基于马氏距离的联邦卡尔曼滤波在SINS/SRS/CNS导航中的应用

可靠的导航信息是实现飞行器精准控制的重要条件。为提高SINS/SRS/CNS组合导航系统的可靠性与精度,提出了一种基于马氏距离的自适应联邦卡尔曼滤波算法(MD-AFKF)。在子系统传感器异常而导致产生异常量测信息时,采用基于马氏距离的噪声估计方法适时调整子系统量测噪声统计特性,同时通过在信息融合和分配阶段引入自适应融合系数与分配系数,进一步衡量各子滤波器的滤波效果并调节其协方差阵,减少不准确的子滤波器估计对主滤波器的污染。最后通过仿真验证,相较于传统联邦卡尔曼滤波算法,基于马氏距离的自适应联邦卡尔曼滤波在传感器出现量测异常时,其速度和位置精度均提高了50%以上,提高了导航系统的精确性和稳定性。     

基于状态约束的MIMU/磁强计组合姿态估计滤波算法

构建了基于MEMS技术的陀螺、加速度计、磁强计及空速计组合的微小型飞行器姿态测量系统.研究了基于四元数的扩展卡尔曼滤波算法.取姿态误差四元数和陀螺随机漂移构建状态向量,通过误差四元数微分方程和陀螺随机误差模型建立卡尔曼滤波状态方程,采用速度信息实时补偿加速度计输出值得到重力矢量,利用重力矢量估计水平姿态,通过滤波补偿姿态误差,降低了对陀螺的精度要求.将状态向量之间的约束方程作为伪量测方程引入到量测模型中,解决了由于状态向量相互约束导致的滤波发散和奇异.动态飞行滤波噪声的自适应调整增强了系统性能.仿真和实验表明,该滤波算法能够有效避免系统的漂移,提高系统测量精度和稳定性.     

一种新的INS/GPS组合导航技术

基于GPS测姿技术的发展,研究了以位置、速度和姿态信息作为观测量的INS／GPS组合导航系统的卡尔曼滤波算法。详细推导了这种组合方式的观测方程,并将该组合技术应用于某飞行器。仿真表明,增加姿态信息作为观测量可有效地提高系统导航参数的估计精度和速度。     

基于联邦滤波的INS/GPS/CNS位置、姿态组合算法

为了充分利用姿态量测信息来提高组合导航系统的姿态精度,以联邦滤波为基础,研究了以姿态和位置信息作为观测量的多信息融合导航技术,提出了位置、姿态组合模型,并详细推导了基于联邦滤波的位置、姿态组合算法的观测矩阵的具体形式,最后对系统进行了仿真.仿真结果表明,基于联邦滤波的位置、姿态组合滤波算法能够给出正确的INS误差的估计值,且估计精度较高,平台水平误差角的估计误差控制在10″以内,平台方位误差角的估计误差控制在20″以内,有效地提高组合导航系统的姿态精度.     

信息融合技术在水下组合导航系统中的应用

以捷联惯性导航系统作为组合导航系统的主导航设备,地形匹配、多普勒测速仪等为辅助导航设备,分析了S1NS、DVL以及地形辅助导航系统等的工作原理并建立输出误差模型,利用联邦Kalman滤波技术对水下组合导航系统进行信息融合,建立了水下组合导航系统联邦滤波器的观测方程和量测方程,并进行计算机软件仿真实验.仿真结果表明:使用联邦卡尔曼滤波的水下组合导航系统导航状态输出精度满足水下航行器高精度高可靠性的要求.该水下组合导航系统能够得到较高精度的位置、速度和姿态信息,提高了水下航行器远距离长时间导航的精度.     

基于状态变换多状态约束卡尔曼滤波的视觉/惯性组合导航（英文）

为了进一步提高视觉/惯性导航精度,提出了一种基于状态变换多状态约束卡尔曼滤波(ST-MSCKF)的视觉/惯性组合导航算法。与标准的多状态约束卡尔曼滤波(MSCKF)相比,ST-MSCKF对速度误差进行了更严格的定义,并以新的非线性速度误差为基础重新推导了视觉/惯性组合导航的系统误差模型和量测模型。由于ST-MSCKF比MSCKF具有更好的协方差一致性,从而具有更高的位置和姿态估计精度。与观测性约束MSCKF(OC-MSCKF)解决不一致问题的方法不同,ST-MSCKF不需要实时修正状态转移矩阵和量测矩阵去保持视觉/惯性组合导航系统的可观测性,ST-MSCKF的运算流程与标准的MSCKF完全一致,算法实现容易。车载导航实验表明,ST-MSCKF具有比MSCKF更高的位置和姿态精度,与OC-MSCKF精度相当,具有良好的工程应用价值。     

