基于循环神经网络的车载DR状态估计

由于噪声的不确定性和自身的非线性特征,通过航位推算系统(DR)精确地估计车辆的状态是实际车辆组合导航中最困难的部分。提出了一种基于循环神经网络的方法,和传统的扩展卡尔曼滤波(EKF)方法相比,该方法不仅提高了系统定位的准确性和自适应抗干扰能力;而且不需要模型的具体解析形式,避免了复杂的 Jacobian 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,将两种方法分别对车辆 DR 导航系统进行滤波仿真,仿真结果进一步表明该神经网络方法明显优于 EKF 方法,是车载 DR 导航中一种更理想的非线性滤波方法。     

一种基于SR-UKF的GPS/DR组合定位算法

针对智能车辆机动性运动的定位问题提出了一种基于平方根Unscented卡尔曼滤波的GPS/DR组合定位方案和算法.基于组合定位模型状态方程线性和观测方程非线性的特点,提出了将标准平方根卡尔曼滤波同SR-UKF相结合的非线性滤波算法.该算法在时间更新阶段减少了滤波算法的运算量,提高了滤波算法的效率.仿真结果表明:与基于EKF的非线性滤波算法相比,本算法具有更高的滤波精度和更好的滤波稳定性,同时,同通用SR-UKF相比又具有较高的运算效率,完全适合于资源有限的车载导航系统.     

UKF滤波方法及其在车辆导航状态估计中的应用

在车载导航系统中，通常采用EKF作为状态估计方法提高导航的精度。由于EKF进行非线性估计存在一些缺陷，因此将其用于导航系统的非线性估计时，存在估计误差，从而影响导航系统的精度。为了获得更高的导航精度，将一种新的滤波方法-UKF方法用于车载导航系统的状态估计中。对一个车载DR／GPS组合系统，将EKF和UKF方法分别进行了滤波仿真。仿真结果表明：在车载导航状态估计中，UKF方法优于EKF方法。     

车载DR导航的非线性滤波方法研究

针对扩展卡尔曼滤波方法(EKF)用于车载DR导航系统滤波中存在的一些缺点,将一种新的滤波方法—UKF滤波方法用于车载DR导航系统的非线性状态估计中。该滤波方法与EKF方法相比具有容易实现和滤波精度高的特点。通过非线性状态估计UKF方法大大提高了导航系统的精度。为了检验其有效性,将这两种方法分别对车载DR导航系统进行滤波仿真,仿真结果进一步表明UKF方法优于EKF方法,是一种理想的车载DR导航非线性滤波方法。     

一种基于抗差滤波的行人导航算法研究

行人导航系统(pedestrian navigation system, PNS)通常采用全球定位系统(global positioning system, GPS)和航位推算(dead reckoning, DR)组合导航的方式进行定位,因此其定位精度易受GPS定位误差特别是定位粗差的影响。为了减小这种影响,提高行人导航系统定位精度,采用了一种基于抗差滤波的GPS/DR组合行人导航算法。该算法首先对DR系统误差建模,获得行人导航系统卡尔曼滤波模型,再通过GPS与DR系统观测量之差,估计当前观测噪声与先验统计特性的符合程度,利用等价权实时调整观测权值,以避免观测粗差对组合导航精度的影响。最后通过对实测数据的分析表明,在GPS定位误差较大或含粗差情况下,该方法较卡尔曼滤波算法能明显抑制定位误差的影响,将定位精度提高5 m左右,能够在不增加硬件的基础上有效提高GPS/DR组合行人导航精度。     

车辆组合导航定位技术

介绍车辆导航定位及其组合导航定位技术.组合导航利用现代信息融合技术,实现对车辆组合导航的准确定位,具有全方位、全天候、自主式定位功能.着重研究了GPS/GLNOASS/MM和GPS/DR/MM三组合导航定位及跑车试验分析.跑车试验表明,车辆组合导航定位精度及可靠性比单独GPS导航定位有所提高,车辆运行效率和安全性大大改善,提高了通行能力,有效地缓解了交通拥挤状况,从而为实现交通管理"自动化"以及车辆行驶"智能化"提供了可靠的保证.     

MIMU/GPS组合导航技术研究

介绍了MIMU/GPS组合导航系统的基本工作原理,推导了以惯导误差系数为状态参数的组合导航系统误差状态方程,应用卡尔曼滤波技术实现了MIMU/GPS组合导航计算.仿真试验表明:采用惯导误差系数代替惯导测量误差作为状态参数进行滤波计算的MIMU/GPS组合导航方法,在技术上是可行的.     

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Matlab/xPC的车载组合导航半实物仿真平台

利用Matlab的RTW工具箱和xPC目标,建立一台宿主机和两台目标机的系统结构,设计并实现了车载INS/GPS/里程计组合导航半实物仿真平台.该平台包括车辆运动模拟子系统和组合导航子系统两部分,两个目标机分别控制两个子系统.车辆运动模拟子系统通过二自由度运动实验台模拟车辆的平动和转动,仿真车辆运动状态;组合导航子系统在仿真的车辆运动环境下实现1NS/GPS/里程计的组合导航.车载组合导航平台能够用于组合导航软件的开发与测试,可以节约研究成本,加快开发周期.     

