复杂环境下无人车双重自适应定位算法

针对复杂环境中部分传感器失效情况下无人车定位精度下降甚至出现无法定位问题,提出局部自适应滤波和自适应信息共享因子分配的双重自适应算法,提升了无人车多源融合定位性能。所提算法利用新息自适应调节测量噪声对局部滤波器进行自适应状态估计,利用局部滤波器状态协方差和观测噪声自适应分配信息共享因子,能有效地抵御观测值粗差影响。仿真结果和实车测试数据均表明,该双重自适应定位算法能够根据局部滤波器新息和状态协方差在线自动更新信息共享因子,相比自适应联邦卡尔曼滤波算法和经典联邦卡尔曼滤波算法,位置精度分别提高了44%和63%,误差小于1 m,验证了所提算法在复杂环境下能有效提高整个导航系统的可靠性、鲁棒性。     

基于抗差自适应Kalman滤波的车辆定位新方法（英文）

针对车辆定位的特点,提出一种基于旋转调制技术及运动学约束的车辆定位新方法。首先,对量测方程进行改进,并对量测噪声进行白化;然后,针对系统存在动态模型误差及观测异常情况,采用抗差自适应Kalman滤波算法抑制上述误差对状态参数估计的影响;最后,将该方法应用到实际的车辆定位系统中。实验结果显示,与传统Kalman滤波法的结果相比,新方法得到的东向和北向最大位置误差均小于Kalman滤波算法,定位精度较Kalman滤波算法提高26.7%,表明该方法具有很好的鲁棒性和自适应能力,能有效抑制系统模型误差及观测异常对系统的影响,从而提高车辆定位精度。     

抗差自适应模型预测滤波及其在组合导航中的应用

为了提高捷联惯导(SINS)/天文导航(CNS)/合成孔径雷达(SAR)组合导航系统的定位精度,在吸收模型预测滤波和抗差自适应滤波算法优点的基础上,提出了一种新的抗差自适应模型预测滤波算法。该算法首先利用模型预测滤波估计出系统模型误差,并对其进行实时修正,以抑制系统模型误差对导航解算精度的影响;然后利用抗差自适应因子控制观测异常,抑制观测噪声对导航解算精度的影响。将提出的算法应用于SINS/CNS/SAR组合导航系统进行仿真验证,并与抗差自适应滤波进行比较,结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[0.2,0.2]、[0.3m/s,0.3m/s]和[6 m,6 m]以内,滤波性能明显优于抗差自适应滤波算法,说明该算法能有效抑制系统模型误差及观测异常对导航解的影响,提高组合导航的解算精度。     

基于权值矩阵的模糊自适应卡尔曼滤波在组合导航中的应用

针对自主驾驶车辆长时间导航精度要求难以满足的问题,建立了GPS与微惯性导航系统的组合导航滤波模型,在位置观测的同时引入姿态信息,提高了导航精度。在此基础上提出了基于权值矩阵的模糊自适应卡尔曼滤波算法,该算法通过模糊控制器自适应地改变每个观测量的权值,得到权值矩阵引入卡尔曼滤波器实现自适应滤波。仿真和实验结果表明,所提出的权值矩阵模糊卡尔曼滤波性能优于衰减因子自适应卡尔曼滤波,特别是在GPS信号失真及噪声先验统计特性不可知的情况下,其定位精度能够保证在1m之内。     

基于鲁棒无迹卡尔曼滤波的无线室内定位算法

为解决超宽带(UWB)系统定位易受室内环境的影响,测距误差特性呈现非高斯分布的问题,提出了一种鲁棒UKF定位算法,实现室内高精度定位。首先,介绍了UWB系统定位实现,以及对比分析了扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)定位算法之间的差异;然后,针对UKF算法存在的局限性,通过引入代价函数,自适应修正观测方差,建立鲁棒机制,降低算法对噪声特性分布的要求,提高了UWB系统环境适应能力。实测结果表明:该方法性能均优于最小二乘、EKF和UKF算法,平均定位精度可达0.33 m,相比较于最小二乘算法,定位精度提高了15%,是一种实时高精度的室内定位算法。     

