基于不等式约束卡尔曼滤波的双MIMU导航位置校正方法

为了实现GPS信号缺失下的单兵自主导航,提出一种基于微惯性测量技术(MIMU)的单兵导航方案。由于惯性导航时误差随着时间而积累,提出了基于双MIMU的单兵导航位置校正方法,通过将两个MIMU分别固联在单兵的双脚上,根据行走时候的步态特性,利用基于假设检验和极大似然估计的零速检测器,进行零速检测修正。结合单兵行走时最大步长约束,设计一种最大步长分解约束下的卡尔曼滤波椭球约束算法,进一步校正单兵导航位置估计。研究结果表明,采用最大步长分解约束不等式卡尔曼滤波的双MIMU单兵导航方案,与未加约束时相比双脚位置均方根误差下降了41.46%。     

基于模糊卡尔曼滤波量测噪声自适应校正的方法研究

针对噪声的统计特性与实际不符时滤波器发散的现象，提出了一种适用于导航、制导以及其它控制系统的模糊自适应卡尔曼滤波器。基于模糊规则自适应改变测量噪声方差R，实现滤波器参数的在线改进，以缩小实际的滤波误差，提高滤波精度。     

微惯性仪表技术的研究与发展

论述了当前国内外微惯性仪表设计和制造技术的研究与发展，强调了对相关基础理论研究的重要性，提出了计算机集成微制造单元的概念。     

基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆（LSTM）网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。     

一种基于双IMU框架的室内个人导航方法（英文）

为了实现低成本的室内行人导航,提出了一种双惯性测量单元(IMU)框架。在这种模式下,一个IMU固定于足部,另一个IMU固定于肩部。当行人在行走过程中处于静止状态时,卡尔曼滤波器利用测量得到的速度和角速度误差对足部IMU的解算误差进行预估,与此同时,通过对足部IMU和肩部IMU测量得到的航向角做差完成对航向角误差的观测。在此基础上,双IMU框架结构采用了闭环模式。实验结果显示,采用该方法能够提供行人导航信息,平均位置误差与采用开环模式的方法相比降低了14.93%左右。     

SINS初始对准中的鲁棒超球体无迹卡尔曼滤波方法

捷联惯导初始对准大失准角系统误差模型中,当噪声具有不确定统计特性时,基于白噪声假设的无迹卡尔曼滤波算法鲁棒性较差.针对该问题,提出了一种基于H∞理论的鲁棒超球体无迹卡尔曼滤波算法.给出了计算量小的超球体采样策略,推导了H∞滤波的鲁棒机理,分离了鲁棒环节.将鲁棒环节引入超球体无迹卡尔曼滤波算法,得到鲁棒超球体无迹卡尔曼滤波算法,并分别在系统噪声和量测噪声为白噪声和有色噪声的条件下,对超球体无迹卡尔曼滤波和鲁棒超球体无迹卡尔曼滤波两种滤波方法进行了仿真实验.仿真结果表明,鲁棒超球体无迹卡尔曼滤波在白噪声情况下虽然精度有所降低,但是相对超球体无迹卡尔曼滤波具有了对有色噪声的鲁棒性,较超球体无迹卡尔曼滤波方法更适用于天向失准角为大角度并且噪声特性为有色噪声的情况.     

基于卡尔曼滤波算法的汽车运动参数测试方法研究

提出了一种采用多维组合惯性测量元件进行汽车运动参数测试的方法,并利用卡尔曼滤波算法提高了测试系统的精度。仿真结果表明：卡尔曼滤波算法对汽车姿态、速度等的解算具有较好的效果。     

