位算法.首先,在分析组合导航算法Singer模型的基础上,提出了模糊逻辑自适应滤波方案.然后,通过仿真获取系统知识,建立模糊逻辑系统,实时调整滤波器驱动噪声方差,实现滤波定位算法模型对用户机动的适应性.最后,通过仿真验证,设计的模糊逻辑自适应滤波算法能根据用户机动情况实时调整卡尔曼滤波器的驱动噪声方差参数,并能有效提高组合导航系统机动时的定位精度.     

非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器（extended Kalman sum filter, EKSF）和高斯厄密特和滤波器（Gauss-Hermite sum filter, GHSF）。EKSF和GHSF分别用扩展卡尔曼滤波器（extended Kalman filter, EKF）和高斯厄密特滤波器（Gauss-Hermite filter, GHF）作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器（Gaussian sum particle filter, GSPF）相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。     

ESO滤波器在运动参数估计中的仿真研究

通常情况下使用Kalman滤波器进行参数估计，然而在目标运动模型和噪声统计特性存在不确定性的条件下，Kalman滤波的应用将会受到一些限制。在分析ESO滤波器滤波性能的基础上，将其应用在运动参数估计中，有效地解决Kalman滤波所遇到的问题．并从系统噪声分别为高斯白噪声、有色噪声和目标作机动运动这三个方面与Kalman滤波器进行了比较。仿真结果表明ESO滤波器算法简单，有效，具有鲁棒性。     

基于自适应航迹融合算法的GPS／SINS紧组合导航系统研究

针对开环校正GPS/INS组合导航系统卡尔曼滤波器在长时间工作条件下滤波精度下降的问题,提出了基于自适应航迹融合算法的紧组合GPS/INS导航系统方案.设计了一个与GPS/INS滤波器并行的独立GPS滤波器,利用自适应航迹融合算法对两个滤波器输出的局部航迹进行融合,从而得到系统航迹.数学仿真结果表明,该方案能够有效提高导航系统的导航精度和容错能力.     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

基于自适应初始搜索点预测的目标跟踪算法

为了得到恰当的初始搜索点以使得目标跟踪算法避开背景干扰并缩短搜索距离,提出了一种自适应初始搜索点预测的算法。该算法通过对坐标变换参数的变化率进行Kalman滤波来更好地预测初始搜索点;更重要的是,该算法有效地在线估计Kalman滤波器中的模型噪声功率,而非先验地对它们的取值做出假设,因而能够在没有任何人工干预的情况下动态地根据不同的目标运动状况和搜索精度进行实时调整。大量实景视频流上的实验结果均证实了该算法显著提高了跟踪稳定性,并且大幅降低了计算量。     

多重渐消因子强跟踪SCKF及其在#br# 故障参数估计中的应用

针对非线性系统中不可观测故障参数估计问题,提出基于多重渐消因子强跟踪平方根容积卡尔曼滤波（multiple fading factors strong tracking square-root cubature Kalman filter, MSTSCKF）的状态和参数联合滤波算法。MSTSCKF基于强跟踪滤波器理论框架,通过引入多重渐消因子实时调整增益矩阵,克服平方根容积卡尔曼滤波（square-root cubature Kalman filter, SCKF）在故障参数变化函数未知或者突变时滤波精度下降甚至发散的缺点,并兼具SCKF在非线性拟合精度和数值稳定性等方面的优点。仿真结果表明,相比SCKF和强跟踪无迹卡尔曼滤波（unscented Kalman filter, UKF）,本文提出的方法具有更高的估计精度。     

干扰条件下自适应滤波定位精度分析

在干扰条件下,单纯采用自适应滤波(adaptive Kalman filter, AKF) 或扩展卡尔曼滤波器(extensive Kalman filter, EKF) 在全球导航卫星系统/惯性测量单元(global navigation satellite systems/inertial measurement units, GNSS/IMU)组合导航的运用中都无法达到系统精度最优。为了指导组合导航系统的数据融合滤波器设计,获取AKF和EKF定位性能的经验数值是十分必要的。首先推导出EKF和一种AKF算法--新息序列自适应估计(innovation based adaptive estimation, IAE)的数学模型和计算公式。然后提出了一种实际数据结合仿真的验证方法。针对不同的干扰程度造成的精度降低的测量值,比较AKF算法跟普通EKF在GNSS/IMU组合导航数据融合中的定位精度性能。试验和仿真得到了在实验所采用的IMU精度条件下,自适应滤波在组合导航方面的定位性能的经验曲线以及IAE与EKF定位精度存在的临界点。     

