自适应UKF滤波在SINS初始对准中的应用

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了平淡卡尔曼滤波器(UKF)和自适应平淡卡尔曼滤波器(AUKF)用于精对准。在系统噪声统计特性未知时,AUKF算法能自动平衡状态信息与观测信息在滤波结果中的权比,以实时调整状态向量和观测向量的协方差,从而提高系统的性能。实验结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的对准精度和快速性,在东、北、天三个方向上,其失准角精度分别提高了0.2′、0.2′和4′;收敛时间分别缩短了10 s、30 s和25 s。     

GNSS辅助捷联惯导行进间对准自适应滤波方法

针对车载武器系统快速发射需求,提出一种基于GNSS辅助的捷联惯导行进间对准自适应滤波方法。该方法把行进间传递对准分为粗对准与精对准两个阶段。粗对准阶段以GNSS为观测基准完成对捷联惯导姿态的粗捕获,降低初始偏差不确定性对于精对准阶段的影响。在精对准阶段,考虑到车载系统的运动特性,提出一种"水平+方位"行进间对准双滤波器并行的设计思路,利用车载系统在不同时间段的动力学特性,对三轴姿态估计进行分时解耦,实现初始姿态的高精度估计;与此同时,引入协方差成形自适应调节过程,以最小化Frobenius范数为优化指标,实现对行进间对准卡尔曼滤波器的自适应调节,增强系统鲁棒性。数值仿真表明,协方差成形自适应卡尔曼滤波方法能够有效保证系统在全运动剖面内的稳定,结合双滤波器并行方案能够有效解决行进间对准精度不高与稳定性欠佳等问题,水平对准精度优于1.5′(1σ),方位对准精度优于6′(1σ)。     

快速传递对准用联合强跟踪Kalman滤波器设计与仿真

针对用于快速传递对准的卡尔曼滤波器阶数高,计算量大,滤波更新率低,鲁棒性差及对准精度不高等问题,提出采用联合强跟踪Kalman滤波器进行快速传递对准。文中设计了联合强跟踪Kalman滤波器的结构和算法,同时利用改进的Elman网络进行信息分配系数的自适应调节,以实现融合信息在各子系统中的自适应分配。仿真结果表明,该滤波器不仅提高了解算速度,而且提高了系统鲁棒性和对准精度。     

自适应Kalman滤波在SINS初始对准中的应用

为了提高捷联惯导系统的对准精度和收敛速度,提出了一种基于Sage-Husa自适应滤波算法的初始对准方法。针对方位小失准角的情况,推导出精对准误差模型和自适应Kalman滤波方程。常规Kalman滤波算法,在噪声统计特性已知的情况下,使用比较方便;多数情况下,噪声统计特性是处于未知状态,从而引入自适应Kalman滤波算法。它利用观测到的数据自动进行噪声统计特性的在线估计和修正,使系统达到最佳的滤波效果。通过仿真验证,该自适应滤波算法有效地提高了收敛速度和对准精度。     

捷联惯导系统初始对准的H∞滤波及卡尔曼滤波比较研究

研究了基于卡尔曼滤波和基于H∞滤波的两种初始对准方法。通过建模仿真及比较分析，得出了在外界噪声影响较大或有建模误差时，使用卡尔曼滤波将出现滤波延缓甚至发散现象，而使用H∞滤波，能有效克服传统Kalman滤波器性能恶化的问题，既可获得较高的对准精度，又提高了系统的实时性，从而从总体上提高初始对准效果。     

基于UKF的旋转式SINS大方位失准角初始对准方法

旋转调制自补偿技术可以调制惯性元件的常值误差,从而提高惯性导航系统的导航精度。出于实际工程应用需求,研究了旋转式SINS大方位失准角初始对准方法。以单轴旋转式SINS为例,给出了单轴旋转式SINS大方位失准角非线性误差模型;根据系统误差模型的非线性特性,利用简化Unscented卡尔曼滤波(Unscented Kalman Filter UKF)算法,设计了系统的大方位失准角初始对准算法。数字仿真实验结果表明:在相同条件下,提出的UKF算法在收敛速度与对准精度方面均优于EKF算法;系统试验验证结果表明,采用本文提出的初始对准方法,系统的水平对准精度优于0.1′,方位对准精度优于1.5′,证明本文提出的初始对准方法在工程应用中是有效、可行的。     