无反馈的雷达网络系统误差协同配准方法

在传统的雷达系统误差估计策略中,融合中心对雷达的观测数据进行处理,估计出系统误差并反馈给雷达对观测信息补偿误差。该策略会造成时延误差,不适于误差校准实时应用。为解决这一问题,构建了一种无需雷达观测信息和融合中心双向输入与反馈的雷达网络系统结构,提出了一种以雷达对目标状态估计信息为输入的系统误差协同估计算法。该算法采用扩展卡尔曼滤波对多雷达网络系统误差进行估计和配准。通过数学仿真,该方法对测角系统误差的估计精度达到了99%,目标的位置估计精度在系统误差补偿校正后达到96%,并且快速收敛。说明该方法能有效地估计出雷达的测角系统误差,并可直接校正和补偿雷达得到的状态估计信息,避免数据传输过程中产生的时延误差。     

复杂环境下无人车双重自适应定位算法

针对复杂环境中部分传感器失效情况下无人车定位精度下降甚至出现无法定位问题，提出局部自适应滤波和自适应信息共享因子分配的双重自适应算法，提升了无人车多源融合定位性能。所提算法利用新息自适应调节测量噪声对局部滤波器进行自适应状态估计，利用局部滤波器状态协方差和观测噪声自适应分配信息共享因子，能有效地抵御观测值粗差影响。仿真结果和实车测试数据均表明，该双重自适应定位算法能够根据局部滤波器新息和状态协方差在线自动更新信息共享因子，相比自适应联邦卡尔曼滤波算法和经典联邦卡尔曼滤波算法，位置精度分别提高了44%和63%，误差小于1 m，验证了所提算法在复杂环境下能有效提高整个导航系统的可靠性、鲁棒性。     

系统容错技术在水下航行器组合导航系统中的应用

为了提高水下航行器组合导航系统长时间远航程水下导航的可靠性和精度,采用了捷联惯性导航系统、多普勒速度声纳、地形匹配模块和TCM2电子磁罗经构成组合导航系统.采用容错联邦卡尔曼滤波对水下航行器组合导航系统进行信息融合、故障诊断与系统重构,在设计联邦滤波算法基础上,结合组合导航信息融合方案,详细分析了故障检测方法,给出了水下航行器容错联邦滤波结构和故障检测算法,进行了仿真实验,并对仿真结果进行了分析.仿真结果表明:联邦滤波方法对系统故障能够及时检测并且有效隔离了故障传感器,对系统进行了重构,提高了系统的导航精度和可靠性.     

多传感器信息融合技术在水下组合导航系统中的应用

为了提高水下航行器组合导航定位的精度,采用SINS(捷联式惯性导航系统)、DVS(多普勒速度声纳)、TCM2电子磁罗经和GPS浮标组成新型水下航行器组合导航系统,分析了SINS、DVS、TCM2电子磁罗经和GPS浮标的工作原理以及建立了各自输出误差模型,利用联邦Kalman滤波对水下组合导航系统进行信息融合,建立了水下组合导航系统联邦滤波器的观测方程和量测方程,并进行了计算机软件仿真实验。仿真实验表明:使用联邦卡尔曼滤波的水下组合导航信息融合技术导航输出精度满足水下航行器高精度高可靠性的性能指标。采用了SINS,DVS,TCM2,GPS浮标以及联邦卡尔曼滤波的水下组合导航系统可以有效地提高水下航行器组合导航定位的精度和可靠性,从而增长了水下航行器水下作业时间以及提高了水下航行器的水下导航定位性能。     

基于新息自适应卡尔曼滤波算法的多类型结构响应重构

为改善传统卡尔曼滤波KF(Kalman filter)算法在过程噪声方差和测量噪声方差未知的情况下响应重构精度降低甚至发散的问题，提出了一种基于新息自适应卡尔曼滤波IAKF(innovation-based adaptive Kalman filter)算法的多类型响应重构方法。首先根据新息统计特性对卡尔曼滤波增益和状态估计误差协方差矩阵进行实时自适应调整；然后利用有限测点的加速度传感器的测量数据，结合模态法对结构各个位置的加速度、速度、位移以及应变进行响应重构；最后对起重机桁架和简支梁分别进行数值模拟和试验分析。结果表明，该方法能够有效地调整过程噪声方差并估计测量噪声方差，未测点的重构响应时程曲线与计算响应或测量响应时程曲线吻合良好。     

自适应卡尔曼滤波在惯导初始对准中的应用研究

本文研究了自适应卡尔曼滤波技术在惯导系统中的应用。在噪声统计特性未知或近似已 知的情况下,采用常规卡尔曼滤波会导致较大的状态估计误差,甚至使滤波发散;而自适应卡 尔曼滤波在估计状态的同时,利用观测数据带来的信息,可在线估计噪声的统计特性,从而不 断地改进滤波器的设计,由此得到的滤波估计比常规卡尔曼估计精度更高。本文采用Ｓａｇｅ 和 Ｈｕｓａ 自适应滤波算法,结合惯导初始对准,给出了计算机仿真。仿真结果进一步证实在噪声统 计特性不确切知道的情况下,自适应卡尔曼滤波的估计精度高于常规卡尔曼滤波的估计精度。     

