基于变分贝叶斯原理的SINS/GPS组合导航VB-CKF滤波算法

系统量测噪声统计量不准确能引起组合导航系统滤波精度下降甚至发散,在变分贝叶斯原理的基础上,以容积卡尔曼滤波(CKF)为基础滤波器,导出基于变分贝叶斯的自适应容积卡尔曼滤波(VB-CKF)算法,仿真结果表明：在SINS/GPS组合导航系统中,VB-CKF算法较CKF算法能有效减少系统量测噪声统计量变化对滤波精度的影响,是一种具有广泛应用前景的SINS/GPS组合导航滤波算法。     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

无人机组合导航系统的自适应算法研究

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了常规卡尔曼滤波器和自适应卡尔曼滤波器用于精对准。在系统噪声统计特性未知时,自适应卡尔曼滤波算法利用滤波残差的均值和方差,不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,从而提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。仿真结果表明,使用自适应UKF算法与常规的UKF算法相比,可以获得更优的对准精度和快速性。     

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.     

模糊自适应滤波算法在自主水下航行器组合导航系统中的应用

复杂水下工作环境中的诸多不确定因素均有可能导致自主水下航行器(autonomous underwater vehicle,AUV)导航系统的量测噪声模型发生变化,且噪声统计特性难以准确获得.为获得更为准确的状态估计值,提出一种基于模糊逻辑的自适应滤波算法,使量测噪声方差阵可以根据实际情况进行自适应调整从而逼近真实量测噪...     

基于变分贝叶斯Cubature KF的SINS海上对准方法

针对SINS海上对准中速度等量测值的先验统计特性未知导致Cubature滤波(Cubature KF)的失准角估计值出现严重振荡的问题,提出变分贝叶斯Cubature滤波.该滤波方法通过近似计算状态变量和量测噪声方差的联合条件后验概率密度,在估计状态变量的同时,实时调整变分贝叶斯参数,估计和修正时变的量测噪声方差,减弱量测噪声方差统计特性对状态变量估计值的影响.半实物仿真结果表明,该方法能够减小Cubature KF海上对准失准角估计值的振荡性,提高海上对准的精度.     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

在大多数目标跟踪方法中,通常假设量测噪声服从参数已知的高斯分布或对称重尾分布,但其非常受限并且在实际过程中常常无法得到满足。因此,针对存在不确定重尾量测噪声干扰下的目标跟踪问题,提出基于变分推理的鲁棒容积卡尔曼滤波算法。该算法利用Skew-T分布对不确定重尾量测噪声进行建模,在基于容积规则的数值积分过程中,结合变分推理将Skew-T分布量测噪声参数与系统状态变量进行联合递归计算,通过对近似后验概率密度函数进行变分迭代,获得系统模型和不对称重尾量测噪声参数。仿真结果表明,该算法相比变分贝叶斯扩展卡尔曼滤波算法具有较高的滤波精度。     

基于车载GNSS与IMU组合定位系统的改进定位算法

结合车载全球导航卫星系统（GNSS）与惯性测量单元（IMU）组合定位系统,针对传统定位算法中实际路况变化带来的数据融合噪声误差的问题,以车载传感器收集的运动数据作为阈值条件进行自适应滤波动态切换,提高组合定位系统的稳健性与适应性. 提出一种改进的自适应动态组合定位方法,将扩展卡尔曼滤波（EKF）与无迹卡尔曼滤波（UKF）算法,基于实时运动模型结合,以此抑制在车辆运动模型变化时传统单一算法产生的误差干扰.改进后算法的均方根误差（RMSE）相较于传统的EKF滤波与UKF滤波算法分别提升了约75.26%和58.48%.在高架桥下的实际车载场景实验中,改进算法的平均距离误差为2.32 cm,相较于改进前的定位性能提升了约61.65%.在复杂的城市交通的环境下,能够实现精准定位.     

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。     

基于UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

UKF滤波器在直升机盘旋飞行中的应用

针对直升机盘旋飞行时的定位问题,建立了直升机盘旋飞行模型,讨论了一种基于贝叶斯理论的UKF滤波算法。将UKF算法应用于所建立的模型,并进行了仿真实验,仿真结果表明UKF能有效地对目标进行跟踪,且具有较高的精度和较强的抗噪声性能。     

IMM-SRUKF在GPS/INS组合导航中的应用

针对无迹卡尔曼滤波(UKF)鲁棒性不强的问题,结合全球定位系统/惯性导航系统(GPS/INS)紧组合模型特点,提出了基于交互式多模型(IMM)的混合平方根无迹卡尔曼滤波(SRUKF)算法.该算法采用交互式多模型结构,克服了模型不确定性因素的影响;采用平方根滤波技术,解决了协方差矩阵难以保持正定的问题.同时,考虑到内部滤波器与线性/非线性模型不匹配,引入混合滤波思想,对SRUKF进行了优化.将新算法应用于紧组合模型进行仿真,结果表明:新算法能够以适当的时间复杂度,获得较强的鲁棒性能,适用于复杂的导航环境.     

