基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

一种多滤波器组合导航数据融合方法

针对组合导航系统中使用单天线GPS接收机时导致姿态角不易收敛的问题,提出了一种互补滤波器和卡尔曼滤波器相结合的数据融合算法。该方法首先通过MEMS惯性传感器与磁强计设计了一种互补滤波算法。针对载体在变速运动过程中加速度计的倾角测量值有较大误差,影响互补滤波器输出精度的问题,通过GPS接收机和加速度计设计了卡尔曼滤波模型,将卡尔曼滤波器输出速度的微分量反馈给互补滤波器,实现了对互补滤波器中载体运动加速度的补偿。基于以上解算方法,以FPGA为核心处理器设计了组合导航系统并进行了车载实验。实验中,该方法有效补偿了汽车变速过程中的倾角测量误差,证明了该方法的有效性。     

基于自适应EKF的弱GNSS信号跟踪算法

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。     

一种新型GNSS/MEMS紧组合导航系统设计

针对探空火箭在高动态与非线性环境下高精度导航问题,基于DSP6747+FPGA双核构架,设计了一种低成本的新型GNSS/MEMS一体化紧组合导航系统。同时,在直接法滤波的基础上采用了改进的自适应渐消扩展卡尔曼粒子滤波(PF-AFEKF)算法,解决了粒子退化问题并充分利用了当前观测信息以及自适应权重因子抑制了滤波发散,实现了高动态、非线性状态下的GNSS/MEMS深度信息融合。最后,进行了地面跑车试验,试验结果证明了所设计的低成本GNSS/MEMS紧组合导航系统具有较高的导航精度,容错能力强。     

改进的自适应衰减卡尔曼滤波算法

SINS/GPS组合导航系统的融合算法主要是卡尔曼滤波,卡尔曼滤波实现最优估计的前提是系统的模型和随机噪声信息必须准确已知。实际情况下,大部分系统的模型和随机噪声信息不完全可知,这可能会导致滤波器估计精度下降。针对这一问题,根据求解遗传因子的方法不同对传统的自适应衰减卡尔曼滤波进行改进,提出一种改进的自适应衰减卡尔曼滤波。改进后的算法分别适用于系统噪声统计模型不准确可知和量测噪声统计模型不准确可知两种情况,分别对应于两种滤波算法,并且二者具有统一的滤波框架。仿真结果表明,改进的自适应衰减卡尔曼滤波比卡尔曼滤波精度较高,有效解决了因为噪声模型不准确导致的精度下降问题。     

水下被动测距的后置处理

本文根据我国海上实验数据，分析了水下被动定位后置处理的必要性和作用，并较系统地发展了以线性二维卡尔曼滤波为基础的处理方法。分析了平均法可获得的性能和存在的问题，详细地发展出用时延的二次差作状态变量的线性卡尔曼滤波器，讨论了噪声统计参数的选取，发现运动噪声参数对环境变化敏感，需要自适应调整。分析了极坐标和直角坐标下两级距离滤彼的性能。最后讨论了海上实验分析中发现的有待进一步研究的问题。     

自适应惯性／天文器件级组合导航算法研究

在惯性／天文组合导航系统中,天文设备输出信息中所包含的噪声易受外界环境影响而发生变化,使得惯性／天文器件级组合导航数据融合精度受到制约。针对这一问题提出了基于自适应滤波的惯性／天文器件级数据融合算法,该算法在对导航参数误差、惯性器件误差进行滤波估计的同时,对天文量测信息噪声方差阵进行实时推算,从而优化滤波器对天文量测信息的处理,提高导航精度。经仿真试验可知,使用自适应滤波算法进行数据融合,导航位置精度可提高30％,具有理论价值与工程意义。     

基于GPS/WiFi/MARGE组合定位算法

为了解决传感器MEMS进行姿态估计易受外界干扰的问题,首先设计了基于四元数的扩展卡尔曼滤波器,通过自适应地建立协方差矩阵和引入传感器偏差补偿的方法实现三自由度的姿态测量;其次,提出了基于粒子滤波和卡尔曼滤波的数据融合算法,实现了能有效解决接收信号强度时域浮动的WiFi/MARG 组合定位系统;最后设计了自适应加权算法,对WiFi/MARG和GPS/MARG两子系统进行融合,构建了能实现室内外的无缝定位的GPS/WiFi/MARGE定位系统,结果表明,该算法比WiFi/MARG和GPS/MARG系统的最大误差分别减少了51%和82%,平均定位误差减少53%和62%,有效地提高了定位精度。     

