基于插值非线性滤波的SINS静基座初始对准

讨论了捷联惯性导航系统（SINS）静基座初始对准的非线性和线性误差模型,提出一种基于插值非线性滤波的SINS静基座初始对准方法.分析了插值非线性滤波原理,给出了系统加性噪声情况下的二阶插值非线性滤波递推算法.进行了静基座状态下基于KF、EKF和插值非线性滤波的初始对准仿真.仿真结果表明,在大方位失准角的情况下,基于插值非线性滤波的对准方法具有更高的估计精度,且无需计算Jacobian矩阵,相对于EKF计算量更小,实现更为简单.     

KF/UPF在SINS大方位失准角初始对准中的应用

为解决捷联惯导系统大方位失准角初始对准中状态维数较高,直接应用无迹粒子滤波(unscented particle filter, UPF)会带来维数灾难的问题,提出了基于卡尔曼滤波(Kalman filter, KF) /UPF组合滤波的初始对准方法。将非线性初始对准模型分解为线性与非线性两部分,采用KF实现对线性部分的最优估计,采用UPF对系统的非线性部分进行状态估计。通过仿真比较不同粒子数下KF/UPF组合滤波算法和UPF算法,结果表明,KF/UPF组合滤波算法在保证初始对准精度和收敛速度的同时,将需要进行UPF滤波的状态维数由10 维降为3 维,减少了计算量,运算时间分别缩短至原来的52.69%和6.0%,提高了初始对准的实时性。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

基于自适应UKF算法的机载INS/GPS空中对准研究

在空中对准失准角不满足小角度假设的条件下,推导了一种新的机载INS/GPS大失准角空中对准的误差模型。将基于极大似然估计的自适应估计器与无迹卡尔曼滤波(unscented Kalman filter, UKF)算法相结合,修改自适应滤波算法中自适应参数的表达式。提出将自适应UKF算法用于非线性误差模型的空中对准方案中。仿真表明,自适应UKF算法能够克服噪声统计模型不准确对滤波结果的影响,失准角估计的精度好于UKF算法的精度。     

基于双欧拉角的UKF组合导航滤波算法

针对非线性滤波组合导航中四元数无迹估计器(unscented quaternion estimator, USQUE)规范性约束导致的算法计算量大、实时性差等问题, 提出一种基于双欧拉角姿态表示的无迹卡尔曼滤波(dual-Euler unscented Kalman filter, DEUKF)算法。通过正、反欧拉角相互切换, 在正、反欧拉微分方程精华区进行姿态滤波更新, 避免了奇异性, 确保了滤波精度。捷联惯性导航系统/全球定位系统直接式组合导航仿真试验与车载实验结果表明, 相比较于USQUE算法, DEUKF算法计算量小、实时性好, 水平姿态角估计精度与USQUE相当。     

UKF方法在惯性导航系统初始对准中的应用研究

针对初始对准的精度直接影响系统工作性能问题,在初始对准中引入Unscented卡尔曼滤波算法(UKF)。Unscented卡尔曼滤波算法没有把非线性系统近似为线性系统,而是使用确定性样本的方法处理非线性问题,使采样点的均值和方差完全符合实际的非线性系统的均值和方差,解决了惯性导航系统正常工作的基本条件。仿真结果显示,使用Unscented卡尔曼滤波时惯性导航系统初始对准的精度和稳定性都好于普遍使用的广义卡尔曼滤波方法。     

ICDKF在SINS大方位失准角初始对准中的应用

针对大方位失准角捷联惯性导航系统误差模型非线性的特点,利用基于迭代测量更新的中心差分卡尔曼滤波(iterated central difference Kalman filter, ICDKF)方法进行初始对准。与传统的非线性扩展卡尔曼滤波相比,ICDKF不仅能够提高滤波精度,而且不需要模型的具体解析形式,避免了复杂的雅可比矩阵的推导;同时ICDKF通过迭代测量更新,提高了目前存在的中心差分卡尔曼滤波的估计精度。仿真结果进一步表明ICDKF算法的可行性与优越性,能够满足初始对准的要求。     

基于小波神经网络的惯导初始对准系统

论述了小波分析和神经网络在惯性导航系统初始对准中的重要作用,给出了惯导系统初始对准的线性和非线性模型.基于小波变换,运用小波神经网络对目前该问题进行了仿真研究.仿真结果表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,近似精度高,而且网络规模比BP、RBF等神经网络规模要小,计算量少,收敛速度快.     

