基于CKF的GNSS/INS列车组合定位鲁棒滤波算法

针对列车组合定位融合估计的非线性以及鲁棒性问题,分析了GNSS/INS列车组合定位的基本原理和系统结构,给出了非线性滤波算法CKF的基本过程,通过将H∞鲁棒滤波思想应用于标准CKF,提出了一种基于CKF的新型鲁棒滤波算法,从滤波器收敛判别及误差H∞范数界鲁棒性判别两方面探讨了滤波器的自主状态监测,并采用青藏铁路实测数据对算法进行了验证。分析结果表明:在该实测数据条件下,所提算法平均估计误差与标准UKF、CKF相比,分别降低了7.13%、4.85%;约束水平从31.5到1315.0时,估计误差均方根增大了8.56%,估计精度变化趋势较平缓,该算法有效。     

基于GNSS／DSRC融合的协同车辆定位方法

以全球导航卫星系统（GNSS）定位与专用短程无线通信（DSRC）协同定位的集成信息融合为目标,在DSRC协同定位层面,基于水平精度因子最小化原则,提出了一种邻车节点的优选策略。在GNSS/DSRC融合定位层面,采用分散式融合估计思想,设计了一种松耦合模式下的车辆组合定位方法,基于GNSS、DSRC 并行滤波进行全局估计,利用反馈策略改善了对不同定位条件的适应能力。利用车路协同仿真平台对协同车辆定位方法进行了仿真验证。验证结果表明：邻车节点优选策略显著提升了DSRC定位精度,将其用于GNSS/DSRC融合定位,在常规运行条件下,带反馈机制的分散式估计精度优于单传感器模式与无反馈分散式估计精度;在给定的GNSS 多径干扰条件下,东向、北向位置估计的均方根误差与单GNSS模式相比分别降低了42．6％和37．0％,与集中式融合估计相比分别降低了24．8％和20．3％。协同车辆定位方法的定位性能优于常规定位方案,对GNSS多径干扰条件具有良好的适应能力,具备更优的精确性、可用性及工程应用价值。     

水下组合导航UKF/PF自适应滤波算法

为了避免粒子滤波(PF)可能存在的粒子退化问题,提出了一种Unscented卡尔曼滤波(UKF)和PF的混合滤波算法.将PF的所有粒子分为随机性粒子和确定性粒子两部分,利用UKF状态估计为PF确定重要性函数,并从重要性函数中抽取随机粒子,而确定性粒子则由UKF的Sigma点构成.利用标准粒子滤波的退化程度指标构造自适应权函数,根据权函数权值大小的变化,UKF/PF混合滤波算法自适应地进化为PF滤波算法或退化为UKF滤波算法.仿真结果验证了UKF/PF混合滤波算法用于DR/INS组合滤波器设计的有效性.     

多采样率EKF及其在感应电机转速估计中的应用

在深入研究EKF算法和多采样率数字控制系统的基础上,建立了多采样率EKF算法,分别推导了其输入和输出算法,并将其应用于感应电机的转速估计中.通过仿真验证了该算法比单采样率扩展Kalm an滤波算法具有更高的信息获取和状态估计能力,并能有效抑止噪声,转速估计误差减小41.7%~87.6%.     

车辆组合导航系统自适应UKF滤波算法

针对传统卡尔曼滤波和扩展卡尔曼滤波(EKF)在导航中存在的缺点,在车辆GPS/DR组合导航系统中引入了Unscented Kalman filter(UKF)算法,并提出一种改进的开窗估计算法,采用一种自适应算法来动态调整开窗大小,减小了算法计算量。利用此方法对系统过程噪声进行实时跟踪,并与UKF方法相结合。仿真试验表明:此方法滤波精度和稳定性都有了一定的提高,同时相比传统UKF算法又具有更好的自适应性。     

基于粒子滤波算法信息融合的磁悬浮列车定位研究

为提高磁悬浮列车的行车安全和效率,采用多传感器信息融合技术对中低速磁悬浮列车进行测速定位,以交叉感应回线测速定位和雷达传感器对进行相对定位,以查询应答器来实现绝对定位。利用粒子滤波算法对中低速磁悬浮列车测速定位的精度和可靠性进行分析,并用MATLAB仿真进行验证,证明该融合结构和融合算法能够提高列车的定位精度。     

基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

一种改进的多传感器伪序贯滤波算法

传统的多传感器数据融合算法假定传感器之间的测量噪声是不相关的,但实际上测量噪声存在着一定的相关性,因而会引起滤波精度的损失．针对该问题,文中研究了测量噪声相关情况下的同步多传感器跟踪系统的测量融合技术．在测量噪声相关的条件下,根据线性无偏最小方差估计理论,提出了一种改进的同步多传感器伪序贯滤波算法,该算法不但适用于噪声不相关情况,而且也适用于噪声相关情况．经仿真研究表明,该算法明显提高了航迹的融合精度：在测量噪声相关时,融合精度比传统算法有明显提高;而测量噪声不相关时,性能与传统的数据融合算法相同．仿真结果表明了该算法的正确性和有效性．     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

