复杂环境下基于Huber-RKF的移动机器人信息融合算法

为解决移动机器人组合导航系统中由于存在时变、非高斯噪声而导致的估计精度下降问题,提出一种将秩卡尔曼滤波器(Rank Kalman Filter, RKF)与Huber统计线性回归近似方法相结合的Huber秩卡尔曼滤波算法(Huber-RKF)。RKF与高斯确定点采样型滤波算法结构相似,但它不需要满足高斯分布假设条件,完全利用秩统计量相关原理计算采样点及其权值,适用于非线性、非高斯系统;Huber方法将l1/l2混合范数作为代价函数,通过迭代求得最优估计值,具有较好的鲁棒性;把二者相结合,将Huber最优估计作为RKF算法结构中的量测更新,得到的Huber-RKF算法具有良好的鲁棒性和滤波估计精度。仿真实验中将Huber-RKF与EKF、RKF以及交互式多模型秩卡尔曼滤波器(IMM-RKF)进行比较,其纬度、经度估计误差分别减小了69.5%、75.6%,44%、44.1%,27%、14%;算法实时性方面,Huber-RKF算法中程序循环体单次执行的时间为20.8 ms,比IMM-RKF执行速度快33%。     

基于高斯混合模型的惯导/计程仪组合导航方法

针对长航时舰船航行过程中电磁计程仪误差变化较大,同时存在未知测量噪声,无法满足船用捷联惯导/电磁计程仪组合导航系统对计程仪要求的问题,提出了一种用于非线性非高斯系统状态估计的滤波方法。以无迹卡尔曼滤波为组合导航系统基本算法,测量噪声密度分布中引入高斯混合模型,提出了捷联惯导/电磁计程仪组合导航的高斯混合模型无迹卡尔曼滤波算法,达到实时准确估计并补偿惯性导航系统误差的目的。航行试验验证了基于高斯混合模型组合导航方法的可行性,使得捷联惯导/电磁计程仪组合导航系统的最大定位误差由水平阻尼的1213 m减小到392 m,且比传统无迹卡尔曼滤波方法进一步消除了计程仪误差的影响,定位精度提高了15%。     

自适应交互式多模型AUV组合导航算法

提出了一种基于期望模式修正(EMA)的改进交互式多模型(IMM)算法.该算法主要解决自主水下航行器(AUV)复杂工作环境下量测噪声统计特性未知或易发生变化时的状态估计问题,其核心思想是将期望模式修正机制和交互式多模型滤波算法相结合,利用状态估计过程中的获取的模型概率进行决策,得到更加接近与系统真实模式的期望模型集合,再通过期望模型集合滤波结果对固定模型集合滤波结果进行修正.与传统的交互式多模型算法相比,提出的基于期望模式修正的交互式多模型算法可以捕捉到系统模式更细微的变化.仿真结果表明,该算法可以大幅提高AUV组合导航系统的估计精度和稳定性.     

自适应交互式多模型AUV组合导航算法（英文）

提出了一种基于期望模式修正(EMA)的改进交互式多模型(IMM)算法。该算法主要解决自主水下航行器(AUV)复杂工作环境下量测噪声统计特性未知或易发生变化时的状态估计问题,其核心思想是将期望模式修正机制和交互式多模型滤波算法相结合,利用状态估计过程中的获取的模型概率进行决策,得到更加接近与系统真实模式的期望模型集合,再通过期望模型集合滤波结果对固定模型集合滤波结果进行修正。与传统的交互式多模型算法相比,提出的基于期望模式修正的交互式多模型算法可以捕捉到系统模式更细微的变化。仿真结果表明,该算法可以大幅提高AUV组合导航系统的估计精度和稳定性。     

基于高斯过程的中心差分卡尔曼滤波在BDS/INS组合导航中的应用

针对扩展卡尔曼滤波器在BDS/INS组合导航系统模型不确定时精度下降的问题,提出了一种基于高斯过程的中心差分卡尔曼滤波算法(GP-CDKF)。在训练数据有限的情况下,用中心差分卡尔曼滤波(CDKF)来估计组合导航系统的状态向量;同时高斯过程可以考虑CDKF中的噪声和不确定性。因此,将高斯过程引入到CDKF中,可以进一步提升导航性能。试验结果表明,GP-CDKF与CDKF算法相比,东向、北向位置误差分别降低16.4%、57.1%,东向、北向速度误差分别降低15.9%、23.3%,说明GP-CDKF算法在动态系统状态估计方面优于CDKF算法。将GP-CDKF应用于BDS/INS组合导航系统中,可以有效提高导航性能。     

