基于改进的联邦UKF无人艇组合导航系统设计

针对无人艇在高海况下长航时,大幅度作业滤波精度较低的问题,提出一种基于联邦结构的无迹卡尔曼滤波（Unscented Kalman Filtering,UKF）算法,将其应用于自主研制的无人艇组合导航系统中。建立系统误差方程和量测方程;引入渐消因子、基于量测值与预测量测值差值的可变因子和自适应最优信息分配因子对联邦UKF算法进行改进,保持信息的强跟踪特性和组合导航系统的信息融合精度,得到全局最优估计值。 开展湖试试验,验证该组合导航系统的有效性,结果表明该系统实时性、稳定性好,抗干扰能力强,能有效提高导航精度。该方法不仅能为无人艇作业提供安全保障,而且可供其他组合导航系统设计参考。     

基于SUKF滤波的INS/DVL组合导航研究

惯性导航系统(INS)长时间自主工作存在误差积累,采用INS与多普勒速度计程仪(DVL)组合的方案导航.针对组合导航系统状态维数较高,采用算法实现和估计精度优于传统扩展卡尔曼滤波的尺度变换模式的UKF(SUKF)方法.仿真结果表明,采用SUKF滤波方法实现INS/DVL组合导航是可行的.     

一种改进的Kalman滤波在野值点去除中的应用

在工程实践中,Kalman滤波采用了递归滤波的方法和线性无偏最小方差准则,因而在理论上是一种最优估计,并因为这一良好的数学性质得到了广泛的应用。但是在实际测量中,在野值的影响下,Kalman滤波新息的特性遭到破坏,滤波不再准确甚至发散。针对此一现象,提出了基于＂新息＂序列和对新息序列进行Kalman预测的方法对测量数据进行处理的新算法。该算法利用＂新息＂序列进行野值点判别,利用Kalman预测的方法对野值点处的＂新息＂进行预测修复。仿真证明,该算法可使状态估计、野值点判别和野值点修复同时进行,并能很好地抑制滤波的发散。     

模糊自适应卡尔曼滤波在惯性/地磁导航中的应用

为了提高自主、无源组合导航系统的精度和可靠性,针对惯性/地磁组合导航系统中滤波发散、量测噪声统计特征随实际情况不同而变化的问题,本文在无迹卡尔曼滤波的基础上,通过监测滤波新息的方差和均值变化,采用模糊自适应滤波算法,"在线"调整模型中的噪声方差阵,来改变滤波器的估计均方误差和滤波增益.通过自适应调整Sigma采样中权值的比例因子α,来解决UT变换的非局部效应,达到提高组合导航的精度的作用.仿真结果表明,模糊自适应卡尔曼滤波器可以有效的提高惯性/地磁组合导航系统,克服了传统滤波算法的缺点和不足,提高了滤波精度.     

平方根求容积卡尔曼滤波的组合导航算法

以全球定位系统与航位推算(GPS/DR)相结合的组合导航系统为研究对象.为解决在GPS/DR组合导航研究中传统扩展卡尔曼滤波(EKF)算法的滤波精度和稳定性差问题,引入了平方根求容积卡尔曼滤波算法.作为一类sigma点滤波方法,SCKF有效避免了EKF计算雅可比矩阵,提高了估计精度.仿真结果表明,对于船用GPS/DR组合导航问题,该算法能获得更好的性能指标,更符合实际船用组合导航要求.     