粒子群优化小波神经网络在惯导系统传递对准中的应用

为克服系统阶次较高时卡尔曼滤波实时性较差的特点,利用小波神经网络具有收敛速度快,结构简单,计算量小等优点,将其应用于惯导系统传递对准。并采用粒子群算法优化小波神经网络参数,取代传统的梯度下降法,克服了网络参数选取的盲目性,避免陷入局部极小值。仿真结果表明采用粒子群优化的小波神经网络进行传递对准,不仅获得了与Kalman滤波相同的精度,而且收敛速度快,满足了对准的实时性要求。     

UKF算法及其在目标被动跟踪中的应用

利用了一种用于非线性系统的,基于无迹变换的Kalman滤波算法的一个新的扩展方法—UKF,推导了应用于方位角预测和纯方位跟踪两个方面的UKF滤波算法,并给出了具体步骤。仿真说明了在目标跟踪领域,应用该方法比以往EKF类的方法在滤波精度上明显提高,并且在实际应用中,由于该算法实现简单、计算量小而增强了可用性。     

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.     

Unscented Kalman filter for SINS alignment

In order to improve the filter accuracy for the nonlinear error model of strapdown inertial navigation system (SINS) alignment, Unscented Kalman Filter (UKF) is presented for simulation with stationary base and moving base of SINS alignment. Simulation results show the superior performance of this approach when compared with classical suboptimal techniques such as extended Kalman filter in eases of large initial misalignment. The UKF has good performance in case of small initial misalignment.     

基于无轨迹卡尔曼滤波的大失准角INS初始对准

讨论了大失准角情况下，惯性导航系统（INS）初始对准的非线性误差模型，分析了无轨迹卡尔曼滤波原理，提出将无轨迹卡尔曼滤波（UKF）技术应用于惯性导航系统初始对准ψ角估计中，进行了静基座状态下的初始对准仿真。仿真结果表明，在方位误差角为大角度，水平误差角为小量的情形下，无轨迹卡尔曼滤波比扩展卡尔曼滤波（EKF）对准时间更快，估计精度更高。当ψ角三个分量均为小量时，无轨迹卡尔曼滤波也具有很好的性能。     

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UKF的低成本SINS/GPS组合导航系统滤波算法

针对MIMU的精度不高,会带来较大的初始对准误差角,如果继续采用传统的小干扰线性方程就会给滤波带来很大误差,甚至发散。针对这个问题,对低成本SINS/GPS组合导航系统建立了基于四元数误差模型的非线性滤波方程,并采用了UKF非线性滤波方法。针对四元数误差模型单纯使用UKF方法无法估计加计零偏和陀螺漂移的问题,提出将UKF和EKF相结合的算法,仿真结果表明,比起扩展卡尔曼滤波以及采用传统小干扰线性方程的卡尔曼滤波,这种方法能够提高姿态误差角特别是方位误差角的估计精度。     

#br# 基于降维CKF和平滑的SINS/OD动基座对准

为了提高捷联惯导(strapdown inertial navigation system, SINS)/里程计(odometer, OD)动基座对准精度,使对准过程中具备一定精度的位置导航能力,提出了一种动基座非线性对准方法。首先对非线性系统进行简化并应用降维容积卡尔曼滤波(reduced dimension cubature Kalman filter,RD-CKF)进行非线性对准,保证非线性对准过程中能够进行位置导航,对准结束时保证失准角为小角度。然后非线性R-T-S平滑至初始时刻进行校正,利用卡尔曼滤波再次对准,获得对准结束时刻高精度的姿态和位置导航。进行了实车实验,实验结果表明了方案的有效性。     

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。     

降维 CKF 算法及其在SINS 初始对准中的应用

针对常规容积卡尔曼滤波(cubature Kalman filter, CKF)算法在捷联惯导系统（strapdown inertial navigation system, SINS）大方位失准角初始对准中采样点个数与状态向量维数成正比、计算量较大的问题,提出了降维CKF 算法。与常规CKF 算法相比,该算法只对离散化后的SINS 非线性误差模型中的大方位失准角进行采样,再利用三阶球面-相径容积规则计算后验均值和协方差,从而将采样向量从10 维降低到1 维,采样点数量从20个下降到2 个,减小了计算量。仿真实验结果表明,该算法与常规CKF 算法具有相同的对准精度,计算时间仅为常规CKF 算法的1/3,是一种较为实用的方法。