基于自适应联邦滤波的传递对准算法

为了提高传递对准的对准速度和对准精度,研究了基于自适应联邦滤波的"速度 姿态角"传递对准的算法,在状态变量中加入了安装误差角和挠曲变形角,在算法中进行了估计并补偿。为了保证滤波的实时性,采用联邦滤波的方法,分别建立了速度匹配子滤波器、姿态角匹配子滤波器和主滤波器的模型,给出了状态方程和量测方程。在子滤波器中利用模糊控制器对噪声特性进行了自适应调整以解决系统噪声和量测噪声是未知情况下滤波发散或者精度不高的缺点从而增强系统的鲁棒性。最后在载体匀速直线加三轴摇摆的运动模型下进行了仿真,结果表明该方法能够有效地估计安装误差角和部分挠曲变形角,并且能够以一定精度完成初始对准。     

动基座传递对准非线性滤波器的设计及应用

在非线性、非高斯条件下进行动基座传递对准,如果采用卡尔曼滤波会出现误差较大甚至发散的问题。本文引入强跟踪自适应滤波器,建立对估计误差的一步预测方差PK/K-1的加权算法,来达到抑制噪声的目的;同时,针对初始对准对准精度与快速性的要求,建立了动基座传递对准精确的非线性滤波模型。通过计算机仿真,模拟了飞机机动模式,验证所提滤波器的可行性。最后,通过与扩展卡尔曼滤波的比较,说明非线性强跟踪自适应滤波器在对准精度与速度上都有更好的表现。     

舰船平台上一种改进的传递对准方案设计与仿真

为了提高舰船惯性导航系统在动基座下的传递对准的精度和快速性,针对舰船平台的应用特点,采用卡尔曼滤波器对主、子惯导的"速度加角速率"参数的误差量进行滤波估计并进行了算法设计。运用卡尔曼滤波器的平滑算法改善传递对准的精度。针对卡尔曼滤波器平滑算法会降低对准速度的缺点,在只损失一小部分精度的前提下,创新性的采用卡尔曼滤波器的降阶算法提高了对准速度。通过Matlab软件对卡尔曼滤波器算法、卡尔曼滤波器平滑算法和卡尔曼滤波器平滑加降阶算法的速度误差和姿态误差分别进行了仿真。仿真结果表明,"速度加角速率"匹配传递对准改进算法具有稳健的对准精度和快速性,有一定工程应用参考价值。     

一种改进的基于小波神经网络的SINS快速初始对准方法

捷联惯性导航系统静基座初始对准的可观测度低,采用卡尔曼滤波等最优滤波方法进行SINS初始对准时,方位失准角收敛慢且存在滤波器实时性较差的问题。对此提出了一种改进的基于小波神经网络的SINS静基座快速初始对准方法。该方法采用一个小波神经网络替代卡尔曼滤波器,利用该小波神经网络估计出两个水平失准角等SINS误差,然后利用两水平失准角快速收敛的估计结果,通过另一个小波神经网络对方位失准角直接进行快速估计。初始对准试验结果表明,该方法在保证对准精度的情况下大幅度地提高了SINS静基座初始对准的速度,同时也大大提高了系统状态估值运算的实时性。     

一种新的惯性导航初始对准滤波方法

Unscented卡尔曼滤波(UKF)在算法实现和估计精度方面均优于传统的扩展卡尔曼滤波(EKF)。但是当系统状态的维数比较高时，非局部的采样导致估计误差变大，此时需要采用尺度变换模式的UKF(SUKF)方法。中在惯导系统静基座初始对准的非线出虑波问题中引入SUKF，并通过仿真对比了新方法和EKF的估计效果。实验表明，新方法的收敛速度和估计精度均好于EKF。     

基于参数识别视速度的双矢量粗对准方法（英文）

针对传统基于视速度双矢量粗对准中,由于传感器随机噪声的影响,存在对准精度差,收敛速度慢的缺点,提出了一种新型自适应Kalman滤波的参数识别粗对准方法。该方法通过对视速度运动进行建模,设计采用自适应Kalman滤波对模型参数进行参数识别,从而有效地消除视运动中的随机噪声,提高粗对准的精度和收敛速度。由于自适应滤波的特点,新方法不需要对传感器误差进行统计,使其在实际系统中具有更加广泛的应用价值。针对双矢量粗对准的计算特点,设计了一种矢量重构算法,从而尽可能地规避双矢量共线性问题,加快了粗对准的收敛过程。仿真与转台实验表明,与传统方法对比,新方法在相同的对准时间内具有更高的对准精度,在相同的对准精度下,具有更高的收敛速度。转台实验的最终对准精度为-0.1391°,标准差为0.012°。     