模糊自适应Kalman滤波在INS／GPS组合导航系统中的应用

针对INS／GPS组合导航系统中因量测噪声的复杂多变造成的发散问题,引人了一种基于新息方差匹配技术的自适应模糊控制Kalman滤波算法,通过模糊控制器在线调整量测噪声方差,抑制滤波器发散,从而提高导航系统的精度。仿真结果表明该算法具有比常规Kalman滤波更高的精度。     

基于H_∞滤波技术的重力辅助导航仿真研究

因无法对系统模型和噪声模型精确建模导致Kalman滤波器精度较低或发散问题,本文将H∞滤波理论引入重力仪/INS组合导航系统。文中首先给出了最优H∞范数的计算方法,解决了过去根据经验或多次试验确定该值的问题。组合导航系统包含位置、速度和姿态9维状态误差,利用重力仪实测重力异常与INS指示位置地图重力异常值之差作为观测信息对系统进行H∞滤波。仿真实验表明,该方法可极大地改善组合导航系统的鲁棒性和可靠性,明显提高系统的导航精度,减小滤波系统的阶次,加快对系统状态的滤波估计,对工程实际应用具有重要意义。     

基于自适应滤波器的AUV组合导航系统研究

为满足自主式水下航行器(AUV)应对水下复杂环境和水下高精度导航的需求,提出了捷联式惯性导航系统(SINS)、多普勒计程仪(DVL)、磁罗经导航系统(MCP)和地形辅助导航系统(TAN)的水下组合导航系统方案,设计了一种基于BP神经网络的自适应滤波算法,建立了卡尔曼滤波器的线性滤波方程和导航传感器的量测方程,根据数学模型进行仿真实验。仿真结果表明,导航传感器和基于神经网络的自适应滤波技术的应用大大提高了AUV的导航精度和自适应能力。     

纯距离条件下的UKF目标参数估计方法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标。无迹变换卡尔曼滤波器(Unscented Kalman Filter,UKF)通过产生采样sigma点对系统状态进行逼近,可以较好地解决这一问题。将UKF应用到多站测角被动目标跟踪问题中,并通过仿真试验证实了算法的有效性。     

基于UKF联邦滤波的动力定位船舶运动状态估计

针对动力定位船舶,采用基于无迹卡尔曼滤波(UKF)的联邦滤波技术,利用多种位置参考系统和电罗经的测量值来实现对船舶运动状态的估计。从传感器测量原理出发,采用非线性的测量方程,实现对多种位置参考系统传感器特征的描述,利用UKF滤波方法和联邦滤波结构将动力定位船舶配备的多个冗余位置参考系统的测量数据进行有效融合,从而提高对船舶运动状态估计的精度和可靠性。仿真结果表明,采用基于UKF的联邦滤波方法可以有效实现对动力定位船舶相关运动状态的估计。     

伪距GPS/INS组合导航系统的多模型自适应卡尔曼滤波器设计

对多模型自适应估计滤波进行了仿真研究.仿真结果表明,多模型自适应估计滤波可以克服单一模型卡尔曼滤波器在对真实系统状态参数发生变化时的滤波误差过大甚至发散的问题,对于环境的变化具有较强的适应性,整体上可提高组合导航系统的导航精度.     

一种时间-传感器系统误差估计算法

由于时间的不一致和传感器系统误差直接影响目标探测信息的精度,假设卫星导航的精度足够高,不考虑导航误差的影响,在时间-传感器系统误差传递模型的基础上,利用对空中平台的实时观测和平台的导航信息,获取观测数据的新息相关函数序列,对未知的系统模型参数和噪声统计参数进行在线辨识,构建自适应滤波,实现对多平台时间-传感器系统误差的实时估计和配准。通过对比仿真实验表明,该算法收敛速度快,估计精度较高。     

SINS/GPS松组合与紧组合两种组合方式的对比研究

SINS/GPS组合导航是现代导航的发展趋势,针对采用GPS输出量的不同,对两种组合方式进行详细的研究.论文建立了松组合与紧组合的数学模型,采用遗忘因子估计的卡尔曼滤波算法提高系统的可观测度和鲁棒性,对于紧组合方式通过增加运动约束的方法提高其可观测度,经过滤波调谐,在仿真模式下进行实验.并得到松组合下系统水平姿态精度优于0.09°,方位姿态精度优于0.23°,水平位置误差小于4m,紧组合下系统水平姿态精度优于0.03°,方位姿态精度优于0.09x(n),水平位置误差小于2m的实验结果.通过SINS/GPS组合导航仿真实验结果验证,表明了SINS/GPS紧组合方式的精度确实要高于松组合方式.     