基于改进遗传算法优化的形态学修正TOP-HAT滤波器设计方法

针对红外序列图像中运动弱小点目标的检测问题,设计了一种基于改进遗传算法优化的修正Top-Hat形态学滤波器算子。其中,优化的修正Top-Hat形态学滤波器可以很好地抑制背景和噪声的影响;改进遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子,通过优化搜索全局空间得到的形态学滤波器参量具有较好的滤波性及时效性。并且针对不同信噪比的点目标检测建立了自适应门限。实测数据的处理结果表明:在虚警概率小于5%情况下,优化的修正Top-Hat形态学滤波器算子对信噪比约为2的复杂图像检测概率大于等于70%,与固定结构元素的Top-Hat形态学滤波器相比检测概率提高了近10%,与用经典遗传算法训练的传统Top-Hat形态学滤波器相比检测概率提高了4%。     

磁强计辅助MEMS惯性器件的新型数据融合算法

为实现载体姿态精确测量,设计了一种新型数据融合算法,用以替代传统的卡尔曼滤波器;首先,研究了陀螺仪、加速度、磁强计的姿态测量方法,通过试验分析测量误差分量,然后根据误差频域的差异性提出一种互补滤波器,并在二阶低通滤波器模型下推导出新型数据融合算法模型,最后,以FPGA为处理单元、MEMS惯性元件和磁罗盘为传感器单元开发一套小型姿态检测系统,进行可行性分析和精度估算;从载体的三维转动试验结果可以看出,新型融合算法测量值和卡尔曼滤波器输出值之差保持在±0.07°以内,并且不需要对传感器噪声特性精确标定;在运算时间方面,互补滤波器仅需360 μs,卡尔曼滤波器是它的3倍多,因此新型数据融合算法效率更高。     

AR模型辅助SINS／GPS组合导航的实验研究

激光陀螺的随机漂移噪声类似于白噪声,可以采用AR（2）模型进行数字滤波来减小其对激光陀螺精度的影响。首先介绍了AR模型,然后利用IMU单元三组陀螺信号的AR（2）模型给出了车载SINS／GPS组合导航系统误差模型,并在GPS的辅助下,对SINS／GPS组合导航进行了实验研究。最后利用Kalman滤波器对车载SINs／GPS组合导航实际测量数据进行了离线的半实物仿真。实验结果表明,采用AR（2）模型辅助的SINS／GPS组合导航系统能够得到较高的姿态精度,并能有效抑制速度误差的发散。     

Flexible polarization demultiplexing method based on an adaptive process noise covariance Kalman filter

A flexible polarization demultiplexing method based on an adaptive Kalman filter(AKF) is proposed in which the process noise covariance has been estimated adaptively. The proposed method may significantly improve the adaptive capability of an extended Kalman filter(EKF) by adaptively estimating the unknown process noise covariance. Compared to the conventional EKF, the proposed method can avoid the tedious and time consuming parameter-by-parameter tuning operations. The effectiveness of this method is confirmed experimentally in 128 Gb/s 16 QAM polarization-division-multiplexing(PDM) coherent optical transmission systems. The results illustrate that our proposed AKF has a better tracking accuracy and a faster convergence(about 4 times quicker)compared to a conventional algorithm with optimal process noise covariance.     

基于Kalman滤波算法的陀螺仪动态漂移补偿研究

应用MEMS陀螺仪测量人体手臂运动姿态时,针对陀螺仪受线加速度干扰导致测量姿态发散的问题,提出基于Kalman滤波算法的姿态误差补偿方法;该方法首先将陀螺仪采集到的角速度通过方向余弦算法解算得到姿态角,并将陀螺仪动态漂移造成的姿态角误差视为时变信号,通过建立姿态角漂移误差的状态方程及观测方程,应用卡尔曼滤波算法,实现对姿态角漂移误差的估计,最终达到对陀螺仪动态漂移误差的补偿;实验与仿真结果表明,应用该算法能够有效的抑制线加速度干扰导致的陀螺仪测量的姿态发散,适用于陀螺仪对人体手臂运动姿态的测量。     

A Kalman filter algorithm based on exact modeling for FOG GPS/SINS integration

The Kalman filter is widely applied in fiber optic gyro (FOG) inertial integrated navigation system. To solve the problem of hard acquirement of Kalman filter parameters, a novel algorithm for FOG GPS/SINS integration navigation based on exact modeling is proposed in this paper. The models of inertial sensors using Allan variance analysis are established in proposed algorithm and the precise Kalman filter model is obtained based on the correspondence between Allan variance coefficients and inertial sensors parameters. The simulation and experimental results show that Kalman filter parameters can be obtained for GPS/SINS integrated navigation system precisely and efficiently based on Allan variance modeling method, and the algorithm has reference value for theoretical perfection and engineering applications.     

