组合导航信息融合算法的研究

以GPS／INS组合导航系统为应用背景,推导了“当前统计”模型下卡尔曼滤波方程的关键矩阵。阐述了卡尔曼滤波器的主要参数对组合导航信息融合效果的影响;给出了组合导航系统的松耦合设计框图;根据实验测得的数据采用基于卡尔曼滤波的信息融合算法,通过对算法改进前后东向误差和北向误差的分析,说明算法改进后的定位精度比改进前高约30％．     

基于区间卡尔曼滤波的多传感器信息融合

目标运行建模过程中,存在系统参数不确定的情形．将基于标准卡尔曼滤波的多传感器信息融合算法由系统参数确定的情形推广至参数不确定的情形,给出了基于区间卡尔曼滤波的多传感器信息融合算法,解决了系统参数不确定情形下系统状态估计的融合问题．给出的状态估计不再是目标的状态点估计,而是目标状态的区间估计．     

多传感器组合导航中的数据融合

目的 通过估计误差方差阵,对多传感器组合导航系统中不同的融合数据进行定位精度比较.为系统定位提供选择数据的依据.方法 基于递推加权最小二乘法研究多传感器组合导航系统中的数据融合,讨论估计误差方差阵的推导过程及系统定位精度的计算.结果 仿真结果表明,由于采用的递推加权最小二乘法比最小二乘法更能反应实际测量过程,可更有效地组合多个数据,系统定位性能要好.结论 为多传感器组合导航系统提供了一种有效的数据融合方法,对工程的预研和实施有非常重要的意义.     

加权分层卡尔曼滤波融合算法

目的 分析传统分层卡尔曼滤融合算法,指出传统卡尔曼滤波融合算法不能很好地提高跟踪精度且算法复杂的缺陷,提出一种加权分层卡尔曼滤波融合算法,方法应用理论分析和蒙特卡洛仿真方法,对传统融合算法和新算法进行比较,并给出了均方根误差的统计值,结果加权滤波融合算法原理简单、数据处理量小、速度快、容错性好,结论 加权分层融合算法原理简单、数据处理量小、速度快、容错性好、结论 加权分层融合算法特别适用于失效传     

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。     

CUKF算法及其在移动机器人组合导航中的应用

针对移动机器人位置的精确估计问题,提出一种附有约束的无色卡尔曼滤波(CUKF)算法.由于无色卡尔曼滤波(UKF)在处理非线性问题时,无需计算Jacobian矩阵或Hessian矩阵,从而有效地减小了线性化对非线性系统误差的影响.CUKF算法很好地利用了UKF的非线性滤波特点,在其基础上增加某种约束.将地理信息系统(GIS)环境下的地图数据库中的道路方向信息作为约束条件,通过引入拉格朗日函数解决具有约束的差分全球定位系统/航位推算(DGPS/DR)组合导航系统的非线性最优估计.仿真实验结果表明:CUKF比UKF能够更有效地提高定位精度.     

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。     

联合卡尔曼滤波在车辆组合导航系统中的应用

GPS/DR组合导航系统是一种低成本、高可靠性的车载导航设备.针对陆地车辆GPS/DR组合导航系统的特点,设计了用于该系统的联合卡尔曼滤波器,给出了滤波算法,并进行了实地跑车实验.理论分析和跑车实验的结果表明,联合滤波方法不仅有效地抑制了DR系统的误差发散,而且能够充分利用DR的数据信息对GPS定位的随机误差进行补偿,从而有效地提高GPS/DR组合系统的定位精度及容错能力.     

基于海流的卡尔曼滤波在船舶导航上的应用

针对船舶的导航精度提高的问题,采用基于海流数据的卡尔曼滤波算法获得的海流信息,并通过对船舶经纬度、海流分量和航向、航速等非线性微分方程进行线性化处理,得出其相应的转移矩阵,然后推算出船舶在某时刻的测量向量和测量矩阵.最后对各个方程式进行卡尔曼滤波计算,并通过对系统的仿真所得到的误差曲线验证了该方法的有效性,最终通过该方法保证系统模型的实时性.     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

量测信息引导的组合导航融合滤波方法

针对组合导航系统中各子系统量测输出速率不同的情况,提出了一种量测信息引导的组合导航融合滤波方法.该方法采用信息量与信息当量来描述当前时刻的所有可用信息,并基于加法原理,利用状态预测和当前可用的量测值来更新状态估计,实现最优融合估计.仿真结果表明,该方法能够应用于多量测信息非等间隔输出的情况,即使某子系统失效时也能正常工作,且能够取得较好的融合滤波效果,相较于联邦滤波和集中滤波具有更好的实时性能.     

基于地磁定轨和扩维卡尔曼滤波的导航算法

为了克服扩展卡尔曼 (Kalman)滤波算法对噪声统计特性的约束 ,针对磁强计量测噪声为有色噪声伴常值干扰的特性 ,提出了一种基于扩维Kalman滤波算法的地磁导航算法 .该算法为了使量测噪声白噪化 ,引入了 2个新的状态变量 ,此时测量噪声是均值为 0的高斯白噪声 ,并满足扩展Kalman滤波算法的约束条件 .对由此构成的系统使用扩展Kalman滤波算法 ,可以得到扩维Kalman定轨导航算法 ,利用该算法可以获得国产磁强计的导航精度 ,其地心距模的估计误差为 2 0km ,速度模的估计误差为 10m/s .卫星的实测数据仿真结果表明 ,该导航算法具有较好的稳定性和收敛性 ,克服了扩展Kalman滤波算法的发散问题     

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。     

有色噪声下的卡尔曼滤波

以平台式惯导系统为例 ,论述了如何用卡尔曼滤波技术处理有色噪声 .     

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.     

容错联邦强跟踪卡尔曼滤波算法在组合导航中的应用研究

提出了一种改进的联邦强跟踪卡尔曼滤波算法,并将其应用于MSINS／GPS浅组合中。采用了三层容错结构,能够有效地检测出数据粗大误差、GPS速度跳变以及滤波器误差估计的故障,及时进行故障隔离,从而使系统具有良好的容错能力。仿真结果表明,联邦强跟踪卡尔曼滤波算法解决了量测相关、GPS速度跳变和初值选取敏感性等问题,可以提高系统的实时性、鲁棒性和容错性能。     

非线性容错滤波在基于磁强计自主导航中的应用

地磁场矢量是卫星的位置函数,利用三轴磁强计的测量信息可实现近地卫星的自主导航.当测量值存在野值时,滤波收敛变慢甚至发散.采用基于残差正交性质的EKF容错滤波方法,实现了野值的即时修正和故障诊断,使滤波器具有较强的鲁棒性.仿真结果表明该方法行之有效.