带有UKBF的船舶动力定位预测控制器设计

为了精准设计水面船舶动力定位控制系统,将无迹卡尔曼布西滤波与非切换解析模型预测控制方法相结合提出一种预测控制器的设计方法.采用无迹卡尔曼布西滤波算法解决非线性连续系统的滤波问题,获取船舶运动状态的估计值;结合相对阶概念,根据船舶运动非线性模型,应用非切换解析模型预测控制方法设计动力定位非线性控制器,使船舶保持在指定位置.研究结果表明:设计控制器的输出较为平滑,有利于减少推进器磨损;设计控制器使船舶北向位置调节时间小于40 s,超调量小于5%,东向位置调节时间小于60 s,超调量小于5%,艏向角度的最大偏移量小于1.5°,令船舶快速到达了指定位置.      

智能汽车两阶段UWB定位算法

为了提高智能汽车行驶的可靠性，以超宽带(UWB)为研究对象，研究了智能汽车两阶段UWB定位算法；分析了智能汽车UWB定位算法的基本原理与误差来源；建立了测距值筛选与加权位置解算两阶段UWB定位算法，在测距值筛选阶段，采用高斯筛选剔除小概率、大干扰事件，在加权位置解算过程中，根据多测距点的位置坐标加权计算得到最终的位置坐标，以有效减小非视距、多径效应所带来的误差，通过使用抗多径天线以有效减小多径效应所带来的误差，并分别建立了静态补偿和运动补偿策略，以有效减小设备晶振偏差等硬件问题造成的误差；在MATLAB/Simulink仿真平台中搭建一定测距方差约束下的UWB随机测距值仿真环境，对算法进行了仿真测试并与三边定位算法、三边质心定位算法进行仿真比较，分析基站数量对定位精度的影响；搭建实物UWB测试系统，对UWB设备定位精度进行了评估与误差补偿，并对两阶段UWB定位算法进行了实车测试。仿真结果表明:东向和北向的定位误差均值最小分别可达0.382 3、0.447 0 m；补偿后的UWB定位轨迹更接近RT3002所示的轨迹，东向和北向轨迹误差的平均值分别为0.049 2、0.017 8 m，均方根误差分别为0.069 8、0.0264 m。可见，提出的智能汽车两阶段UWB定位算法能够满足智能汽车的定位需求，具有高精度、低成本、稳定性好等优点。      

低可见度环境下基于同步定位与构图的无人驾驶汽车定位算法

为在大范围低可见度环境下实现无人驾驶汽车的高精度定位，基于VINS-Mono算法的系统框架，在系统的前端与后端分别增添了RFAST弱光图像增强模块与VG融合定位模块，提出了一种融合定位算法LVG_SLAM; RFAST弱光图像增强模块采用小波变换将原始输入图像的细节信息与亮度信息分离，对于包含原始图像噪声的细节信息通过统一阈值和均值滤波2种方式实现噪声抑制，并利用双边纹理滤波算法进行细节增强，在此基础上，根据多尺度Retinex算法增强图像的对比度，提高低可见度环境下角点提取的成功率，从而保证图像跟踪的稳定性，改善定位算法的鲁棒性; 基于无迹卡尔曼滤波算法，VG融合定位模块将GNSS定位信息与惯性导航测量信息进行松耦合，融合定位结果作为约束引入VI-SLAM后端，通过联合非线性优化的方式减少累积误差对算法定位精度的影响。计算结果表明:相较于VINS-Mono算法，改进的LVG_SLAM融合定位算法在EuRoC与Kitti公开数据集上表现更加出色，均方根误差分别降低了38.76%与58.39%，运动轨迹更贴近真实轨迹; 在实际夜晚道路场景下，LVG_SLAM算法将定位误差控制在一定范围内，顺利检测到闭环使得定位表现得到大幅改善，均方根误差、平均误差、最大误差、中位数误差分别降低了79.61%、82.50%、71.31%、83.77%，与VINS-Mono算法相比，在定位精度与鲁棒性方面具有明显的优势。      

��������С���任��GPS��̬�˲����㷨

针对应用卡尔曼滤波器进行车辆GPS导航信号的动态滤波时难以建立精确的数学模型以及传统小波变换在实时性方面存在不足,提出了基于提升小波变换的GPS动态滤波新算法.该算法采用提升小波变换对车辆GPS导航信号进行分解;用3σ准则和多项式插值方法对各层提升小波变换系数进行粗差探测与数据修复;采用模平方软阈值去噪算法对各层提升小波变换系数进行去噪;最后进行提升小波逆变换,从而实现车辆GPS导航信号的动态滤波。仿真实验结果表明,该算法的导航定位精度优于卡尔曼滤波算法;虽然在导航定位精度方面稍比传统小波变换算法的性能高,但比传统小波变换算法速度快一倍;显然该算法对车辆GPS导航系统是有效的.     

