强跟踪CKF及其在惯导系统初始对准中的应用

容积卡尔曼滤波(CKF)是常用的惯性导航系统(INS)初始对准算法。针对在模型失配和观测噪声干扰情况下常规容积卡尔曼滤波出现精度下降甚至发散的问题,提出了一种自适应渐消滤波算法,引入多重渐消因子对预测误差协方差阵进行调整。设计了基于滤波残差序列统计特性的滤波状态x~2检验条件,检测滤波器故障并确定是否引入渐消因子,使渐消因子的引入时机更加合理,有效增强了算法的自适应性。仿真试验表明,新算法可以有效提高初始对准精度及鲁棒性。     

GNSS辅助捷联惯导行进间对准自适应滤波方法

针对车载武器系统快速发射需求,提出一种基于GNSS辅助的捷联惯导行进间对准自适应滤波方法。该方法把行进间传递对准分为粗对准与精对准两个阶段。粗对准阶段以GNSS为观测基准完成对捷联惯导姿态的粗捕获,降低初始偏差不确定性对于精对准阶段的影响。在精对准阶段,考虑到车载系统的运动特性,提出一种"水平+方位"行进间对准双滤波器并行的设计思路,利用车载系统在不同时间段的动力学特性,对三轴姿态估计进行分时解耦,实现初始姿态的高精度估计;与此同时,引入协方差成形自适应调节过程,以最小化Frobenius范数为优化指标,实现对行进间对准卡尔曼滤波器的自适应调节,增强系统鲁棒性。数值仿真表明,协方差成形自适应卡尔曼滤波方法能够有效保证系统在全运动剖面内的稳定,结合双滤波器并行方案能够有效解决行进间对准精度不高与稳定性欠佳等问题,水平对准精度优于1.5′(1σ),方位对准精度优于6′(1σ)。     

多渐消因子卡尔曼滤波及其在SINS初始对准中的应用

针对卡尔曼滤波在系统模型失配和未知干扰情况下鲁棒性差的特点,对于一类线性模型提出了多渐消因子卡尔曼滤波算法。该算法利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,可以在线自适应地调整多个渐消因子,从而对多个数据通道进行渐消,即使当滤波达到稳态时仍然可以调整滤波增益,使得该算法对模型失配和未知干扰有较强的鲁棒性。将该算法用于噪声统计不准确的SINS初始对准,数值仿真表明,当系统模型存在不准确情况时,新方法对航向误差角的估计精度较单渐消因子卡尔曼滤波和常规卡尔曼滤波分别提高了70%和43%,证明了该算法的有效性。     

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。     

基于自适应强跟踪滤波的捷联惯导/里程计组合导航方法

针对大型轮式车行驶过程中里程计标度发生较大变化,无法满足车载定位定向系统给里程计分配的误差要求,研究了一种非线性滤波方法。以容积卡尔曼滤波为算法框架,引入强跟踪滤波渐消因子的基本理论,提出了捷联惯导/里程计组合导航的自适应强跟踪滤波算法,达到实时自适应估计并补偿里程计标度误差的目的。仿真分析和跑车试验验证了该方法的有效性,新方法比传统强跟踪滤波更进一步消除了里程计误差的影响。试验结果表明该方法使得捷联惯导/里程计组合导航的定位精度提高了两倍以上,达到了惯性元件的理论精度。     

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。     

基于改进强跟踪滤波的广义系统传感器故障诊断及隔离

在广义系统故障诊断过程中,若系统动态模型中存在不确定性,传统的无迹卡尔曼滤波算法将失去其传感器故障估计精度。为解决该问题,提出一种改进的强跟踪卡尔曼滤波算法以实现广义连续-离散系统的传感器故障诊断及隔离。首先,提出基于多重渐消因子的强跟踪滤波算法以实现动态模型存在不确定性广义连续-离散系统的故障诊断;然后提出一种结合多模型自适应估计的强跟踪卡尔曼滤波(STUKFMMAE)算法以实现传感器故障的有效隔离。最后,针对基于广义连续-离散系统的惯性传感器故障模型提出仿真算例。仿真数据表明,传统无迹卡尔曼滤波对于传感器故障估计误差为0.002左右,而提出的基于多重渐消因子的强跟踪滤波算法对于传感器故障估计误差最大值为未超过4×10~(-4),且STUKFMMAE相较于UKFMMAE算法具有更好的隔离效果。仿真结果验证了设计方案的有效性。     

基于H∞滤波的舰载机惯导海上自对准方法

针对因风浪干扰、高频颤振等因素影响,使得舰载机惯导海上自对准量测方程中产生未知的量测干扰,进而导致滤波器性能降低的问题,引入H∞滤波技术.阐述了舰载机捷联惯导海上自对准的基本思想,建立了自主精对准状态空间模型,设计了一种基于H∞滤波的自对准滤波器,有效抑制了外界噪声的干扰,确保了系统的鲁棒性.仿真结果表明,常规卡尔曼滤波在5 min的对准时间里,无法完成对姿态角误差的估计.而H∞滤波在5 min内,不但可以估计出姿态误差角误差,且水平对准精度在2′以内,方位对准精度约12′,还可以估计出陀螺零偏和加速度计零偏误差,并可以获得较好的快速性和平滑性,不失为一种有效的海上自对准方法.     

基于奇异值分解的多重渐消鲁棒Cubature卡尔曼滤波及在组合导航中的应用

为了提高标准Cubature卡尔曼滤波（CKF）的稳定性和鲁棒性,提出一种改进的多重渐消H∞滤波Cubature卡尔曼滤波算法。首先基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;其次,引入H∞鲁棒思想,构造多重渐消H∞滤波Cubature卡尔曼滤波器;最后,提出采用一种奇异值分解的矩阵分解策略代替标准Cubature卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性。实际GPS/INS组合导航实验表明,改进的多重渐消H∞滤波Cubature卡尔曼滤波算法不仅能有效抑制滤波发散提高算法的稳定性,而且对观测野值具有更高的鲁棒性;提出的新算法与标准CKF算法相比,XYZ三个方向的位置精度分别提高了55.8%,46.6%和39.7%。     

基于级联FIR滤波器的系泊精对准算法

舰船的系泊环境存在风浪和浪涌,这些因素引起捷联惯导系统对准过程中的不确定性干扰加速度,提出一种基于级联FIR低通数字滤波器的惯性系Kalman滤波精对准算法。高频随机干扰加速度在通过级联FIR低通数字滤波器后被滤除,近似周期性干扰通过积分运算,正负部分基本抵消,因此该算法可以有效抑制系泊环境下的不确定性干扰。江上系泊对准结果为:水平精度0.02°,航向精度0.06°。试验结果表明该方案能有效完成精对准,对准精度达到中等导航精度要求。