基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法

针对微惯性传感器受热、力学等环境的影响显著,传统的多项式误差模型补偿效果不理想的问题,建立一种基于长短时记忆(LSTM)深度神经网络的MEMS-IMU误差模型。模型输入信息为MEMS-IMU输出的角速度、加速度、温度,输出为角速度误差、加速度误差。同时,设计了基于长短时记忆神经网络的MEMS-IMU误差模型标定流程,构建了MEMS-IMU热、线运动、角运动等多维误差因素的综合激励训练集,对长短时记忆神经网络模型进行训练。对训练得到的模型进行验证,结果表明,相对于传统方法,采用所提出的模型对加速度和角速度进行误差补偿后残差均值减小约70%,均方差分别减小39%和64%,补偿效果更好。     

基于模糊AGA-KPCA的MIMU传感器故障诊断方法

传感器输出数据的可靠性是保障其发挥作用的前提。鉴于主元分析（PCA）处理非线性问题能力的不足,提出了一种基于核主元分析（KPCA）的非线性微惯性测量单元（MIMU）传感器故障诊断方法。通过构建KPCA模型预测误差和传感器变量贡献量变化值实现故障监测与定位,为了减少参数选择的盲目性和建模工作量,利用模糊推理改进的自适应遗传算法（AGA）对KPCA核函数参数进行自动优选。仿真结果表明,所提出的方法对MIMU传感器具有良好的故障监测与识别能力,相比于常规KPCA,故障监测的平均准确率提高了18.44%,证明了方法的有效性和优势。     

MEMS-IMU构型设计及惯性器件安装误差标定方法

提出一种由三只单轴MEMS陀螺仪和三只单芯片双轴6个加速度计构成的MEMS-IMU配置方案。针对该方案的特点,研究了基于重力参考矢量对MEMS惯性器件安装误差的标定方法。该方法的关键是利用同一安装平面内的两个加速度计测量矢量的叉乘矢量的方向代替MEMS陀螺敏感轴方向,利用两轴或三轴角位置转台标定MEMS-IMU中惯性器件的安装误差。分析了标定矩阵的求逆条件数,提出了3位置和6位置的标定,指出了多位置标定中转台姿态角度的选择范围。新型MEMS-IMU配置方案及安装误差标定方法可有效解决MEMS-IMU惯性器件安装误差的标定与补偿问题。     

MEMS-IMU/GPS组合导航中的多模态Kalman滤波器设计

一般的Kalman滤波器要求有准确的动态和统计模型,而低成本的MEMS-IMU性能随着温度急剧变化,故在MEMS-IMU/GPS组合导航系统中使用一般的Kalman滤波器存在很多的局限性。针对低成本的MEMS-IMU/GPS组合导航系统,提出了多模态自适应滤波算法在MEMS-IMU/GPS组合导航系统中的应用;针对普通的多模态算法中的问题,采用修正的多模态自适应滤波算法来提高MEMS-IMU/GPS组合导航系统的性能。使用静态实时测试数据,验证了所提出的算法。测试结果表明,与普通Kalman滤波器相比,修正的多模态滤波算法提高了MEMS-IMU/GPS组合导航系统的性能;采用所提出的算法,MEMS-IMU/GPS组合导航系统的短时间静态位置精度小于5m(标准差),速度精度小于0.1m/s(标准差),姿态角精度小于0.5°(标准差)。     

一种低成本的MIMU/GPS组合导航系统快速对准方法

低成本的MIMU元件在组合导航领域取得了广泛应用,但其精度较低,无法实现自主初始对准。针对此问题,研究并提出了一种基于GPS辅助的MIMU/GPS组合导航系统对准方法。方法的基本思想是通过同一位移矢量在载体和导航两种坐标系下的不同表现形式来找出两种坐标系之间的关系,进而实现系统的初始对准。方法先用GPS对某一短距离位移进行精确定位,再用其定位结果反推MIMU捷联解算中的初始对准角。为了加强对非线性方程组的求解能力,在求解过程中引入了遗传算法,并选取了六组不同失准角状态下的数据进行了验证。计算结果表明,该方法具有较高的对准精度和较快的对准速度,因此是有效可行的,同时该方法的实现不借助于任何外部对准信息,由此节省了应用成本。     

