个人导航融合建筑平面信息的粒子滤波方法

针对低成本IMU自主个人导航系统方位漂移的问题,提出了一种融合鞋式IMU、楼层平面图的个人导航解决方案,为实现精度较高的室内相对定位设计了一种新的辅助粒子滤波算法。引入卡尔曼滤波+粒子滤波的级联框架,底层卡尔曼滤波器在捷联解算的基础上,利用零速修正技术估计IMU的位置和姿态;上层粒子滤波器提取步行中每一步的步长和方位变化作为量测,建立相应的步行运动模型融入非线性地图匹配技术。考虑室内应用情境,通过对传递粒子的多步推演预测和选择性剔除,推导了一种新的粒子滤波算法。采集低精度IMU的室内行走数据验证了算法的有效性:约300 m行程的室内导航最终位置误差不超过0.3 m。表明提出的级联滤波算法框架能有效解决建筑平面信息辅助情形下的个人导航问题,新设计的粒子滤波算法有助于提高个人导航系统连续位置测定的精度和可靠性。     

抗差自适应插值粒子滤波及其在组合导航中的应用

针对粒子滤波存在的粒子退化和重要性密度函数难以选取的问题,在吸收抗差自适应滤波、二阶插值滤波和粒子滤波算法优点的基础上,提出了一种新的抗差自适应插值粒子滤波算法。该算法利用二阶插值滤波算法得到重要性密度函数,通过抗差自适应因子实时控制动力学模型误差及观测异常对导航解的影响。将该算法应用于SINS/CNS/SAR组合导航系统进行计算仿真,并与经典的粒子滤波算法进行比较分析。结果表明,提出的滤波算法得到的姿态误差控制在[-0.3′,+0.3′],速度误差控制在[-0.4 m/s,+0.4 m/s],位置误差控制在[-5 m,+5 m],性能明显优于经典的粒子滤波算法。新的滤波算法不但能够有效地抑制粒子退化,而且能够有效地控制动力学模型误差及观测异常的影响,提高了组合导航的滤波精度。     

基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。     

抗差自适应模型预测滤波及其在组合导航中的应用

为了提高捷联惯导(SINS)/天文导航(CNS)/合成孔径雷达(SAR)组合导航系统的定位精度,在吸收模型预测滤波和抗差自适应滤波算法优点的基础上,提出了一种新的抗差自适应模型预测滤波算法。该算法首先利用模型预测滤波估计出系统模型误差,并对其进行实时修正,以抑制系统模型误差对导航解算精度的影响;然后利用抗差自适应因子控制观测异常,抑制观测噪声对导航解算精度的影响。将提出的算法应用于SINS/CNS/SAR组合导航系统进行仿真验证,并与抗差自适应滤波进行比较,结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[0.2,0.2]、[0.3m/s,0.3m/s]和[6 m,6 m]以内,滤波性能明显优于抗差自适应滤波算法,说明该算法能有效抑制系统模型误差及观测异常对导航解的影响,提高组合导航的解算精度。     

混合高斯粒子滤波在组合导航中应用的计算量分析

针对组合导航中出现的线性非线性混合滤波实现过程中的计算量问题,给出了一种混合高斯粒子滤波改进算法的计算量分析方法。根据该滤波算法特点,分析并总结了一种理论获取粒子滤波计算量的方法,据此定量的分析了该算法的计算量。并以SINS/GPS组合导航系统为例,具体分析了混合高斯粒子滤波算法计算量问题。仿真结果验证了该计算量理论分析方法的有效性。该方法同样可以推广到一般粒子滤波和其它非线性滤波算法中,能在理论上解决组合导航系统中非线性滤波计算量及滤波时间的计算仿真问题。     

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。     

基于蜂窝网格粒子滤波的行人导航航向估计方法

为了提高低成本行人惯性导航系统的实时导航精度,针对行人惯性导航系统航向角发散问题,提出一种适用于实时行人导航系统的蜂窝网格粒子滤波算法(CSPF,cellular structure particle filter)。该方法将二维平面划分为紧密相连的蜂窝六边形区域,记录行人运动的历史轨迹信息,采用粒子滤波方法对航向误差补偿量进行估计。蜂窝网格粒子滤波算法在行人惯性导航系统的实验结果表明,引入了蜂窝网格粒子滤波的行人惯性导航方法与常规方法相比能有效改善实时行人惯性导航精度。在二维行走实验中,水平位置误差百分比由5.3%改进到1.7%;三维行走实验中,水平误差百分比由4.2%改进到2.9%。     

权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。     

基于粒子群优化的UKF在SINS/GPS组合导航中的应用

针对组合导航中使用传统Kalman滤波方法时噪声协方差矩阵参数需要耗时耗力反复试验得到的问题,提出利用粒子群优化算法对卡尔曼滤波器的滤波参数Q和R进行寻优后用于组合导航的方法。将滤波参数Q和R作为粒子进行寻优,将粒子群算法优化得到的滤波参数值作为卡尔曼滤波器输入参数,用于SINS/GPS组合导航系统。仿真实验结果表明,12次实验中粒子群算法搜索出的参数均值分别为0.0208(°)/h、94.7827?g,接近所设置的噪声参数值与标准参数值0.02(°)/h、100?g。半物理实验结果表明,在实际系统中,与经验参数值用于卡尔曼滤波器相比,粒子群算法优化得到的滤波参数值位置估计精度提高了15%~30%,从而提高了组合导航性能。     

模糊抗差自适应粒子滤波及其在组合导航中的应用

在研究模糊控制理论的基础上,吸收了粒子滤波、自适应滤波和抗差估计的优点,提出一种新的模糊抗差自适应粒子滤波算法。文中根据量测向量中的粗差对状态向量滤波的影响,建立抗差自适应粒子滤波模型,获得自适应因子,然后对滤波处理后的数据残差基于模糊理论构造等价权函数,利用等价权函数和自适应因子合理地分配信息,因而可以达到一般滤波方法无法达到的滤波精度,且能有效地控制粗差对导航解的影响。最后,将该算法应用到组合导航系统中,并进行仿真验证。仿真结果证明,文中提出的模糊抗差自适应粒子滤波算法的滤波精度相对于扩展Kalman滤波和粒子滤波提高了3至5倍,明显提高了导航定位精度,且计算简单,便于实时性计算。