MEMS陀螺随机误差特性研究及补偿

为了提高MEMS陀螺输出角速度的精度,采用Allan分析法以及Kalman滤波算法对MEMS陀螺仪进行随机误差分析和补偿。由Allan方差分析陀螺的输出数据,对Allan方差进行最小二乘法拟合,得到各项随机噪声的定量评价指标;对陀螺的输出数据使用AR模型进行数学建模,采用AIC准则确定了AR模型的阶次,建立了陀螺零漂数据的离散时间表达式;在AR模型所建立的陀螺随机误差模型的基础上,设计了Kalman滤波器,对陀螺输出数据使用Kalman算法进行了滤波处理,对陀螺的随机误差进行了补偿;通过Allan方差对Kalman算法对陀螺随机误差的补偿效果进行分析。实验结果表明:角速率随机游走Kalman滤波前为槡0.148 7°/h~(1/2),Kalman滤波补偿后为槡0.004 1°/h~(1/2),,通过补偿可减小97.24%的角速率随机游走误差;零偏不稳定性Kalman滤波前为1.940 8°/h,Kalman滤波补偿后为0.054 2°/h,通过补偿可减小97.21%的零偏不稳定性误差;速率随机游走Kalman滤波前为2.698 5°/h~(3/2),Kalman滤波补偿后为0.334 3°/h~(3/2),通过补偿可减小87.61%的速率随机游走误差。Kalman滤波适用于MEMS陀螺的滤波处理,可有效降低陀螺的随机误差。     

基于自适应Kalman滤波的机器人运动目标跟踪算法

针对足球机器人比赛时的模型变化及其环境噪声先验估计不准确的问题,提出一种基于自适应卡尔曼滤波的足球机器人视觉跟踪算法。该算法将一种基于减背景的运动目标识别的方法与自适应卡尔曼滤波跟踪模型进行结合,对背景进行实时更新,并通过形态学滤波去除残留的小区域,从而准确的识别运动目标,通过自适应的在线调整运动模型参数来保证模型预测值的准确性,进而提高了目标跟踪时的匹配效率,实现了目标的精准、迅速跟踪。通过实验证明,该算法是很有效的,具有推广价值。     

狙击步枪瞄准线偏差测量与电击发控制研究

为了测量智能瞄具狙击步枪系统瞄准线偏差,控制击发时机并提高射击精度,提出了滤波加权融合方法与线性预测击发判据。运用卡尔曼预测滤波对脱靶量滞后进行补偿,得出瞄准线偏差; 将陀螺数据滤波后积分得出另一瞄准线偏差; 根据加权融合算法,得到加权融合后瞄准线偏差。建立了基于陀螺信号、融合信号和电动击发装置特性的线性预测击发判据; 搭建了dSPACE实验测试系统,进行了瞄准线偏差测量实验和模拟对比射击实验,结果表明:滤波加权融合后的信号基本可表示瞄准线实际偏差;在滤波加权融合方法与线性预测击发判据条件下模拟射击时,弹着点分布在0.05 mrad圆内的概率为85.7%,高于简单控制击发模式下53.33%的概率。     

基于预估测量值的EKF在手臂测姿中的应用

针对载体线性加速度以及周围局部磁干扰对姿态测量精度的影响,基于已有的惯性测量单元,设计了一个基于四元数的实时估计手臂姿态的扩展卡尔曼滤波器(EKF)。提出利用四元数引入加速计和磁强计的预估测量值构造自适应测量噪声协方差阵的方法,结合QUEST算法,来判定姿态角解算对陀螺仪、加速计和磁强计输出信息的依赖程度,以此来提高测量精度。文末通过实验仿真对该方法进行了验证,并对实验结果和电磁跟踪系统采集到的数据进行了比较,结果表明,本文提出的方法能显著提高手臂姿态测量精度,可有效满足应用要求。     

实时运动结构重建在自主导航系统中的应用

实时运动结构重建是自主车辆、机器人导航、空间探测器自主降落、智能监控等领域中的重要研究课题。目前实时运动结构重建主要存在着特征匹配困难、鲁棒性差、系统无法自动获取初始参数和需要大量人工干预等诸多问题。利用高速CMOS摄像机与惯性传感数据融合提高了运动结构重建算法的精度及其鲁棒性。该算法在扩展卡尔曼滤波框架下是通过融合惯性与视觉传感器的数据来进行运动估计的。对场景中的每一个待估计结构的特征点建立对应的卡尔曼滤波器,以估计其空间三维结构信息。运动估计模块与结构估计模块交替运行,减小了系统运算的复杂度,提高了实时性能。通过对真实场景图像序列的实验验证结果表明,惯性传感器的额外信息能够有效地提高运动结构估计的精度,能够增强算法的鲁棒性。     

基于MEMS陀螺仪的随机误差分析

为了提高MEMS陀螺仪测量精度,减少随机误差的影响,对产生随机误差的噪声源及其随机误差模型进行了分析。通过分析MEMS陀螺仪自身结构的缺陷并且对其输出数据进行了相应的滤波处理与平稳性检验,确立了合适的误差模型并利用Kalman滤波进行误差补偿,验证了模型的有效性。同时运用Allan方差法对MEMS陀螺仪噪声项进行了分析,确定了影响MEMS陀螺仪测量性能的主要因素以及比较了滤波前后的各项噪声源系数,检验了滤波效果且实验结果证明误差模型显著提高了MEMS陀螺仪的测量精度。