改进的强跟踪UKF算法及其在INS/GPS组合导航中的应用

针对标准UKF缺乏对系统状态异常的自适应调整能力,导致滤波精度降低的问题,提出一种改进的强跟踪UKF算法。该算法采用假设检验的方法对异常状态进行检测,当系统状态发生异常时,对预测协方差阵引入次优渐消因子自适应的调整滤波增益,实现对系统真实状态的强跟踪。该算法中次优渐消因子的确定无需计算系统模型的雅克比矩阵,提高了传统强跟踪UKF的实用性。将提出的算法应用于INS/GPS组合导航系统进行仿真验证,并与标准UKF进行比较,结果表明,在系统状态存在异常时,提出的带单重次优渐消因子的强跟踪UKF得到的东向、北向位置误差在[-13.7 m,14.9 m]以内,带多重次优渐消因子的强跟踪UKF得到的东向、北向位置误差在[-10.0 m,12.1 m]以内,滤波性能明显优于标准UKF,提高了组合导航系统的解算精度。     

INS/GNSS/VO组合导航系统复合型异常检测与容错算法

INS/GNSS/VO导航系统的异常输出常由外部扰动引起,表现为幅值较小的突变信号或者增长速率较慢的斜坡信号。为了增强异常检测算法的检测能力,提高组合导航系统在外部干扰情况下的导航精度,提出一种INS/GNSS/VO组合导航系统复合型异常检测与容错算法。在非全局融合阶段使用状态卡方检测法对量测信息进行异常检测与隔离;在全局融合阶段,构建检测统计量的归一化阈值比,作为量测噪声方差阵的权重系数,对子滤波器进行加权量测更新。街道场景中的离线测试结果表明,所提算法的导航误差均值与标准差相对于其他的异常检测与容错算法分别减小了9.6%与2.7%,提高了组合导航系统的异常检测能力和容错性能。     

一种新的自适应UKF算法及其在组合导航中的应用

为了提高组合导航系统的滤波精度,提出一种带噪声统计估计器的自适应UKF滤波算法。该算法根据协方差匹配原理,利用UKF滤波算法的残差序列与新息序列,在线估计、调整系统过程噪声和量测噪声的统计特性,提高UKF的自适应能力,克服了标准UKF在系统噪声统计未知或不准确情况下滤波精度下降甚至发散的问题。将提出的算法应用于SINS/BDS组合导航系统进行仿真验证,并与标准UKF和抗差UKF进行比较,结果表明,提出的自适应UKF得到的水平位置误差和天向误差分别在[?6.2 m,?6.4 m]与[?9.8 m,?8.6 m]以内,滤波性能明显优于标准UKF与抗差UKF,提高了组合导航系统的解算精度。     

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通道进行阻尼,提高高程定位精度。两组长行驶里程的高精度光纤陀螺惯性测量单元/轮式里程计/气压高度计的车载导航实验数据的事后处理表明,所提出算法在不同的行驶环境下均具有较高的导航定位精度,相比基于EKF的惯性/里程计组合导航算法,水平定位精度提高20%以上,并且有效减缓了高程定位误差的发散趋势。     

高超声速机动目标的强跟踪UKF自适应交互多模型算法

针对高超声速强机动目标的运动具有复杂性、突变性和强非线性等特点,单模型跟踪算法难以实现精确跟踪的问题,提出了一种基于多重渐消因子的强跟踪UKF自适应交互多模型算法。考虑现有强跟踪UKF算法引入单渐消因子的不足,根据正交性原理推导得到了引入多渐消因子的强跟踪UKF算法,完成了对非线性目标状态的滤波估计;在交互多模型算法的子模型中选用改进的CS-Jerk模型;对交互多模型中各子模型间的转移概率进行在线自适应调整,并与改进CS-Jerk模型结合克服了单模型算法跟踪强机动目标的不足,实现了模型与目标运动模式的实时最优匹配。仿真结果表明,与单模型算法和经典多模型算法相比,提出的算法使得不同条件下位置和速度的跟踪误差至少降低11.89%,有效提高了高超声速强机动目标跟踪精度。     

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。     

一种重力辅助导航系统故障诊断与容错方法

为了解决重力辅助导航系统软故障检测上的不足,针对重力辅助导航系统的特点和不同故障的性质,提出了一种新的重力辅助导航联邦滤波容错算法,该算法将系统的残差和方差组成故障检测函数的阈值,使阁值包含了联邦滤波全局信息和子系统特征信息,并将传统故障诊断算法对故障的检测改为对滤波收敛性的检测,根据联邦滤波全局收敛信息的不同,动态确定故障诊断函数.通过惯导/计程仪/重力组合导航系统的仿真试验,证明了该方法具有较强的故障诊断能力,有效改善了重力辅助导航系统对软故障检测失效带来的滤波发散定位错误的问题,抑制了重力故障给组合导航系统带来的误差,明显提高了重力辅助导航系统的精度和容错性能.     

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SDV-UPF算法及其在紧组合中的应用

针对粒子滤波存在重要性密度函数难以选取和系统状态协方差阵可能出现的负定性问题,提出一种新的自适应奇异值分解无迹粒子滤波(ASVD-UPF)算法。该算法采用自适应因子修正动力学模型误差,通过奇异值分解抑制系统状态协方差矩阵的负定性,并以改进的UKF算法产生重要性密度函数,以弥补粒子滤波的缺陷,使该算法适用于非线性、非高斯系统模型的滤波计算。将提出的算法应用到所设计的GPS/SINS/PL紧组合导航系统中进行仿真验证,结果表明,提出算法的经、纬度误差、速度误差和姿态误差范围分别控制在(-0.5″,+0.5″)、(-0.8 m/s,+0.8 m/s)和(-1′,+1′)以内,误差估计的精度和收敛速度明显优于UKF和PF算法,能提高组合导航系统的解算精度。     

基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。