逐次正交化分布式Kalman滤波器在SINS初始对准中的应用

本文提出了一种用于捷联式惯性导航系统(SINS)初始对准的分布式Kalman滤波器,这是一种采用逐次正交化原理,利用两级递阶结构的最优滤波方法。这种方法最突出的优点是,具有较高的滤波实时性,解决了大系统中应用整体式Kalman滤波遇到的非实时性难题。这个优点在SINS初始对准系统中已得到证实。     

自适应Kalman滤波在SINS初始对准中的应用

为了提高捷联惯导系统的对准精度和收敛速度,提出了一种基于Sage-Husa自适应滤波算法的初始对准方法。针对方位小失准角的情况,推导出精对准误差模型和自适应Kalman滤波方程。常规Kalman滤波算法,在噪声统计特性已知的情况下,使用比较方便;多数情况下,噪声统计特性是处于未知状态,从而引入自适应Kalman滤波算法。它利用观测到的数据自动进行噪声统计特性的在线估计和修正,使系统达到最佳的滤波效果。通过仿真验证,该自适应滤波算法有效地提高了收敛速度和对准精度。     

基于PF的SINS动基座初始对准

捷联惯性导航系统大方位失准角的误差模型是非线性的,传统的扩展卡尔曼滤波(Extended Kalman Filter, EKF)会产生线性化误差,影响初始对准精度.在给出捷联惯性导航系统动基座大方位失准角误差模型的基础上,推导了粒子滤波方法(Particle Filter, PF),并将扩展卡尔曼滤波、基于Scaled-Unscented变换的Unscented卡尔曼滤波(Unscented Kalman filter, UKF)和基于Residual重采样的粒子滤波用于捷联惯性导航系统的初始对准中,分别进行了加速和拐弯条件下的初始对准实验仿真.仿真结果表明,在大失准角情况下,粒子滤波相对于扩展卡尔曼滤波和Unscented卡尔曼滤波具有更高的对准精度和更快的收敛速度.     

方位捷联惯导平台系统及其误差分析

根据导航系统对高精度的需要,在捷联惯导和平台惯导的基础上提出了一种方位捷联惯导平台,该平台取消了普通平台系统的方位环及其伺服回路,保留了俯仰环和横滚环及其对应的伺服回路,介绍了平台的组成及工作原理,并且推导出平台角误差方程、速度误差方程和位置误差方程.建立状态方程和量测方程后用Kalman滤波的方法对系统进行软件仿真,仿真结果表明,方位捷联惯导平台综合了捷联和平台的优点,具有平台角误差小、收敛速度快等特点.     

基于强跟踪滤波的旋转捷联惯导初始对准方法

旋转捷联惯性导航系统在传统系统结构上进行了改进,陀螺和加速度计安装于转动基座上,通过捷联算法中的积分运算消除陀螺仪和加速度计中的非随机性误差。针对该导航系统的结构特点,研究了一种基于强跟踪滤波算法的快速估计平台误差角的初始对准方法,推导了系统的误差数学模型,论述了强跟踪滤波基本方法及初始对准状态方程与观测方程,进行了数字仿真验证。基于某型光纤陀螺和MEMS加速度计,通过在高精度转台上的旋转实验进一步进行了基于实际系统的算法性能验证。结果表明,对于中低精度的光纤陀螺旋转捷联惯性导航系统,所提出的对准方法具有较高的对准性能,具有工程应用价值。     

一种改进的基于小波神经网络的SINS快速初始对准方法

捷联惯性导航系统静基座初始对准的可观测度低,采用卡尔曼滤波等最优滤波方法进行SINS初始对准时,方位失准角收敛慢且存在滤波器实时性较差的问题。对此提出了一种改进的基于小波神经网络的SINS静基座快速初始对准方法。该方法采用一个小波神经网络替代卡尔曼滤波器,利用该小波神经网络估计出两个水平失准角等SINS误差,然后利用两水平失准角快速收敛的估计结果,通过另一个小波神经网络对方位失准角直接进行快速估计。初始对准试验结果表明,该方法在保证对准精度的情况下大幅度地提高了SINS静基座初始对准的速度,同时也大大提高了系统状态估值运算的实时性。     

简化UKF滤波在SINS大失准角初始对准中的应用

基于欧拉平台误差角的概念提出了大失准角误差条件下的捷联惯导系统（SINS）非线性初始对准误差模型,该模型无法再用经典的加性噪声模型描述。为了降低滤波计算量,在系统模型噪声和量测噪声均为复杂加性噪声并且量测方程是线性方程时,推导了简化的UKF（unscented Kalman filter）滤波方法,简化UKF滤波公式显示：除通过非线性状态方程使用UT（unscented transformation）变换进行状态及其方差预测外,其它滤波步骤与标准Kalman滤波完全相同。最后,对静基座下SINS初始对准进行了仿真试验,结果表明大失准角条件下的SINS误差模型和简化UKF滤波估计方法是有效的。     

基于Elman神经网络和Kalman滤波的捷联惯导精对准

在采用Kalman滤波进行捷联惯导精对准时,当模型存在误差或系统噪声不能反映实际噪声时,会降低滤波精度甚至导致滤波发散.针对这个问题,提出基于Elman神经网络和Kalman滤波的捷联惯导精对准方法.首先对已知噪声统计特性的系统进行Kalman滤波,将稳定可靠的状态估值作为网络期望输出用来训练Elman网络,然后再用训练好的网络对未知噪声统计特性系统进行状态估计.利用仿真数据对该算法进行验证,结果表明该算法能够克服Kalman滤波精对准的缺陷,提高了对准精度,尤其是航向角的精度.     

基于降维滤波器的SINS快速初始对准算法（英文）

引入惯性元件信息观测的初始对准方法能够快速提高SINS的对准速度,但同时存在滤波计算量大、系统噪声与观测噪声相关以及观测值中的高频噪声影响滤波精度的问题。针对这些问题提出了一种捷联惯导快速初始对准降维滤波器设计方法,通过剔除不可观测量和合理选取状态量以降低状态方程维数,并推导了观测方程,在采用低通滤波器对惯性器件原始信息预处理基础上应用噪声相关下的Kalman滤波进行状态估计。理论分析和试验结果表明,新方法提高了对准速度,减少了计算量,水平姿态角收敛速度提高了90%,计算量减少了83.33%,并可有效抑制高频噪声对状态估计的影响。     

一种快速精确的捷联惯导系统初始对准方法研究

传统的多位置对准方法虽然使捷联惯导系统静基座初始对准的精度得到提高，但是用卡尔曼滤波器对其状态变量进行估计时，方位失准角收敛很慢。本提出了一种快速多位置对准估计方位失准角的方法，直接利用两水平失准角快速收敛的估计结果对传统多位置对准中方位失准角的估计，从而大大提高了捷联惯导系统静基座对准的精度和速度，计算机仿真结果验证了该方法的有效性。