带不确定混合噪声系统的变分贝叶斯期望最大滤波算法

卡尔曼滤波器假设量测噪声为已知统计特性的高斯白噪声,然而系统可能受到不确定随机噪声以及未知有界噪声共同影响,若采用单一滤波策略,则估计结果易出现较大偏差。将两种不确定噪声运用未知参数的高斯混合模型进行表示,提出变分贝叶斯期望最大滤波算法。所提方法采用变分贝叶斯最大化方法对量测噪声模型中的超参数进行更新,在得到模型超参数后,利用变分贝叶斯期望算法计算噪声模型的隐变量。对上述过程反复迭代,最终获得系统的状态和协方差。仿真结果表明,相比于传统的卡尔曼滤波算法和联合滤波算法,变分贝叶斯期望最大滤波算法在出现混合不确定噪声时,经纬度定位精度均提高60%以上,提高了导航系统的精确性。     

一种基于M估计的抗差自适应多模型组合导航算法

针对复杂环境下因量测噪声统计特性时变及量测粗差而引起的组合导航精度下降的问题,提出了一种基于M估计的抗差自适应多模型组合导航算法。所提算法突破了传统交互式多模型算法定结构的限制,凭借所提出的模型集自适应调整策略,能够快速估计量测噪声统计特性,并利用模型概率信息对模型转移概率矩阵进行实时修正;引入了基于M估计的抗差Kalman滤波算法,以提高滤波抗差能力。以SINS/DVL组合导航系统为例,通过仿真和长江试验对所提算法进行了验证,结果表明所提算法有效降低了量测噪声统计特性时变及量测粗差对滤波精度的影响。在长江试验中,所提算法相比AIMM算法,东、北向速度误差和位置误差的均方根误差分别下降了44%、36%和41%、53%,水平定位精度提升了约45.9%,定位精度提升显著。     

基于GPS/INS不同测量特性的自适应卡尔曼滤波算法

在GPS/INS组合导航系统中,针对现有自适应滤波算法对GPS测量噪声估计准确性、可靠性不高的问题,提出了一种基于GPS、INS不同测量特性的自适应卡尔曼滤波算法.该算法基于GPS和INS不同的测量性质,利用惯导系统的短期高精度性,获得对GPS测量噪声统计特性自适应估计.仿真结果表明,该算法能够在GPS测量噪声统计特性未知或发生变化的情况下,适时地跟踪GPS测量噪声,准确估计滤波系统的观测噪声协方差阵R,其滤波精度和鲁棒性明显优于改进的sage-husa自适应算法,特别是在采用低精度INS情况下,能够有效克服改进的sage-husa自适应算法滤波发散的现象.     

一种改进的姿态匹配船体变形测量方法

针对船体变形测量系统中模型不确定以及未知噪声影响导致的误差问题,分析并推导了模型偏差对滤波估计的影响,提出一种基于姿态匹配的强跟踪最大互相关熵卡尔曼滤波(STMCKF)算法,用于船体变形估计。该算法采用姿态匹配,基于两套惯性系统的姿态信息确立滤波观测量并建立线性量测方程,通过自适应在线调整多个渐消因子对多个数据通道进行渐消,减小模型失配导致的误差,并设计基于最大互相关熵准则为最优准则的滤波算法,减小量测过程中受到的非高斯噪声产生的误差。最后,在模型不匹配及噪声不确定的条件下进行了仿真验证。仿真结果表明,与传统卡尔曼滤波相比,变形估计精度提高10%～30%,提高了系统鲁棒性和环境适应性。     

激光捷联惯导系统/地形辅助导航系统中卡尔曼/粒子组合滤波算法设计及仿真

粒子滤波技术是近几年出现的一种非线性滤波技术，它适用于非线性系统以及非高斯噪声模型。结合粒子滤波和卡尔曼滤波各自的优点，给出了一种卡尔曼／粒子组合滤波器，并将这种滤波器应用到激光捷联惯导（LSINS）／地形辅助导航（TAN）数据融合过程中，避免了地形复杂的线性化问题。仿真结果表明，系统的定位精度得到了明显提高。应用粒子滤波器及其改进算法解决了导航系统中存在的强非线性问题。     

