基于交互式多模型秩滤波的移动机器人组合导航算法

针对非结构化环境下移动机器人组合导航系统中存在的时变或非高斯噪声,将秩滤波器(rank Kalman filter,RKF)与交互式多模型算法(interactive multiple model filter,IMM)相结合,提出一种交互式多模型秩滤波算法(IMM-RKF)。秩滤波根据秩统计量相关原理确定采样点和权值,可适用于具有非高斯噪声的非线性系统;交互式多模型算法是解决结构和参数易发生变化系统中状态估计问题的重要途径,能够抑制组合导航系统中时变噪声引起的导航参数估计误差。仿真实验表明,相比于交互式多模型扩展卡尔曼滤波(IMM-EKF)和交互式多模型无迹卡尔曼滤波(IMM-UKF),提出的IMM-RKF算法能够提高组合导航系统姿态、速度和位置估计精度。     

H∞滤波在微惯性组合导航系统中的应用

基于微机电(MEMS)惯性仪表构成的微惯性测量装置(MIMU),其系统噪声特性不确定,影响了卡尔曼滤波器收敛过程,从而对MIMU/GPS组合系统性能产生不利影响.将鲁棒H∞滤波技术应用于该组合系统,确定了一种H∞滤波求解方法,给出了滤波器的推导步骤.该算法虽不具备最优滤波特性,但却具有更好的稳定性和鲁棒性.通过仿真实验,确定了H∞滤波器中的性能因子γ具体数值,使滤波器在可接受的估计精度下具有最佳鲁棒效果,它能在复杂的噪声环境下很好地估计出MIMU的主要误差,验证了H∞滤波对于噪声的不敏感程度和鲁棒性,提高了MIMU/GPS这类组合导航系统整体性能.     

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。     

基于KLD重采样的抗差自适应UFastSLAM算法

针对声呐SLAM系统中噪声统计特性不准确或状态突变而导致无迹快速SLAM(UFastSLAM)算法性能下降及因采用固定粒子数而使得算法实时性不高的问题，提出一种基于改进粒子建议分布估计和自适应KLD重采样的UFastSLAM(RAUFastSLAM)算法。在载体位姿估计阶段，融入抗差自适应因子，利用抗差自适应无迹粒子滤波算法（RAUPF）对载体位姿进行估计；在特征状态估计阶段，利用抗差自适应无迹滤波算法（RAUKF）对环境特征的位置进行更新；在粒子重采样阶段，采用基于KL散度的自适应粒子重采样方法在线实时调整所需的粒子数，在保证精度的同时提高算法的实时性。实验结果表明，在量测噪声统计特性不准确且量测信息中有异常干扰时，与UFast SLAM算法相比，所提方法的载体位置估计、航向角估计和特征位置估计的精度分别提高了18.79%、16.67%和18.81%，对异常干扰具有更好的鲁棒性。     

带不确定混合噪声系统的变分贝叶斯期望最大滤波算法

卡尔曼滤波器假设量测噪声为已知统计特性的高斯白噪声,然而系统可能受到不确定随机噪声以及未知有界噪声共同影响,若采用单一滤波策略,则估计结果易出现较大偏差。将两种不确定噪声运用未知参数的高斯混合模型进行表示,提出变分贝叶斯期望最大滤波算法。所提方法采用变分贝叶斯最大化方法对量测噪声模型中的超参数进行更新,在得到模型超参数后,利用变分贝叶斯期望算法计算噪声模型的隐变量。对上述过程反复迭代,最终获得系统的状态和协方差。仿真结果表明,相比于传统的卡尔曼滤波算法和联合滤波算法,变分贝叶斯期望最大滤波算法在出现混合不确定噪声时,经纬度定位精度均提高60%以上,提高了导航系统的精确性。     

