一种基于改进自适应卡尔曼滤波的GNSS/INS组合导航算法

在全球卫星导航系统/惯性导航系统(global navigation satellite system/inertial navigation system,GNSS/INS)组合系统中,状态模型误差和异常扰动的影响严重降低了标准卡尔曼滤波的性能,而基于预测残差自适应的卡尔曼滤波随计算次数的增加滤波效果降低,且使用统一的自适应因子调节不可靠。针对上述问题,提出一种改进算法,利用预测残差建立的统计量调节位置向量和速度向量,避免了其他参数对滤波的平衡作用;通过预测残差的概率密度建立马氏距离进行假设检验,在模型正常时使用标准卡尔曼滤波,模型异常时使用改进滤波算法;采用实测车载数据对标准卡尔曼滤波、单因子自适应滤波和本文的滤波方法进行评估,实验结果表明:改进的自适应卡尔曼滤波的滤波算法效果良好,证明了所提算法的有效性。     

自适应滤波在GPS/IMU/MV组合导航系统中的应用

本文提出了一种自适应数据融合方法,该方法根据位置误差、角度误差和统计信息,采用模糊逻辑控制器对卡尔曼滤波器的增益矩阵K,测量误差协方差R,观测误差协方差Q进行实时修正,将卡尔曼滤波器调整到最优状态。仿真结果证明该方法比传统卡尔曼滤波具有更高的精度。     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

光纤SINS/GPS组合导航系统分析

为提高光纤陀螺捷联惯导系统的精度,以光纤陀螺捷联惯导系统与全球定位系统（GPS Globle Position System）为研究对象,采用联邦卡尔曼滤波算法,构成了SINS/GPS(Strap-down Inertial Navigation Systerm/ Globle PositionSystem)组合导航系统。仿真结果表明,该算法能及时修正子滤波器的偏差,大大降低子滤波器的模型误差,进而提高整个滤波器的精度,并有效克服了滤波发散现象。     

自适应Sage滤波在GPS/SINS组合导航中的应用

为了提高导弹命中目标的精度,研究了GPS/SINS组合导航系统。以组合导航系统为应用背景,在常规Kalman数学模型的基础上,提出了改进的自适应Sage-Husa滤波方法。试验结果证明:在噪声的统计特性不能确定时,改进的自适应Sage-Husa滤波与常规Kalman滤波相比,导弹命中目标的圆概率误差(CEP)由原来的62m提高到21m。改进的自适应Sage-Husa滤波方法对提高GPS/SINS组合导航系统的制导精度和可靠性是十分有效的。     

SINS/OD/MM组合导航系统可观测性分析

通过对SINS/OD组合系统和SINS/MM组合系统的可观测性进行初步的定性分析。利用可观测分析的基本方法对SINS/MM/OD组合导航系统在不同机动条件下的可观测性进行了详细的分析。仿真结果表明:SINS/OD/MM组合导航系统的姿态、位置、速度均可观测;系统各状态可观测程度与载车行驶轨迹有很大关系。当载车做大的机动转弯时,能有效地提高系统方位误差角的可观测性。     

车载GPS/DR组合导航系统卡尔曼滤波方法的改进

将全球定位系统(GPS)和航位推算法(DR)两种定位方式结合,实现车辆GPS/DR组合定位系统的自适应信息融合.联合卡尔曼滤波器存在数学模型不确定性和误差模型的随机性的缺点,提出改进方法是采用联邦滤波器,并引入利用模糊推理建立的模糊自适应联邦滤波器,提高了系统的精度和功能.     

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。     

GPS/INS相对导航鲁棒扩展卡尔曼滤波方法

针对绕飞模式下追踪器与合作目标间的GPS/INS组合相对导航问题,考虑追踪器的惯量阵存在不确定性,为提高相对导航系统的精确性和稳定性,提出了一种GPS/INS组合相对导航的鲁棒扩展卡尔曼滤波算法. 该算法采用近似线性化方法将相对导航系统中的非线性函数进行泰勒级数展开,并将线性化引起的模型误差作为不确定项来处理,结合鲁棒卡尔曼滤波算法,设计了GPS/INS组合相对导航的鲁棒扩展卡尔曼滤波算法. 仿真结果表明,该方法相对位置的估计精度为0.1 m,相对姿态的估计精度为0.001°,相对导航精度很高,且对追踪器惯量阵存在的不确定性具有很好的鲁棒性.      

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。     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

基于人工标志的视觉/SINS组合导航算法研究

本文针对航天器地面中性浮力实验的实验体导航问题,研究利用计算机视觉和捷联惯性导航系统（SINS）进行实验体组合导航的算法：首先对视觉导航与SINS的优缺点及其组合导航的优势互补进行了分析,提出其组合方式;然后建立了组合导航系统量测方程;最后利用卡尔曼滤波方法,实现了视觉导航图像信息与捷联惯导系统的信息融合。仿真结果表明,提出的组合导航方法提高了导航精度,具有一定的应用参考价值。     

区间卡尔曼滤波算法在组合导航数据融合中的应用

传统卡尔曼滤波算法在系统参数不确切已知或随时间变化时无法直接应用。本文通过将参数变化的系统建立成区间模型,给出了一种处理系统参数不确定性的区间卡尔曼滤波算法,该算法运用一种较为简单的区间矩阵求逆方案,在统计最优性能及迭代形式方面与标准卡尔曼滤波算法相当,仿真验证了该算法在低成本INS/GPS组合导航数据融合中应用的可行性。     

组合导航系统中模糊自适应卡尔曼滤波器的设计

为了解决常规卡尔曼滤波法存在的不足,给出了用模糊推理系统与卡尔曼法相结合的方法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的计算机仿真,结果表明该方法是有效、实用的。     

一种组合导航的自适应信息融合算法

以GPS/INS组合导航系统为应用背景,针对组合导航系统信息融合的精度与稳定性要求,将简化的Sage-Husa自适应滤波算法与指数加权衰减记忆滤波算法相结合,提出了一种改进的自适应信息融合算法.仿真表明,改进的自适应算法解决了噪声统计特性和模型参数不易确定的问题,能够有效的保证信息融合的精度和稳定性.在算法仿真的基础上,对在VC 6.0环境下算法进行了改进,给出了GPS/INS组合导航系统的结构及软件框架,通过实验验证了改进的自适应算法的实际应用价值.     

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。