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。     

基于扩展卡尔曼滤波的GPS定位数据处理方法研究

由于GPS信号容易受到遮挡、干扰等影响,有时会存在较大的系统噪声和量测噪声,这将引起GPS的定位精度受到较大影响。研究了一种利用扩展卡尔曼滤波对GPS定位数据进行处理的方法。对扩展卡尔曼滤波算法进行了深入分析,并结合GPS应用建立了系统的动态模型,对滤波算法的初值和系统噪声的进行了探讨。通过实测GPS数据对扩展卡尔曼滤波算法进行了验证,实测结果表明该算法对GPS应用系统的定位数据有较好的滤波效果,可以有效的提高GPS的定位精度。     

新型GPS动态定位自适应卡尔曼滤波方法

为了获取GPS卫星的信号及定位数据的真实值,减小信号传播中因各种因素混入的随机误差对定位精度的影响,通过应用运动载体"当前"统计模型,取速度和位置为观测量建立GPS动态定位模型,将观测量维数增大1倍,从而增加了系统的可观测性和定位测算精度.此外,针对传统标准卡尔曼滤波法在动态滤波方面的不足进行了分析,提出了改进型Sage自适应卡尔曼滤波法.该方法在递推和滤波过程中不断地修正模型参数,始终保持噪声模型接近于真实模型,从而避免了标准卡尔曼滤波法中因建模不准确可能导致的滤波发散等问题,较好地解决了GPS动态定位中状态变量维数与滤波快速性之间的矛盾,以及状态噪声和观测噪声建模不准确和时变的问题.     

车载伪距单点定位的卡尔曼滤波算法研究

为推动北斗卫星导航定位系统的融合发展理念,进一步提高车载伪距单点定位的精度,提出了一种基于Kalman滤波理论的车载双系统伪距单点定位算法,并通过静态试验和动态实验采集的实测数据进行了车载伪距单点定位精度分析,对算法的可靠性与实用性进行验证。其中,静态试验分别分析了GPS系统、北斗系统、北斗/GPS融合系统下的定位精度和可靠性,动态试验分析了BDS/GPS融合系统下的定位精度与可靠性。两种实验的结果表明:该算法在一定程度上提高了车载伪距单点定位的性能。并且,静态单点定位N方向精度提高22.8%、26.4%、19.8%(从左到右分别为GPS、BDS、BDS/GPS),E方向精度提高18.6%、23.3%、22.9%,U方向精度提高10.1%、7.5%、9.9%;动态单点定位在N方向精度提高13.4%,E方向精度提高13.2%,U方向精度提高4.6%。可见,通过kalman滤波可进一步提高车辆定位的精度与可靠性,满足道路上车辆的定位需求。     

一种基于神经网络PID的机器人SLAM改进算法

提出了一种基于神经网络PID自适应辨识噪声的移动机器人即时定位与地图创建(SLAM)改进算法。重点对自适应辨识的EKF-SLAM改进算法实现进行了分析,神经网络PID控制器、中值滤波以及噪声调整等组成噪声在线辨识单元。在噪声先验信息不足的情况下,通过自适应在线辨识单元辨识未知系统过程噪声和观测噪声,并迭代修正噪声协方差和平均值滤波新息协方差,实现机器人即时定位精度的在线提高。仿真结果表明,该算法可减小定位误差、降低未知系统过程噪声和观测噪声对SLAM算法的影响。     

车载GPS定位滞后时间的计算方法

定位滞后是全球定位系统(GPS)普遍存在的问题。精确计算出滞后时间,可以用于定位误差补偿,提高实时定位精度。该文分析了GPS定位滞后产生的原因,提出了一种使用加速度计来测量车载GPS定位滞后时间的方法。该文说明了GPS接收机和加速度计在车辆中正确的安装位置,研究了在有噪声干扰的环境中加速度与速度差相关程度的计算算法。该算法定义了一个反映实际加速度和速度差之间相关程度的量。以此算法为基础,通过比较GPS输出的速度时间序列与加速度计输出的加速度时间序列的相关关系来确定滞后的时间。实验结果表明:该方法可以准确地计算出车载GPS的定位滞后时间,并且具有较好的实时性。     

Kalman滤波质量控制的一种改进算法

探讨了Kalman滤波中观测粗差和状态方程异常的处理问题,分析了以往处理方法,如Sage自适应滤波法、两步假设检验法及抗差自适应Kalman滤波法等的优点和不足,提出一种改进算法,一方面用拟准检定法检测观测方程中的粗差,另一方面再用Sage自适应方法实时估计状态噪声方差阵,减免状态方程异常对参数估计的影响.通过一个星载GPS低轨卫星定轨算例,验证这种思路是可行的.     

基于改进强跟踪滤波器的UWB/AHRS紧组合定位方法

针对遮挡环境下的车辆定位问题,提出一种基于改进强跟踪滤波（ISTF）算法的超宽带（UWB）与航姿参考系统（AHRS）紧组合定位方法.该方法使用阈值鉴别UWB测距异常值并消除其影响,将强跟踪滤波（STF）算法应用到紧组合系统的数据融合中,并结合定位模型对算法进行改进,以提高算法的稳定性和对观测噪声的估计精度.仿真与实验结果表明,该方法能在复杂工况下提供车辆精确的定位信息,与UWB单独定位及采用几种非线性滤波算法相比,系统的鲁棒性更强、定位精度更高,具有很强的实用性.      

GPS定位数据压缩算法的设计

为了解决嵌入武GPS车载系统存储空间小、GPS定位数据量大的矛盾,根据GPS定位数据的特点,提出用动态Huffman算法对GPS信号进行压缩。该算法是一种Huffinan算法的基础上改进的算法,为车载系统节省了大量的存储资源。除此之外,也缩短了GSM信道的占用时间,缓解了向控制调度中心上传数据的压力。     

基于kalman滤波的智能小车GPS轨迹跟踪

在满足线性高斯模型下,kalman滤波能够对目标状态进行最优化估计并能得到理想的跟踪效果。GPS导航卫星中信号被人为加入了高频振荡随机干扰信号后,可看成是GPS定位的观测噪声,会对卫星信号产生较高频率的抖动,从而影响智能小车轨迹跟踪的精度。通过建立系统状态方程,在matlab环境下建立仿真模型,对GPS轨迹跟踪中小车速度及位置的观测信号进行了kalman滤波,结果显示Kalman滤波比较明显地降低了干扰噪声的影响,提升了智能小车GPS跟踪的稳定性。