联邦滤波在飞机组合导航中的应用

研究了中等精度捷联惯导系统(SINS),大气数据系统(ADS)和塔康系统(TACAN)构成的机载组合导航系统.在分析SINS、ADS、TACAN各自特点的基础上,提出了SISN/ADS/TACAN组合导航系统的联邦滤波方案,并建立了相应的组合导航系统的数学模型.以一条典型的飞行轨迹进行了全航线的仿真研究,仿真结果为:基于联邦滤波的SINS/ADS/TACAN组合导航系统的位置精度约为70 m(CEP),速度精度约为0.75 m/s(1),航向精度为约为 (1)和姿态精度约为 (1),由此可见基于联邦滤波的SINS/ADS/TACAN组合导航系统可以充分利用各机载导航子系统信息,满足飞机导航定位的精度要求.     

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。     

基于DSP的MIMU/GPS组合导航系统研究

介绍了一种以DSP为核心的MIMU／GPS组合导航系统设计，它具有体积小、成本低等优点。针对系统噪声难于准确统计的情况，系统采用了一种适用于系统噪声协方差阵未知情况下的自适应卡尔曼滤波算法，用它作为组合算法，并对组合导航系统进行了数字仿真。结果表明：该自适应滤波算法可以有效地抑制滤波发散，增强了系统对环境的适应性。     

Unscented Kalman filtering for nonlinear structural dynamics

Joint estimation of unknown model parameters and unobserved state components for stochastic, nonlinear dynamic systems is customarily pursued via the extended Kalman filter (EKF). However, in the presence of severe nonlinearities in the equations governing system evolution, the EKF can become unstable and accuracy of the estimates gets poor. To improve the results, in this paper we account for recent developments in the field of statistical linearization and propose an unscented Kalman filtering procedure. In the case of softening single degree-of-freedom structural systems, we show that the performance of the unscented Kalman filter (UKF), in terms of state tracking and model calibration, is significantly superior to that of the EKF.     

MIMU/GPS组合导航系统数据同步与融合方法研究

给出了以DSP为核心的MIMU/GPS组合导航系统中数据同步与融合的方法,简要介绍了仿真、调试过程中DSP程序的实现方法。采用GPS接收机输出的1PPS脉冲,结合CPLD产生的时序,实现MIMU和GPS数据的同步采集。由于系统噪声难于准确统计,因此采用模糊自适应卡尔曼滤波组合算法进行数据融合。     

基于单向无迹卡尔曼滤波的飞机姿态算法

针对扩展卡尔曼滤波方法在飞机姿态滤波中存在的线性化误差大、需要解繁琐的Jacobian矩阵等问题,将一种新型卡尔曼滤波方法——单向无迹卡尔曼滤波应用于载有低精度、高噪声传感器的低成本飞机姿态滤波系统,并在精度及计算量上与EKF和容积卡尔曼滤波进行了比较。利用实测飞行数据进行实验,结果表明:相对于EKF,SUKF实现容易,且使姿态滤波精度提高到二阶;相对于CKF,SUKF计算简单,比CKF减少约33%的计算量。     

基于改进卡尔曼滤波的汽车路试制动性能检测方法

针对传统汽车路试制动性能检测方法的不足,提出了一种基于改进卡尔曼滤波的汽车路试制动性能检测方法。根据卡尔曼滤波理论,以单频载波相位单点GPS接收机输出的速度和方位角作为观测量,通过改进的卡尔曼滤波递推算法高频率、高精度地推算出汽车制动过程的平面运动坐标和速度,进而确定汽车制动距离和平均减速度MFDD,以检测汽车的制动性能。实车试验表明,该方法的制动距离测量精度可达0.2~0.3 m,速度精度小于0.1 m/s,输出频率可达100 Hz,具有成本低、输出频率高、精度高、环境适应力强的优点,克服了传统方法的不足。