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。     

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)。     

基于鲁棒滤波的无人机着陆相对导航方法

针对无人机在移动平台上进行起降时的相对导航问题,提出了一种基于鲁棒高阶容积滤波的惯导/视觉相对导航方法。建立了相对导航系统模型,基于无人机与移动平台之间的相对运动给出了系统的相对惯导方程,并针对系统中传感器的量测特性给出了导航敏感器的测量方程。针对相对导航系统非线性较强且量测噪声不符合高斯分布等问题,在高阶容积滤波的基础上,结合Huber-based量测更新方程,设计了鲁棒高阶容积滤波相对导航滤波器,该方法具有较高的估计精度,且对混合高斯噪声有鲁棒性。相对姿态采用四元数表示,为保证四元数的归一化,在设计相对导航滤波器时采用修正的罗德里格斯参数表示姿态误差。仿真结果表明,该方法可以准确地给出无人机与移动平台之间的相对位置、速度和姿态信息,且估计精度高于扩展卡尔曼滤波、Huber-Based滤波以及高阶容积卡尔曼滤波。     

基于交互式多模型滤波的船体变形惯性测量方法

基于惯性测量单元的匹配滤波算法是测量船体变形的发展趋势,然而在实际航行中,船体变形模型参数是未知或存在不确定性,模型参数的这一特性对滤波估计结果影响较大。针对此问题,利用"速度+角速度"匹配算法分析了模型参数未知对滤波估计效果的影响,引入交互式多模型卡尔曼滤波方法,利用不同模型参数的似然函数进行概率分配。最后通过仿真对提出的方法进行了验证,结果表明,与传统卡尔曼滤波相比,估计精度提高了5%~10%,收敛时间提高了1倍,动态变形角的收敛时间在10 s以内,静态变形角的收敛时间在5s以内,提高了系统的环境适应性。     

时间相关噪声条件下的捷联惯导/星敏感器组合导航方法

针对星敏感器测量信息含有时间相关测量噪声和振动环境下惯性传感器带来的时间相关系统噪声问题,在不增加滤波维数的基础上,提出了一种基于改进卡尔曼滤波的捷联惯导/星敏感器组合导航方法。分析了时间相关噪声对状态估计的影响,构建了基于时间相关噪声模型下的状态方程和量测方程,详细推导了改进卡尔曼滤波方程,给出了组合导航方法。利用仿真对所提方法进行了验证,仿真结果表明,组合导航方法取得了400 m/1200 s的导航精度;在时间相关噪声条件下,与标准卡尔曼滤波相比,基于改进卡尔曼滤波的组合导航方法定位精度提高了50 m,是有效可行的。     

基于Allan方差解耦自适应滤波的旋转SINS精对准方法

对旋转式SINS精对准方法进行了研究,由于转位机构转动干扰以及惯性器件误差不确定性带来的影响,旋转式SINS状态方程和量测方程噪声方差参数难以确定,进而导致初始对准精度降低,针对这个问题引入自适应Kalman滤波技术。Sage-Husa是一种常用的自适应滤波算法,但是存在噪声参数强耦合缺陷。通过研究Allan方差与量测噪声方差之间的关系,利用Allan方差滤波器具有带通滤波的特点,独立计算量测噪声协方差阵R_k,该方法能够有效克服Sage-Husa滤波耦合问题,相比其它改进方法具有简单易实现等特点。对该研究进行了仿真实验与实际系统验证实验,结果表明:对于中等精度光纤陀螺单轴旋转SINS,自适应Kalman滤波算法航向角对准精度比标准Kalman滤波算法精度要高0.6’左右,且在误差估计过程中,自适应Kalman滤波器能够更好地抑制外界干扰误差的影响,是一种较好的精对准方法。     

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发,分析了Kalman滤波算法的实质及容量发散的原因。提出在Kalman滤波中引入了系统量测噪声协方差阵（R）的计算,并对其加权,从而影响滤波增益,抑制发散。推算舰位／GPS组合导航的应用仿真表明：量测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。     

组合导航系统卡尔曼滤波衰减因子自适应估计算法研究

提出了一种衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS／SINS组合导航系统中进行了计算仿真。仿真结果表明：该算法能够较好地估计出衰减因子的大小,有效地抑制滤波发散,提高导航精度。     

一种基于自适应去偏转换滤波的机动目标跟踪

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器.该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性.与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度.仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38％的位置误差.