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.      

一种改进的自适应USQUE组合导航姿态估计方法

针对传统四元数无味卡尔曼滤波(unscented quaternion Kalman filter,USQUE)算法的量测噪声统计未知及时变引起滤波发散精度降低等问题,提出一种变分贝叶斯自适应四元数无味卡尔曼滤波算法(variational Bayesian-based adaptive USQUE,VB-AUSQUE).通过变分贝叶斯高斯迭代近似估计,获取近似的量测噪声协方差矩阵滤波先验条件.仿真和舰载测试表明:在捷联式惯性导航系统/全球定位系统(strapdown inertial navigation system/global navigation satellite system,SINS/GNSS)组合导航系统中,VB-AUSQUE算法能有效减少系统量测噪声未知及时变问题对姿态估计精度的影响,相比常规算法具有更高的精度.     

基于M估计的自适应鲁棒平方根连续 离散CKF算法

针对测量中出现的异常情况,提出了一种基于M估计的自适应鲁棒平方根连续 离散容积卡尔曼滤波算法。该算法将目标跟踪问题建模为连续 离散时间模型,将改进的M估计的思想融入连续 离散容积卡尔曼滤波算法当中,通过Mahalanobis距离对异常测量进行门限判别,引入校正因子,根据观测残差自适应地调整观测噪声协方差矩阵的大小,进一步提高滤波算法的鲁棒性;通过将连续 离散模型与校正因子结合,实现了滤波精度和抗异常测量值的统一。仿真结果表明,与传统鲁棒算法相比,该算法在单点测量异常和多点测量异常的条件下都能够更加准确地对目标进行跟踪,且鲁棒性更强。     

基于自适应因子设计的变形监测滤波算法

利用滤波正常时的残差向量必须服从正态分布的性质,提出1种滤波是否异常的假设检验方法,判断动态模型误差和观测粗差对变形监测滤波解的影响。研究结果表明:当滤波出现异常时,通过给定置信度的假设检验,确定自适应因子来调节误差较大的预报信息,从而较好地消除模型误差的影响;利用自适应抗差滤波解决变形监测数据处理中整体平衡观测信息和预报信息的贡献的问题,并通过实例验证算法的有效性和优良性。     

基于反馈判决的鲁棒自适应机动目标跟踪算法

针对平方根容积卡尔曼滤波(SRCKF)在机动目标跟踪中面临测量异常和模型失准时估计精度下降的问题,提出了一种基于反馈判决的鲁棒自适应算法.利用Huber函数对观测残差序列处理获得权重向量以修正测量协方差,增强算法的抗差能力以克服测量异常问题;同时,引入多重渐消因子调整预测误差协方差,从而改变滤波增益,增强算法的自适应性以解决模型失准问题.最后,根据马氏距离构建异常误差判别因子,采用反馈判决实现2种处理方式的合理切换.仿真实验表明:与现有算法相比,该算法能够有效处理测量异常和模型失准带来的误差,具备良好的抗差能力和自适应性.     

一种改进的自适应卡尔曼滤波算法

针对多传感器数据融合时传统卡尔曼滤波算法极易引起滤波发散,降低滤波精度和系统实时性的问题,研究一种改进的自适应滤波算法对多传感器数据进行融合,得到更为准确的信息数据。该算法在简化的Sage-Husa滤波基础上引入滤波收敛性判据,抑制滤波发散并提高滤波精度和稳定性。同时结合强跟踪滤波思想调整增益矩阵,使滤波器具有强跟踪滤波的特性,提高改进的滤波算法对不确定系统模型的鲁棒性以及对突变状态的滤波处理能力。将改进算法与传统卡尔曼滤波算法进行仿真比较。仿真结果表明,在系统模型参数失配或实变噪声未知情况下,改进的自适应滤波算法有更好的鲁棒性,并且在系统状态突变时仍有较好的滤波效果,明显提高了滤波精度和实时性。     

基于多重渐消因子的强跟踪SVDCKF组合导航算法

针对标准容积卡尔曼滤波(cubature Kalman filter,CKF)在载体状态突变时滤波精度下降的问题,提出了一种基于多重渐消因子的强跟踪SVDCKF组合导航(strong tracking SVDCKF integrated navigation algorithm based on multiple fading factors,MST-SVDCKF)算法.该算法引入SVD代替标准CKF中的Cholesky分解,提高了状态协方差阵分解迭代时的数值稳定性;通过卡方检验对系统状态进行评估,当系统出现状态突变时,采用多重渐消因子对预测状态协方差阵进行调节,使得不同滤波通道具有不同的渐消能力,以实现对载体真实状态的强跟踪.仿真结果表明,与标准CKF和传统STCKF相比,该算法调节能力更强,滤波精度更高.     

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。     

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明：ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。     

抗差与自适应组合的卡尔曼滤波算法在动态导航中的研究

针对观测信息不充足时,无法使用现有的一些抗差自适应滤波的问题,提出一种组合抗差滤波和自适应滤波的方法.该方法利用基于m估计实现的抗差滤波和基于新息向量马氏距离平方服从卡方分布而构造的自适应滤波,同时采用2次对检验统计量进行判别的方法,可以在单个历元实现在标准卡尔曼滤波、自适应卡尔曼滤波和抗差卡尔曼滤波之间选择一种当前时刻的最优滤波,因此,采用该方法也能构成抗差自适应卡尔曼滤波.仿真结果表明,在观测信息不足且滤波模型出现异常时,该方法能有效控制动力学模型误差和观测异常对导航解的影响,使导航解更能反映导航系统的真实情况.