基于模型库的船舰组合导航信息融合算法

在船舰组合导航系统中,由于各导航传感器自身物理特性、工作原理的差异,无法同步获得船舰目标的观测信息,因此船舰组合导航问题实质上是一类典型的异步融合估计问题.然而,现有的异步融合估计算法无法兼顾滤波精度的最优性以及滤波过程的实时性.为此,针对舰船稳态运行过程中的线性平稳过程,提出利用模型库设计一种船舰组合导航信息融合的新算法.仿真实验验证了所提方法的有效性,能同时满足实时性和最优性的要求,并且简捷,易于实现.     

区间平滑在船用INS/GPS姿态组合导航系统事后评估中的应用

组合导航系统事后区间平滑算法处理数据精度较在线滤波算法高,通常以经过事后处理的惯导状态信息作参考,对中低精度的舰船导航设备工作性能进行评估。在以速度、位置作为观测量的INS/GPS量测方程的基础上,增加姿态外部修正信息,采用固定区间平滑算法进行处理得出高精度的评估数据,进而分析舰船导航设备的数据输出精度。仿真分析结果表明,增加姿态信息并结合固定区间最优平滑算法的处理方法,可以使系统的姿态测量精度获得大幅度提高,并能克服最优滤波对平台误差角初期估计精度低的缺点,可以作为一种评估舰船导航设备工作性能的事后分析方法。     

基于抗差Kalman的天导/惯导组合导航技术

以天导位置作为量测信息对惯导设备进行综合校正时,天导位置误差因测星修正作用存在“误差回降”现象,降低惯导设备误差估计效果。针对上述问题,提出基于抗差Kalman的天导/惯导组合导航技术,降低“误差回降”对滤波精度和稳定性影响。试验表明,采用抗差Kalman可稳定估计惯导误差,证实所提方案具有较强的应用价值。     

MSINS/GPS深组合导航系统中量测噪声估计

在MSINS/GPS深组合导航系统中,伪距、伪距率噪声对应的量测噪声阵R随环境、卫星位置的改变而改变,它对卡尔曼滤波器的性能影响很大.定点观测能得到量测噪声阵R的准确估计.仿真研究表明,对于MSINS/GPS深组合导航系统,当采用定点观测法估计量测噪声阵R时,卡尔曼滤波器能较好地估计导航参数误差.若适当减小量测噪声阵R,卡尔曼滤波器将提高估计导航参数误差的精度,加快收敛速度.     

纯距离条件下的UKF目标参数估计方法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标.无迹变换卡尔曼滤波器（Unscented Kalman Filter,UKF）通过产生采样sigma点对系统状态进行逼近,可以较好地解决这一问题.将UKF应用到多站测角被动目标跟踪问题中,并通过仿真试验证实了算法的有效性.     

基于CKF的半潜平台压载舱液位估算法

针对液位计在半潜式起重拆解平台压载舱液位的测量过程中由于液位波动、外界干扰测量结果出现偏差、收敛速度慢及不稳定等问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的液位估算法。首先,对液位计的测量过程进行建模,建立运动方程;其次,基于容积卡尔曼滤波对测量结果进行滤波估计,建立量测方程,得到液位的滤波估计。仿真实验结果表明:经过基于容积卡尔曼滤波估计的液位值,具有更高的稳定性、可靠性和精度。     

基于采样的非线性滤波算法比较

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度。由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度。为了获得更高的估计精度,介绍了几种非线性滤波算法,包括unscented卡尔曼滤波算法、简单粒子滤波算法以及无味粒子滤波算法（UPF）。分析了这几种算法的原理和实现,对各种算法的适应性进行了比较。通过目标跟踪仿真实验,表明UKF、PF较EKF估计精度和收敛速度有所提高。