GPS/INS组合导航系统中的高斯粒子滤波混和算法

采用非线性滤波器的惯性组合导航系统中,非线性滤波器的精度和实时性直接决定了惯性组合导航系统的性能.计算量和精度之间的矛盾是制约粒子滤波在GPS/INS组合导航系统中应用的主要因素.在分析高斯粒子滤波算法原理的基础上,提出了一种高斯粒子滤波混和算法,对系统线性部分采用线性递推方式,对系统非线性部分采用非线性递推方式,从而提高高斯粒子滤波精度和实时性.针对GPS/INS组合导航系统,混和算法利用卡尔曼滤波的线性递推方式进行量测更新,仿真结果表明混和算法在较少粒子条件下,相对高斯粒子滤波算法精度提高20％,滤波时间降低40％.     

组合导航系统几种滤波方法的分析比较及其性能评价

介绍了用于组合导航系统中的几种常用的滤波方法-如传统滤波方法中的集中卡尔曼滤波和联邦卡尔曼滤波、非传统滤波方法中的神经网络滤波,并从理论上分析了传统滤波方法和非传统滤波方法的优点和不足,最后以SINS/GPS组合导航系统为例进行了仿真.仿真结果表明,非传统的滤波算法在某些方面优于传统的滤波算法.     

粒子滤波的改进优化方法及在组合导航系统中的应用

组合导航系统中存在非线性环节,粒子滤波技术能较好地解决这些非线性问题.本文根据常见组合导航系统非线性滤波问题,总结了组合导航系统非线性滤波模型特点及一般建模方法.从粒子滤波算法实现框架出发,分析总结了粒子滤波性能特点及其改进演化规律.根据惯性组合导航系统中数据处理特点,对如何选择适合组合导航系统的粒子滤波算法提出了选择原则.分析和总结了组合导航系统中非线性滤波建模方法及粒子滤波改进优化策略,对解决组合导航系统的非线性滤波问题具有理论和实践指导意义.     

INS／GPS／CNS组合导航系统的自适应滤波技术研究

本重点研究了状态与偏差解耦估计的自适应滤波算法在ＩＮＳ／ＧＰＳ／ＣＮＳ组合民航系统中的应用问题。由于组合导航系统参数往往与实际的物理过程具有一定的偏差,因此采用常规的卡尔曼滤波算法常会发生滤波发散现象。本提出一种自适应滤波算法,并应用于组合导航系统。仿真结果表明,自适应滤波可以有效地抑制滤波发散,增强系统方案对环境的适应性,大大提高组合导航系统的精度。     

UKF在深组合GPS/INS导航系统中的应用

采用联邦滤波的深组合GPS/INS导航系统预滤波器量测模型具有很强的非线性,导致扩展卡尔曼滤波（EKF）的预滤波器估计精度不高。Unscented卡尔曼滤波（UKF）方法是一种非线性分布近似方法,它使用有限数量的sigma点去逼近整个非线性动态系统的分布可能,从而避免了对非线性测量模型进行线性化,具有较高的精度和较好的鲁棒性。在分析深组合导航系统预滤波器模型和UKF原理的基础上,设计了基于UKF滤波算法的预滤波器,对码相位误差、载波相位误差、载波频率误差、载波频率变化率等参数进行估计,同时将UKF和EKF算法进行了仿真比较。结果表明,在深组合导航系统中使用UKF滤波比EKF有更高的导航定位精度。     

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.     

混合高斯粒子滤波在组合导航中应用的计算量分析

针对组合导航中出现的线性非线性混合滤波实现过程中的计算量问题,给出了一种混合高斯粒子滤波改进算法的计算量分析方法。根据该滤波算法特点,分析并总结了一种理论获取粒子滤波计算量的方法,据此定量的分析了该算法的计算量。并以SINS/GPS组合导航系统为例,具体分析了混合高斯粒子滤波算法计算量问题。仿真结果验证了该计算量理论分析方法的有效性。该方法同样可以推广到一般粒子滤波和其它非线性滤波算法中,能在理论上解决组合导航系统中非线性滤波计算量及滤波时间的计算仿真问题。     

超平面滤波算法在GPS/INS组合导航系统中的应用研究

针对GPS／INS组合导航系统的滤波算法误差较大，在对常用的卡尔曼滤波算法进行总结和分析的基础上，给出了卡尔曼滤波的本质，提出了一种利用超平面调整卡尔曼滤波器的方法。以GPS／INS组合导航系统为例进行了仿真，结果表明：该方法既能抑制滤波发散，又能提高滤波精度。     

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。     

粒子滤波及其在导航系统中的应用综述

传统的扩展卡尔曼滤波方法要求对非线性系统近似线性化,有可能会引入较大的模型误差.应用粒子滤波解决了这一问题.该算法可以直接应用于原系统的非线性模型当中,并且不需考虑系统噪声和量测噪声是否为高斯白噪声,都能得到很好的滤波效果.文中介绍了粒子滤波的理论基础-贝叶斯估计及具体的实现方式-蒙特卡罗方法;指出粒子滤波存在的退化问题,并从减小退化现象入手将重要性采样和再采样方法引入到算法之中;最后阐述了粒子滤波在导航系统中的一些应用.