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。     

考虑SAR量测特性的弹载SINS/SAR组合导航滤波算法

在弹载捷联惯性导航系统(strapdown inertial navigation system, SINS)/合成孔径雷达(synthetic aperture radar, SAR)组合导航系统中, 针对量测输出时间间隔不同及SAR量测滞后的问题, 提出一种利用曲线拟合法解决量测滞后的非等间隔无迹卡尔曼滤波(unscented Kalman filter, UKF)算法。首先，在UKF的基础上, 利用系统状态转移矩阵的特性, 根据SAR有无量测输出选择是否进行量测更新, 解决了量测不同步的问题。然后，利用曲线拟合补偿法拟合SAR输出信息, 获得SAR量测信息滞后的补偿算法。最后，以弹载SINS/SAR组合导航系统为研究对象, 验证所提算法的有效性。仿真结果证明，该算法得到的东向位置误差的绝对值为5.12 m, 航向角误差绝对值为6.63″, 北向速度误差绝对值为0.08 m/s, 相比于传统UKF算法有效提升了组合导航系统滤波精度。     

基于极大似然准则与滚动时域估计的自适应UKF算法

针对无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统噪声统计特性未知或不准确的情况下滤波精度降低甚至发散的问题,提出一种基于极大似然准则与滚动时域估计的自适应UKF算法。首先根据极大似然准则构造关于系统噪声统计的估计模型;然后引入滚动时域策略对所提模型进行优化;最后采用序列二次规划方法求取噪声统计的估计值,得到带有噪声统计估计器的自适应UKF。提出的算法可以实现系统噪声统计的在线估计,克服了标准UKF的缺陷。通过惯性导航/全球定位系统(inertial navigation system/global positioning system, INS/GPS)组合导航系统中的应用实例,验证了提出算法的有效性。     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

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。     

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。     

快速强跟踪UKF算法及其在机动目标跟踪中的应用

当系统模型不能正确描述真实系统时,强跟踪无迹卡尔曼滤波(unscented Kalman filter, UKF)能很好地弥补传统UKF鲁棒性差的不足,保证滤波精度,但需要额外使用无迹变换,极大地增加计算量。针对这一问题,利用Taylor展开分析渐消因子在UKF中的机理,建立渐消因子近似引入方法,提出快速强跟踪UKF。基于统计浮点运算次数的方法定性分析计算量,表明快速强跟踪UKF计算量与传统UKF相近。根据滤波收敛性判据,讨论了强跟踪UKF的收敛性。仿真实例证明,快速强跟踪UKF滤波精度与强跟踪UKF相差无几,计算量大幅降低。     

基于交互式多模型算法跟踪临近空间目标

由于目前机动目标模型越来越向模块化、并行计算的方向发展,对目前算法计算效率提出了更高的要求。对于临近空间超声速机动目标一般采用多种机动模型跟踪,单一模型已经很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型（interacting multiple model, IMM）算法,这种算法特点与临近空间目标高速、高机动特性相适应。同时考虑到扩展卡尔曼滤波 (extended Kalman filter, EKF) 算法对强非线性对象滤波效果不好, 无迹卡尔曼滤波(unscented Kalman filter, UKF)算法对于此类问题,可以很好地加以解决。仿真对比试验表明,交互式多模型〖CD*2〗无迹卡尔曼滤波(interacting multiple model unscented Kalman filter, IMM UKF)算法优于单一模型EKF算法。     

迭代容积卡尔曼滤波算法及其应用

将Gauss Newton迭代和容积卡尔曼滤波(cubature Kalman filter, CKF)算法相结合,建立了一种迭代CKF(iterated CKF, ICKF)算法。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代过程中利用最新量测信息并改进迭代过程产生的新息方差和协方差,可获得较高的估计精度。针对弹道系数未知的再入弹道目标状态估计问题,仿真实验结果显示,该方法实现简单,比无迹卡尔曼滤波方法(unscented Kalman filter, UKF)及CKF方法效果要好。     

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.     

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...     

联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波（unscented Kalam filter,UKF）算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。     

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.     

GFMIMU/GPS组合导航系统信息融合技术研究

GFMIMU/GPS(Gyroscope Free Micro Inertial Measurement Unit/Global Positioning System)组合导航系统具有抗高g值冲击、低成本、长寿命、较高精度等优点,在低成本精确制导武器和微小型无人机具有广阔的应用前景。针对工程应用中信息融合的精度和实时性两方面的要求,运用基于模型误差预测的扩展卡尔曼滤波MEP-EKF(Extended Kalman Filter base on Model Error Predictive)方法,将MEMS(Micro Electromechanical Systems)加速度计的误差作为模型误差来考虑,对GFMIMU/GPS组合导航系统进行建模仿真,将其与EKF和UKF(Unscented Kalman Filter)方法进行了仿真比较,在方位误差角的估计上取得了比他们精度高的仿真结果,而且MEP-EKF所需时间是UKF的10%.     

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。     

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。