基于因子图的车载INS/GNSS/OD组合导航算法

针对车载多传感器组合导航系统中传感器有效性动态改变,以及传感器存在异步和时延的问题,提出了基于因子图的INS/GNSS/OD组合导航算法。采用因子图方法对惯性导航系统(inertial navigation system,INS)、全球导航卫星系统(global navigation satellite system,GNSS)、里程计(odometer,OD)进行建模,构建了INS/GNSS/OD组合导航系统因子图模型。采用变量消除算法将因子图转化为贝叶斯网络,并通过贝叶斯树的形式实现增量推理,确保了因子图算法的实时性。仿真结果表明,当传感器有效性动态改变,以及传感器存在异步和时延时,基于因子图的组合导航算法能够连续稳定地输出高精度的导航结果,满足了车载INS/GNSS/OD系统的要求。因子图算法具有很强的鲁棒性和灵活性,在处理多传感器信息融合问题中具有较大优势。     

水下航行器导航与控制一体化系统的半实物仿真试验设计

针对采用导航与控制一体化系统,即导航与控制传感器共用、导航与控制计算机合二为一的某型水下航行器,提出了一种半实物仿真试验方案,进行了半实物仿真。试验结果表明,导航、控制算法正确,计算精度满足使用要求,硬件之间的匹配性能良好,方案可行。该导航与控制一体化系统可应用到实际的水下航行器中。     

SINS/CNS/GPS integrated navigation algorithm based on UKF

A new nonlinear algorithm is proposed for strapdown inertial navigation system (SINS)/celestial navigation system (CNS)/global positioning system (GPS) integrated navigation systems. The algorithm employs a nonlinear system error model which can be modified by unscented Kalman filter (UKF) to give predictions of local filters. And these predictions can be fused by the federated Kalman filter. In the system error model, the rotation vector is introduced to denote vehicle’s attitude and has less variables tha...     

基于相对信息观测量的INS/USBL非线性组合导航方法

针对传统惯性导航系统/超短基线定位系统(inertial navigation system/ ultra short base line, INS/USBL)组合导航利用绝对位置做观测信息存在导航精度较低,且噪声异常引起抗干扰能力弱的问题,提出基于相对信息观测量的INS/USBL非线性组合导航方法。以INS解算的应答器相对于INS在基阵坐标系下的入射角、斜距信息与超短基线输出的入射角、斜距信息之差作为观测量建立量测方程。在改进Sage Husa算法基础上采用容积规则,设计一种适用于非线性系统的自适应容积卡尔曼滤波估计器。仿真结果表明,该方法定位精度较传统方法提升2.4倍,在噪声异常情况下,滤波收敛,组合导航性能稳定。     

Practical integrated navigation fault detection algorithm based on sequential hypothesis testing

In detecting system fault algorithms,the false alarm rate and undectect rate generated by residual Chi-square test can affect the stability of filters.The paper proposes a fault detection algorithm based on sequential residual Chi-square test and applies to fault detection of an integrated navigation system.The simulation result shows that the algorithm can accurately detect the fault information of global positioning system(GPS),eliminate the influence of false alarm and missed detection on filter,and enhance fault tolerance of integrated navigation systems.     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

基于AEKF的高速自旋飞行体组合导航方法

针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。     

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。     

基于分层融合结构的组合导航系统仿真分析

依据多传感器信息融合理论，将分层融合结构是应用到组合导航系统中，并与目前广泛应用的联合滤波算法（Federated Filtering)进行了比较。对INS/GPS/Doppler系统的仿真结果表明，有序分层融合结构可有效地应用于多传感器组合导航系统，并且导航精度优于联合滤波的结果。     

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.