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。     

基于模糊迭代均方根容积卡尔曼滤波的天基非合作目标跟踪

针对非合作航天器相对导航中测量噪声不确定的问题,提出了一种模糊迭代均方根容积卡尔曼滤波算法,实现对非合作目标相对状态的测量。该算法利用容积点均方根迭代策略和模糊推理系统实时调整改进容积卡尔曼滤波的量测噪声协方差阵权值,修正量测噪声协方差阵,使其接近真实噪声值,从而提高目标跟踪算法的自适应能力,提高了滤波精度。通过建立数学仿真模型,分别采用扩展卡尔曼滤波、容积卡尔曼滤波以及模糊迭代均方根容积卡尔曼滤波进行跟踪仿真,仿真结果表明,与标准容积卡尔曼滤波相比,该改进算法能够提高13.17%的跟踪精度。     

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。     

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。     

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。     

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。     

基于NPF-CKF的捷联惯导系统动基座初始对准技术

当海况不佳时,水下航行器大幅晃动,捷联惯导系统无法快速完成自主初始对准,因此提出了利用多普勒计程仪提供的速度信息进行运动中辅助对准。针对在非线性对准中扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,提出了一种基于非线性预测滤波的求容积卡尔曼滤波算法。该滤波算法将惯性器件测量误差作为模型误差使用非线性预测滤波器进行实时预测,然后再利用求容积卡尔曼滤波对模型误差补偿后的系统进行状态估计。仿真结果表明,与扩展卡尔曼滤波和求容积卡尔曼滤波算法相比,该滤波算法能够不仅提高失准角特别是方位失准角的估计精度,其精度约为45″,而且加快了收敛速度。同时由于该滤波算法降低了系统状态的维数,因此也大大减少了计算量。     

有色噪声下的目标跟踪卡尔曼滤波新算法

传统卡尔曼滤波(KF)适用于白噪声数据的处理,当机动目标跟踪系统的噪声数据存在有色噪声时,采用KF解算的精度降低,不能满足高精度导航的要求。一步相关卡尔曼滤波(OCKF)虽能用于抵制有色噪声的影响,但不适用于高阶有色噪声模型,缺乏一定的适用性,因此提出一种处理有色噪声的多步相关卡尔曼滤波(MCKF)新算法:利用历元噪声的相关性特性,构建多步相关的噪声协方差矩阵,通过线性变换,得到改进的状态协方差公式和增益矩阵。仿真结果表明,MCKF算法在状态噪声为有色噪声或者观测噪声为有色噪声以及两者皆为有色噪声的情况下,均能有效减弱有色噪声在机动目标跟踪过程中对系统状态的扰动,提高滤波的估计精度。     

组合导航系统多重衰减因子自适应估计算法比较研究

提出了多重衰减因子自适应估计卡尔曼滤波方法,用该方法对系统每个误差状态估计进行控制,提高滤波器的估计性能。仿真结果表明,新算法在系统噪声特性不准确的情况下,能够抑制卡尔曼滤波估计的发散,GPS/SINS组合导航精度比强跟踪滤波估计的精度高。这种算法推导形式简单,计算量小,适合在线运算。     

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.