汽车电控液压制动系统动力学建模及性能研究

为提高估计电控液压制动系统的压力估计精度,针对其工作特性提出一种基于粒子群优化的UKF算法的汽车电控液压制动系统动力学建模方法.该算法根据液压制动系统的工作特性将压力估计问题转化为多维参数优化的问题,应用UKF对汽车电控液压制动系统进行压力估计,根据该液压系统的强非线性及时变系统特性引入液压系统指数参数,压力变化参数差,及测量轮缸压力作为状态量,引入粒子群算法根据目标函数,对UKF中的参数及观测噪声,过程噪声进行迭代寻优.实验数据对比,验证该算法参数估计的精确性及实时性.研究结果对液压制动系统以及整个液压系统的研究都具有指导意义.     

自适应软测量算法的汽车行驶状态估计

为了实现车辆行驶状态低成本测量,设计了估计汽车行驶状态参数的传统无迹卡尔曼滤波器和能够有效解决噪声时变特性的次优Sage-Husa噪声估计器相结合算法,通过建立电动汽车3自由度的动力学模型和HSRI轮胎模型,且融合低成本测量的纵、横向加速度和方向盘转向角传感器测量信息,从而可精确估计电动汽车行驶状态.在选定的典型工况下,通过与无迹卡尔曼软测量算法进行对比,硬件在环实验结果有效地验证了自适应无迹卡尔曼软测量算法具有很好的鲁棒性,且比无迹卡尔曼软测量算法更加能够有效地估计电动汽车的行驶状态.     

基于自适应 UKF 微型航姿系统噪声在线估计

针对先验噪声与系统真实噪声不符引起标准无迹卡尔曼(unscented Kalman filter,UKF)性能退化的情况,提出一种应用于非线性时变状态和参数联合估计的自适应UKF(adaptive unscented Kalman filter,AUKF)算法.根据新的协方差矩阵与相应估计值之间存在的误差,构建成本函数.采用梯度下降法进行在线预估,对噪声的协方差进行在线更新并反馈给标准的UKF.实验和仿真分析表明,与标准UKF相比,自适应UKF算法在精度上有较大的提高.对于时变噪声协方差不确定时,自适应UKF噪声在线估计的鲁棒性得到明显改善,验证了自适应UKF噪声在线估计模型的准确性和可行性.     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.     

基于EPEA的SINS大失准角非线性初始对准方法

基于欧拉平台误差角(EPEA)的概念描述了理论导航坐标系到计算导航坐标系之间的失准角,推导了捷联惯导系统(SINS)在大失准角情况下进行初始对准的非线性误差模型.在系统噪声和量测噪声均为加性噪声且量测方程为线性方程时,给出了带阻尼解算的简化扩展卡尔曼滤波(EKF)算法和简化无迹卡尔曼滤波(UKF)算法,同时分析了不同失准角情况下初始对准过程的异同.静基座状态下的Monte Carlo仿真结果表明,大失准角和大方位失准角情况下,EKF和UKF算法都能满足对准要求,其中UKF算法较EKF算法具有对准时间更快、对准精度更高和适用范围更广的优点;小失准角情况下,由于捷联惯导系统的线性化误差变小,二者的对准时间和对准精度基本相同.     

基于AUV的航迹追踪自适应UKF算法

无迹卡尔曼滤波算法(UKF,unscented kalman filter)是一种常见的(AUV,autonomous underwater vehicle)加权统计线性回归航迹追踪算法,其算法冗余度低于(EKF,extended kalman filter)、(PF,particle filter)及(PSO,particle swarm optimization)等数值优化算法,且算法效率较高。然而,UKF控制算法中的系统采样时间间隔通常会被设置为常数,由此可能会产生预测值的误差累积,从而影响导航预测结果的精度。因此,笔者提出了基于AUV的航迹追踪自适应无迹卡尔曼滤波算法(AUKF,adaptive unscented kalamn filter algorithm),以期降低预测算法的累积误差。该预测方法依据标准UKF算法的原理,通过构造相应的约束、判断与反馈机制,调整系统状态方程中每一步的采样间隔t,从而提升算法的航迹追踪精度并减少过程噪声及传感器噪声对预测过程的影响。最后,通过仿真实验与结果对比,近一步验证了之前所提出的设想。