惯性/地磁组合导航算法

针对惯性/地磁组合导航滤波算法进行了深入研究.分析了惯性/地磁组合导航系统的基本原理,基于巡航导弹巡航段飞行过程建立了组合导航系统的滤波模型.在观测信息分别为实测地磁场三分量信息和单一幅值信息条件下,采用广义卡尔曼滤波和Unscented卡尔曼滤波算法进行了仿真分析.仿真结果表明,在观测信息为三分量地磁信息条件下,Unscented卡尔曼滤波总体滤波效果略优于广义卡尔曼滤波,两种算法在最后30 s内的平均定位精度都可达到50 m;在观测信息仅为地磁场幅值的情况下,广义卡尔曼滤波算法的滤波收敛速度和精度均大幅下降,而Unscented卡尔曼滤波仍然取得不错的收敛效果,滤波性能明显优于广义卡尔曼滤波.     

基于重复广义互相关时延估计的超短基线水声定位算法

针对在超短基线水声定位中,传统时延估计算法抗噪声性能差的问题,提出了一种基于重复广义互相关时延估计的超短基线水声定位算法。通过对两个源信号的其中一个增加一次自相关后,再对这两个源信号进行合适的加权广义互相关,之后对反傅里叶变换后得到的广义互相序列进行峰值检测,最终得到时延。通过半物理实验,比较经典的互相关算法和重复广义互相关算法发现,在相同环境中,新提出的算法时延估计误差为0.0112 s,相对于经典算法的0.0209 s,能够提高46.4%。基于重复广义互相关的超短基线定位算法仿真实验,表明X轴定位精度提高97.1%,Y轴定位精度提高96.3%。     

GPS/DR组合导航抗差自适应滤波算法

针对GPS/DR车辆组合导航系统的数学模型具有非线性,应用扩展卡尔曼滤波进行线性化会导致滤波结果出现较大误差的问题,引入了抗差自适应滤波算法。利用计算机仿真,分别对抗差自适应Kalman滤波和自适应Kalman滤波算法进行仿真验证,结果表明,抗差自适应滤波不但能自适应地确定观测噪声的协方差矩阵,而且能利用自适应因子调节状态参数噪声的协方差矩阵,可以控制观测异常和动态模型噪声异常对状态参数估值的影响,使状态参数的估值更加合理。自适应Kalman滤波使位置误差控制在30m,而对抗差自适应Kalman滤波能使位置误差控制在18m左右,且误差控制更稳定。     

基于SALDE-UKF-SVM算法的WLAN室内定位方法

针对室内复杂环境,WLAN信号强度信息高维时变特性,提出一种引入监督能力的自适应局部线性判别嵌入算法(SALDE)和改进支持向量机(SVM)的室内无线定位算法。首先,该算法利用SALDE对所采集的WLAN信号进行特征提取,达到降低维度和增大类别间判别信息的双重作用。然后,在低维流形空间中,利用SVM对数据进行特征分类判别,缩小定位区域,同时建立位置坐标与信息强度的非线性映射模型;最终利用无迹卡尔曼滤波算法(UKF)对估算位置进行滤波处理,提高定位精度与稳定性。仿真结果表明,该算法在定位误差2 m范围内精度达到72.4%,在4 m范围内精度已经高达95.8%,相比于传统SVM算法2 m内精度提高18.2%,在4 m内的精度提高17.7%,定位精度得到明显提升,可以较好地满足室内定位的需求。     

一种基于径向速度残差曲线拟合的车载SINS零速修正算法

基于卡尔曼滤波的零速修正技术是陆地车辆导航的关键技术之一,针对传统车载激光陀螺捷联惯导中,零速修正停车间隔短,量测噪声参数敏感,以及动态零速修正(DZUPT)时滤波算法的鲁棒性较差等问题,提出了一种结合自适应卡尔曼滤波与径向速度残差曲线拟合的复合零速修正算法。在DZUPT算法的基础上,使用Sage-Husa自适应卡尔曼滤波,并结合高阶曲线拟合的方法对车载径向速度残差导致的定位误差进行补偿,将动态、静态零速信息有机结合,进一步提高系统的综合定位精度。经车载实验验证,在15分钟零速修正间隔条件下,定位精度达到10 m(CEP)。