权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。     

基于交互式多模型的车载INS/OD/GPS的定位方法

INS/GPS组合导航时,GPS信号会由于环境因素或是其他信号干扰导致信号丢失、信号跳变等故障。针对INS/GPS组合导航中,在GPS出现离群故障难以得到满意定位性能的问题,提出了一种基于交互式多模型滤波的车载INS/OD/GPS定位方法。引入里程计对INS/GPS组合导航进行辅助,基于INS/GPS、INS/OD两种组合导航模型,利用交互式多模型算法交互更新模型概率,通过模型概率的差异判断主滤波器INS/GPS组合过程中的GPS量测故障,并在滤波过程中对故障量测加以修正,以此来实现车辆定位系统的良好定位性能。实验结果表明,在里程计量测辅助条件下,当GPS出现离群点时,系统平均定位精度比INS/GPS单一滤波器条件下的定位精度提升60%以上。     

基于WiFi/PDR的室内行人组合定位算法

对当前室内行人定位算法进行了研究。针对WiFi定位稳定性差的问题,提出了一种改进的K最近邻(Improved K-Nearest Neighbor,IKNN)算法。针对行人航位推算(Pedestrian Dead Reckoning,PDR)算法中步长模型及航向估计不准确的问题,提出了一种实时更新的步长模型及基于室内环境特征的航向估计算法。在改进的WiFi定位算法与PDR算法的基础上,提出了一种基于自适应粒子滤波的室内行人WiFi与PDR组合定位算法,通过自适应因子自动调节观测量对粒子分布的影响。通过智能手机在实际室内环境中对定位方法进行了测试,实验结果表明:组合定位系统定位精度为0.66 m,高于普通的粒子滤波算法,是一种准确高效的室内行人定位算法。     

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。     

遗传算法优化的神经网络在SINS/GPS中的应用

在不增加辅助系统的情况下,针对捷联惯性导航/全球定位组合导航系统(SINS/GPS)在GPS信号不可用时,其定位精度产生较大退化的问题,提出了遗传算法优化的径向基函数神经网络辅助组合导航系统定位的方法。当GPS信号可用时,采用遗传算法对径向基函数神经网络进行优化训练;当GPS信号不可用时,利用遗传算法优化后的径向基函数神经网络预测卡尔曼滤波器量测输入中的速度误差信息,使得卡尔曼滤波器能够继续工作并提供速度校正量。跑车实验表明,通过对速度进行误差补偿能够有效地修正位置误差,以GPS信号断开180 s的结果作分析,纯SINS模式的东向和北向位置误差分别为35.1 m和38.8 m,而本文所提方法的误差分别为10.5 m和7.2 m,其定位精度提高较为显著。     

低成本车载MEMS惯导导航定位方法

当GPS卫星信号受到遮挡,车载GPS无定位输出时,通过低成本MEMS惯导进行定位是车辆导航的一种弥补方法。然而低成本MEMS惯导测量误差大,定位误差会快速累积。针对此问题,研究了一种应用于MEMS惯导导航定位的Kalman滤波算法。通过分析车辆的运动特性,在已有的研究基础上,提出了向心加速度差值误差这一新型观测量,并推导了误差状态系统模型的状态转移矩阵和观测矩阵。200 s时长的实车实验表明,单纯MEMS惯导定位的误差率是75.27%,而所述新方法的定位误差率是3.86%,定位精度有了大幅度提高,取得了良好的效果。     

基于启发式算法的移动机器人SLAM

为了实现GPS信号缺失下的移动机器人自主导航,解决传统粒子滤波中的粒子退化以及粒子贫乏引起的移动机器人定位和导航精度下降问题,提出了基于小生境理论的启发式蝙蝠优化粒子滤波的同时定位与地图构建算法。首先,在启发式蝙蝠优化算法的速度和位置更新过程中,引入惯性权重,加快了算法寻优精度,提高了收敛速度;然后,利用小生境理论进一步优化启发式蝙蝠算法,利用排挤机制和惩罚函数,有效地保证了种群的多样性,提高了算法的全局寻优能力;最后,将基于小生境理论的启发式蝙蝠优化算法用于传统粒子滤波采样中,使得粒子能够智能、快速地向高似然区域运动,同时提高了传统粒子滤波算法的全局寻优能力和寻优精度。实验结果表明:该算法显著提高了移动机器人导航和定位的精度和实时性。     

SINS/GPS/CNS 组合导航联邦滤波算法

针对飞行器在长航时高速巡航过程中,捷联惯性导航系统存在误差漂移,GPS 导航可能会丢星、信号失锁,天文导航系统易受环境干扰,组合系统模型线性化误差易导致滤波发散等问题,分析了三种导航系统的优缺点,提出了 SINS/GPS/CNS 组合导航联邦滤波算法,该算法可以取长补短,巧妙地将 GPS 定位和天文导航定姿精度高的优势辅助于捷联惯导系统,利用卡尔曼联邦滤波器对捷联惯导系统进行误差估计,并对联邦滤波算法进行了有效的改进.计算机仿真显示,该滤波器收敛速度快,具有一定的容错功能,其滤波精度较 SINS/GPS 组合导航系统在位置误差和速度误差上均有约5%左右的小幅提升,在平台角误差上更是提高了一个数量级.仿真结果验证了该组合导航方案的可行性和算法的有效性,有重要的工程应用价值.     

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)。     

基于改进高斯和粒子滤波的海底地形辅助导航

为了提升低分辨率海底地形图下的导航定位精度,提出一种基于改进高斯和粒子滤波的海底地形辅助导航方法。以高斯和粒子滤波为基础,通过高斯过程回归建立海底地形模型以获得有效粒子观测值。在量测更新阶段引入最小均方误差约束从而提升高斯和粒子滤波的估计效率,再进行滤波并最终获得导航输出。该方法能够解决低分辨率海图下数字地形模型不准确问题并提升高斯和粒子滤波在实时计算过程中的运算效率。在某低分辨率海图下进行仿真实验,结果表明:所提出的算法与采用基本粒子滤波和基本高斯和粒子滤波的海底地形辅助导航方法相比,导航定位精度提升了20%～40%,算法耗时降低了30%～40%。