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。     

带模型误差系统的自适应卡尔曼滤波在捷联惯导系统初始对准中的应用研究

对于有模型误差的惯导系统,采用常规卡尔曼滤波会导致较大的状态估计误差,甚至使滤波器发散。可采用自适应卡尔曼滤波算法,通过引入虚拟噪声,利用观测数据带来的信息,在线改进滤波器的设计,并将其运用到捷联惯导系统的初始对准中,由此得到的滤波估计比常规卡尔曼估计具有更高的精度和准确度。试验及计算机仿真结果验证了该方法的有效性。     

基于UKF的INS/GNSS/CNS组合导航最优数据融合方法

为了提高INS/GNSS/CNS组合系统的导航精度,提出了一种基于UKF的多传感器最优数据融合方法。该方法具有两层融合结构,第一层中,GNSS和CNS分别通过两个局部UKF滤波器与INS组合,以并行的方式获得INS/GNSS和INS/CNS子系统的局部最优状态估值;第二层中,根据线性最小方差准则推导出一种矩阵加权数据融合算法,对局部状态估值进行融合,获取系统状态的全局最优估计。提出的方法无需采用方差上界技术对局部状态进行去相关处理,克服了联邦卡尔曼滤波(FKF)及其优化形式存在的缺陷。仿真结果表明,相比于FKF,提出方法的导航精度可至少提高36.4%;相比于UKF-FKF,其导航精度也可至少提高21.0%。     

Application of Kalman Filter Finite Element Method and AIC

This paper presents a numerical simulation for application of the Kalman filter finite element method. The Kalman filter is employed frequently for the solution of time series analysis including observation and system noises. Applying the Kalman filter to the finite element method, the present method is capable of the estimation in time and space directions. In this method, the matrix generated by the finite element method is applied to the state transition matrix. Using the Kalman filter finite element method, the characteristics of both the Kalman filter and the finite element method can be strengthened. In this paper, the state transition matrix is based on the shallow water equations which are approximated by the finite element method. This method can estimate the tidal current not only in time but also in space directions.     

MIMU/GNSS紧组合精密单点定位协方差成形自适应滤波方法

针对精密单点定位应用需求,研究了MIMU/GNSS紧组合协方差成形自适应滤波方法。给出了"位臵滤波器+速度滤波器"的分布式滤波器设计方案以降低计算复杂度;推导了地理系紧组合导航系统模型,并把伪距测量不一致性偏差扩展至系统状态向量中予以估计,从而提高系统对于动态环境下伪距测量偏差抖动的适应能力。协方差成形自适应滤波算法利用Frobenius范数来衡量系统残差噪声水平建模状态与实际状态的匹配程度,并以最小化Frobenius范数作为优化指标,动态调节滤波增益,以此来提高状态估计精度、平稳性与鲁棒性。地面静态试验表明:紧组合协方差成形自适应滤波器定位误差均值与均值稳定性均优于标准卡尔曼滤波器,定位精度提高了约50%,能够提供亚米级单点定位导航服务。相较于集中式滤波器设计方案,分布式滤波器方案计算复杂度降低了63.5%。     

SINS/GPS组合导航序贯滤波算法

针对SINS／GPS的速度、位置组合方式中，GPS接收机的位置测量误差相关的问题，提出了一种序贯形式的Kalman滤波算法。这种算法既具有计算量小的优点，又能克服由于GPS位置测量误差相关性带来的滤波性能变差的问题，实现对SINS／GPS组合系统信息的有效融合。通过仿真证明了该算法的有效性。     

基于自适应UKF算法的MEMS陀螺空中在线标定技术

为保证微型卫星定位应用中系统精度与稳定性,需要对姿态传感器进行实时在线标定.在无外界姿态参考时,提出一种用三轴磁强计测量值来实时估计MEMs陀螺的零漂误差的方法,采用UKF滤波算法,将陀螺漂移作为滤波状态向量,通过建立三轴磁强计测量微分方程,作为系统量测方程实现陀螺漂移的最优估计.针对磁强计测量信息易受干扰导致滤波量测模型不准确的问题,将自适应因子引入到UKF中,通过在线监控和调整测量误差,减少陀螺标定的估计误差,增强系统性能.实验结果表明,经过标定,MEMS陀螺精度提高约30%,并且在磁强计有外界干扰时,陀螺的标定结果收敛.将标定后的MEMS陀螺进行姿态解算,其动态误差小于2°.     

改进的粒子滤波在列车组合定位系统中的应用

为了克服粒子退化现象,将奇异值分解Unscented卡尔曼滤波（SVD-UKF）和粒子滤波相结合,利用SVD-UKF得到粒子滤波的重要性分布,提出了一种改进的粒子滤波算法。该算法将最新观测信息引入到状态估计中,不但使估计精度优于常规的粒子滤波,而且继承了奇异值分解数值稳定性好的优点,因而具有较强的鲁棒性。将该算法应用到列车组合定位系统,与经典粒子滤波进行仿真比较,结果表明,提出的改进粒子滤波算法导航定位精度高,算法稳定性好。