基于交互式多模型MSCKF的双目视觉/惯性里程计算法

针对复杂环境中双目视觉/惯性里程计系统模型不固定和量测噪声易发生变化的问题,提出了基于滤波器估计的紧耦合视觉惯性里程计(VIO)信息融合方法。将交互式多模型(IMM)估计与多状态约束卡尔曼滤波(MSCKF)算法相结合提出一种交互式多模型多状态约束卡尔曼滤波(IMM-MSCKF)算法。该算法以MSCKF为模型匹配子滤波器,将各子滤波器的输入、输出进行交互融合,实现对VIO系统状态估计。通过KITTI数据集对IMM-MSCKF算法进行了仿真验证,该算法姿态和水平位置估计均方根误差分别为0.36°和11.62 m,相比于EKF和MSCKF算法,其姿态估计精度分别提升了56%和41%,其水平位置估计精度分别提升了51%和81%,仿真结果表明该算法具有更好的估计精度和鲁棒性。     

基于粒子群优化的UKF在SINS/GPS组合导航中的应用

针对组合导航中使用传统Kalman滤波方法时噪声协方差矩阵参数需要耗时耗力反复试验得到的问题,提出利用粒子群优化算法对卡尔曼滤波器的滤波参数Q和R进行寻优后用于组合导航的方法。将滤波参数Q和R作为粒子进行寻优,将粒子群算法优化得到的滤波参数值作为卡尔曼滤波器输入参数,用于SINS/GPS组合导航系统。仿真实验结果表明,12次实验中粒子群算法搜索出的参数均值分别为0.0208(°)/h、94.7827?g,接近所设置的噪声参数值与标准参数值0.02(°)/h、100?g。半物理实验结果表明,在实际系统中,与经验参数值用于卡尔曼滤波器相比,粒子群算法优化得到的滤波参数值位置估计精度提高了15%~30%,从而提高了组合导航性能。     

具有乘性噪声和随机量测时滞的目标跟踪算法

针对在机动目标跟踪过程中产生的乘性量测噪声与随机量测时滞问题,提出了一种改进的高斯滤波(GF)算法,并给出了该算法的一种具体实现形式——随机时滞和乘性噪声容积卡尔曼滤波器(CKF-RDMN)。首先,利用一组满足伯努利分布的随机序列描述随机出现的量测时滞现象。其次,利用乘性噪声满足高斯条件分布的特性,改进量测更新过程。最后依据三阶球径容积法则,对高斯积分进行求解。由于该算法是对经典GF算法的改进,因此,也可作为通用的滤波框架解决上述问题。通过与推广无迹卡尔曼滤波和推广扩展卡尔曼滤波对比,仿真结果表明,CKF-RDMN在解决乘性量测噪声与随机量测时滞问题时,具有更高的估计精度。     

基于捷联惯导的航空重力测量滤波算法

在航空重力测量中通常需要采用卡尔曼滤波来对比力测量误差进行估计。针对航空重力测量只需要进行事后处理的特点，提出了两种新方法来提高比力测量的精度：一是最优卡尔曼滤波平滑算法，该算法的估计值是前向／反向卡尔曼滤波器的估计值的最优组合；二是迭代算法，由于在滤波模型中通常不对重力异常进行建模，而模型误差的存在会降低滤波精度，迭代算法的基本思想是将重力异常估计值代入新的导航解算，以此降低重力异常对滤波估计精度的影响。仿真分析表明所提出的方法能有效提高比力测量的精度，同时表明滤波估计是有偏的，因此还需要采用网格平差等方法来消除系统误差。     

一种高精度自主式组合导航系统滤波算法

提出了一种融合捷联惯导、轮式里程计和气压高度计数据的高精度车载自主导航滤波算法.首先,采用滤波鲁棒性更好的状态变换卡尔曼滤波器(ST-EKF)替代传统的扩展卡尔曼滤波器(EKF),对INS/轮式里程计信息进行组合滤波.其次,针对车载惯性/里程计组合导航系统中高程定位误差易发散的问题,引入气压高度计的量测信息对系统的高程...