UKF滤波技术在AUV组合导航中的应用研究

高精度的导航定位是AUV研究中所面临的主要挑战之一。采用GPS辅助的INS／DVL组合导航是目前AUV的主流导航模式。当前实现GPS／INS／DVL组合导航的技术主要有航迹推算(DR)和卡尔曼滤波。中将UKF(Unscented Kalman Filter)滤波技术应用于AUV组合导航，并把UKF与传统的DR和EKF(Extended Kalman filter)方法进行了仿真比较研究。仿真结果表明，UKF在计算量上与EKF相当，但是UKF的位置、航向估计精度都要优于DR和EKF。     

一种车载组合导航系统的联邦滤波新算法

针对车载GPS/DR组合导航系统的特点,提出了一种新的联邦滤波算法.子滤波器由两个滤波器构成:一个是卡尔曼滤波器,另一个是Unscented卡尔曼滤波器(UKF),它们分别处理GPS子系统和DR子系统的信息.UKF是一种较新的非线性滤波方法,相对传统的非线性滤波器EKF具有更高的滤波精度和更高的计算效率.联邦滤波器的信息分配因子采用一种基于观测误差的最小均方误差形式,最佳地融合了传感器的输出信息.这种结构降低了联邦滤波器的计算难度和计算量,提高了组合导航系统的可靠性和容错性.仿真结果表明,提出算法的定位精度很高,与UKF算法的效果相当.     

自适应卡尔曼滤波在惯导初始对准中的应用研究

本文研究了自适应卡尔曼滤波技术在惯导系统中的应用。在噪声统计特性未知或近似已 知的情况下,采用常规卡尔曼滤波会导致较大的状态估计误差,甚至使滤波发散;而自适应卡 尔曼滤波在估计状态的同时,利用观测数据带来的信息,可在线估计噪声的统计特性,从而不 断地改进滤波器的设计,由此得到的滤波估计比常规卡尔曼估计精度更高。本文采用Ｓａｇｅ 和 Ｈｕｓａ 自适应滤波算法,结合惯导初始对准,给出了计算机仿真。仿真结果进一步证实在噪声统 计特性不确切知道的情况下,自适应卡尔曼滤波的估计精度高于常规卡尔曼滤波的估计精度。     

一种单轴旋转捷联惯导系统抗晃动快速自对准方法

为满足对惯导系统的快速反应和高精度要求,针对单轴旋转捷联惯导系统,提出了一种抗晃动快速自对准方法。在捷联惯导单轴往复旋转的基础上,首先采用一种抗晃动基座粗对准方法完成初始航姿的计算,然后在粗对准的基础上,采用一种惯性系下速度为观测量的闭环Kalman滤波方法完成精对准。实际车载试验验证表明,在总对准时间不大于300 s的情况下,该方法下系统航向对准精度优于1′/cos(RMS),水平对准精度优于0.2′(RMS)。该方法算法简单,计算量小,应用于单轴旋转捷联惯导系统时对准速度快,精度高,具有很好的工程应用价值。     

惯性导航系统的误差估计

惯性导航系统（INS）以其自主的工作能力广泛应用于军事武备的导航、制导与控制系统和国民经济的诸多领域。它的主要缺点是定位误差随其工作时间的增长而增大。对惯导系统的误差进行估计和补偿是在保证性能价格比的前提下，提高惯性导航系统精度的有效途径。目前，对惯导系统的误差修正均采用外信息（如GPS的输出信息）校正，即在INS工作的全部时间内，定期地利用GPS输出的速度和位置信息与INS输出的相应信息的差值作为观测量，对INS误差进行估计和补偿。Kalman滤波的方法广泛地应用于惯导系统的误差修正初始对准。本研究了当地水平惯导系统的误差估计和补偿问题。分析结果表明，采用Kalman滤波的方法，可以精确地估计惯导系统的误差（包括陀螺漂移和加速度计零偏），误差估计的精度高，并且估计的方差阵收敛快。     

基于极大似然准则的INS/GNSS组合导航自适应UKF滤波算法

为提高INS/GNSS组合系统对过程噪声方差不确定性的鲁棒性,提出一种基于极大似然准则的自适应UKF算法。在该算法中,首先利用新息向量的统计信息构造量测向量的后验概率密度,然后通过极大似然准则在线求取过程噪声方差的估值,并将其反馈至UKF滤波过程,用于调整卡尔曼增益矩阵。提出的算法可以抑制过程噪声方差不确定性对滤波解的影响,克服了UKF的缺陷。仿真结果表明,当过程噪声的标准差增大为其真实值的4倍时,相比于UKF,提出方法的导航精度可至少提高45.5%;相比于ARUKF,其导航精度也可至少提高35.7%。跑车实验结果也验证了提出算法的有效性。