改进的DGPS/INS/视觉组合导航算法研究

为了满足智能车辆的高精度、实时性和高可靠性的自主导航的需要,提出了一种GPS/机器视觉共同辅助SINS的多采样的智能车辆组合导航算法。该算法不仅包括GPS和SINS形成的位姿速度观测信息,还包括机器视觉形成的位置观测信息。在子滤波器中采用自适应选权滤波算法,抑制了滤波发散,提高了滤波精度。还提出了一种改进的基于估计协方差阵的奇异值分解的动态自适应调节信息分配系数的算法,可有效提高系统的状态估计精度。通过仿真实验验证,该导航系统能为智能车辆提供丰富的导航信息,实现了厘米级的导航精度和容错性,即使在GPS出现较长时间的中断时,仍能为智能车辆提供可靠的导航信息。     

Recurrent neural network for vehicle dead-reckoning

For vehicle integrated navigation systems, real-time estimating states of the dead reckoning （DR） unit is much more difficult than that of the other measuring sensors under indefinite noises and nonlinear characteristics. Compared with the well known, extended Kalman filter （EKF）, a recurrent neural network is proposed for the solution, which not only improves the location precision and the adaptive ability of resisting disturbances, but also avoids calculating the analytic derivation and Jacobian matrices of the nonlinear system model. To test the performances of the recurrent neural network, these two methods are used to estimate the state of the vehicle＇s DR navigation system. Simulation results show that the recurrent neural network is superior to the EKF and is a more ideal filtering method for vehicle DR navigation.     

基于四元数平方根UKF算法的SINS/GPS紧组合导航系统研究

在较大初始姿态误差角下,针对SINS/GPS紧组合导航系统扩展卡尔曼滤波（extenthed Kalman filter, EKF）算法定位精度下降的问题,提出了一种基于四元数的平方根无迹卡尔曼滤波（square root unscented Kalman filter, SRUKF）算法。为解决SRUKF算法中四元数正交规范化的限制,通过构造姿态矩阵代价函数将四元数预测均值问题转化为代价函数最小时的四元数向量求解问题,保证了均值四元数的规范化;利用乘性四元数误差表示四元数预测值与均值之间的距离,求取四元数的预测协方差矩阵,保证了算法的合理性。在此基础上,给出了SINS/GPS紧组合系统四元数平方根无迹卡尔曼滤波算法的具体步骤。在较大初始姿态误差角下的仿真实验结果表明,与EKF算法相比,该算法精度更高,稳定性更强。     

某型无人机GPS/Radio/DR组合导航中的滤波技术研究

针对某型无人机GPS Radio DR组合导航中各子系统的特点,提出一个分散集中化滤波方法。通过建立简化的无人机动力学及运动学模型,利用卡尔曼滤波对磁航向及空速信息进行处理,提高了航位推算(DR)的精度;由于无线电测量雷达中传动机构存在一定间隙,造成方位测量信息包含定频段的干扰,通过采用低通数字滤波器有效地抑制了干扰信号;利用GPS信息分别对滤波后的航位推算和无线电信息进行融合修正。仿真结果表明,经过融合后的无人机航迹精度明显得到了提高。     

基于UKF的新型北斗/SINS组合系统直接法卡尔曼滤波

针对传统的间接法卡尔曼滤波在北斗/捷联惯导(serial inertial navigation system, SINS)组合导航系统中无法实现较高的定位精度且计算的冗余度大的缺点,提出一种基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的新型组合系统滤波算法。本算法以SINS输出的导航参数及平台误差角等作为系统状态,无源北斗输出的位置速度参数作为量测,采用改进的UKF方法进行数据融合,并直接计算组合系统导航参数的最优估计。实验结果表明,新算法可以降低对伪距误差模型的精确度要求,同时避免非线性系统状态方程的线性化,简化滤波参数的调整过程,从而有效地缩短组合导航系统的解算时间,提高定位精度。     

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。     

EKF与UKF在紧耦合组合导航系统中的应用

为了检验扩展卡尔曼滤波(extended Kalman filter,EKF)与无轨迹卡尔曼滤波(unscented Kalmanfilter,UKF)在紧耦合组合导航系统中的性能,给出了地心地球固连(earth-centered earth-fixed,ECEF)坐标系下惯性导航系统(inertial navigation system,INS)误差方程.将该方程作为系统方程,GPS伪距测量方程作为系统测量方程,推导得出了EKF和UKF的滤波方程.仿真验证了EKF和UKF可以良好地应用于紧耦合系统,其定位精度优于单独使用GPS信息得到的导航解,UKF与EKF二者性能相当,UKF略优.