多采样率卡尔曼滤波器在汽车状态估计中的应用

为了改善复杂系统中单采样率控制策略的控制品质,在深入研究多采样率数字控制系统和卡尔曼滤波算法的基础上,提出了输入多采样率的卡尔曼滤波算法.将该算法应用于汽车主动前轮转向系统中,对横摆角速度、质心侧偏角和纵向车速进行估计,通过Carsim与Simulink的联合仿真以及蒙特卡罗试验,验证了算法的有效性.研究结果表明:多采样率卡尔曼滤波算法有利于融合多个输入量的信息,能改善状态估计器的性能,比单采样率卡尔曼滤波算法具有更高的稳定性,且估计误差减小4.0%～48.7%.     

基于半监督极限学习机的隧道内车辆RSSI定位方法

为了提高公路隧道突发事件的判别效率，实现道路交通状态全天候监测，以智能公路上泛在无线传感网络为基础，研究了基于信号强度指示值(RSSI)的网联车辆定位问题；考虑到隧道内车辆的连续运动特性，提出了一种带有局部线性嵌入(LLE)算法的半监督极限学习机(SSELM)实现RSSI指纹定位；离线阶段利用LLE对少量已标记位置的RSSI样本和大量无标记样本进行降维处理，辨识表征目标位置信息的高维数据对应的低维流形，再基于改进的半监督学习拟合降维后的RSSI与位置的映射关系；在线阶段将实时采集的RSSI数据进行流形降维后，输入校准好的SSELM中估计目标位置；采用无迹卡尔曼滤波平滑估计位置。试验结果表明:相比于已有半监督学习算法，提出的方法在不同车辆行驶速度和部署间距下均能取得较优的定位性能；当已标记数据占比(减少了50%~90%)、未标记数据数量(0~1 000个)和检测器部署间距(10~25 m)等关键指标变化后，本文方法的定位性能仍然保持最佳，其平均误差最低为3.09 m；计算复杂度上，当已标记数据为30%，即仅采集96个参考点样本时，其平均定位误差为3.8 m，训练时间低至8.7 s。可见，带有局部线性嵌入算法的半监督极限学习机在稀疏或密集传感器部署环境中，对不同行驶速度的车辆均能提供理想的定位性能，且训练时间短、样本依赖性低，是进行隧道内网联车辆辅助定位的一种有效方法。      

基于UKF算法的车辆质心侧偏角估计

将无味卡尔曼滤波(UKF)算法运用到车辆质心侧偏角的估计之中,基于纵滑—侧偏联合工况下的统一指数(Uni-tire)轮胎模型建立非线性车辆动力学模型,采用最小偏度单形采样的UKF算法估计车辆的几个关键状态参量,并由此得到质心侧偏角估计。最后采用奇瑞A3两厢型汽车的车辆参数,使用车辆动力学实时仿真软件DYNAware/veDYNA对观测器进行了实时验证。仿真结果表明,UKF非线性估计方法精度高,估计结果能够满足实际应用要求。     

基于卡尔曼滤波的GPS/DR导航信息融合方法

为了有效地实现GPS/DR(Global Positioning System/Dead Reckoning)组合导航系统的信息融合,提高GPS/DR组合导航系统的精度和可靠性,分析了传统的利用全球定位系统(GPS)与航位推算系统(DR)跟踪车辆位置方法的特点,结合GPS和航位推算DR两种定位方式的优点,在车辆定位技术中采用GPS/DR组合定位技术,构建了基于卡尔曼滤波技术的自适应联合卡尔曼滤波器,使用Matlab软件工具进行了计算机仿真验证,从软件集成的角度探讨了GPS/DR组合定位技术的串口通信等关键技术的软件实现问题,给出了GPS单独导航、DR单独导航和GPS/DR组合导航三种工作状态下的位置误差。从对比中可以看出,组合系统能在任何情况下实现车辆的实时、可靠、准确的定位,定位误差最小,同时还可以减小甚至消除推算定位系统随时间积累的误差。     

基于EKF的自动泊车系统位姿估计算法设计

利用车辆2个后轮轮速信号和方向盘转角信号,基于扩展卡尔曼滤波技术设计一种车辆位姿估计算法,并在veDYNA中仿真试验。仿真结果表明,算法的估计精度比较理想,可满足泊车系统对自身车辆定位的需求。以定位精度2 cm（1σ）的GPS信号为参考,实车试验结果表明,位置估计误差控制在3%以内,此精度的估计结果可以为泊车系统提供车辆定位信息,为增强泊车安全性奠定基础。     

低频GPS数据和交叉口延误下的行程时间估计

为解决低频GPS数据条件下路段行程时间估计误差较大的问题,分析了车辆在道路交叉口影响区域的延误特征,根据两个相邻GPS点跨越一个或多个交叉口,以及跨越的交叉口影响区域內有无GPS点,划分了4种GPS分布类型,并设计了相应类型的基于交叉口延误计算的路段行程时间插值算法.以北京市八角地区实际GPS数据为例验证了本文算法,结果表明:在平峰和高峰时段,用本文算法计算的路段行程时间的平均绝对相对误差不超过14%;与改进插值法相比,平均估计精度提高了7.9%,在交叉口延误时间较大的路段效果更显著.