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)。     

一种新型自适应联邦滤波方法在战术导弹导航系统中的应用

为满足复杂的环境下战术导弹导航系统的高可靠性导航的要求,对战术导弹的多传感器组合导航进行了研究.提出了一种基于新型自适应联邦卡尔曼滤波的巡航导弹SINS/GPS/EC组合导航方法,根据联邦滤波的分散滤波结构,分别建立了各滤波器的模型,进行了仿真试验验证.仿真结果表明,采用新型自适应联邦卡尔曼滤波算法的导航精度比采用集中卡尔曼滤波算法提高幅度不大,略高一些,但从自适应联邦卡尔曼滤波器的容错性比集中卡尔曼滤波器好得多,便于各导航子系统的故障检查和隔离.本文设计自适应联邦SINS/GPS/EC滤波器的在子系统较多的组合导航设计中具有高可靠性、低计算量、低成本和小体积等优势,具有工程应用价值.     

基于模糊逻辑控制的舰船组合导航自适应卡尔曼滤波器

双天线GPS提供的载体姿态信息与惯性导航系统信息进行融合可提高组合导航系统的性能。由于在实际应用中,GPS接收机可能会受到某种干扰无法提供舰船航向信息,从而降低传统卡尔曼滤波器的性能。因而提出了一种新的基于模糊逻辑控制的自适应卡尔曼滤波器。改进后的卡尔曼滤波器使用两个模糊逻辑控制器来调整两个系统的组合模式,并且根据卡尔曼滤波器的内部状态、GPS工作状态和舰船运动状态来计算卡尔曼增益。通过使用INS和GPS的实测数据验证,这种基于模糊逻辑控制的自适应卡尔曼滤波器能有效的提高INS/GPS组合导航系统的性能。     

基于权值矩阵的模糊自适应卡尔曼滤波在组合导航中的应用

针对自主驾驶车辆长时间导航精度要求难以满足的问题,建立了GPS与微惯性导航系统的组合导航滤波模型,在位置观测的同时引入姿态信息,提高了导航精度。在此基础上提出了基于权值矩阵的模糊自适应卡尔曼滤波算法,该算法通过模糊控制器自适应地改变每个观测量的权值,得到权值矩阵引入卡尔曼滤波器实现自适应滤波。仿真和实验结果表明,所提出的权值矩阵模糊卡尔曼滤波性能优于衰减因子自适应卡尔曼滤波,特别是在GPS信号失真及噪声先验统计特性不可知的情况下,其定位精度能够保证在1m之内。     

基于INS/GPS组合导航的自适应模糊卡尔曼滤波

针对组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的INS/GPS组合导航算法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的跑车试验,结果表明该方法在高噪声环境中具有良好的信息融合能力,能有效跟踪研究对象的状态变化。进一步表明该方法是有效、实用的。     

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.     

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。     

自适应联邦滤波器及其在组合导航系统中的应用

针对现有的信息分配方法在滤波精度和自适应性方面存在不足的问题,设计了一种在模糊神经网络基础上改进的自适应联邦滤波器,利用模糊神经网络自适应地调整信息分配系数,从而有效抑制干扰对子滤波器工作状态的影响,使主滤波器能够充分、有效地利用子滤波器的信息。将这种自适应联邦滤波器应用到MINS/GPS组合导航系统设计中,并对系统进行了仿真。通过与基于常规联邦滤波器的组合系统的仿真结果比较可知,自适应联邦滤波器的组合系统在性能上有了显著的提高,且速度误差标准差控制在0.06m/s以内,位置误差标准差控制在3.3m以内,具有良好的导航精度。     

基于相位补偿的舰船升沉位移测量方法

为了解决舰船升沉信息测量过程中传统升沉数字滤波器存在输出信号相对于实际信号相位超前的问题,提出了一种基于相位估计与补偿的自适应滤波算法。分析了传统升沉数字滤波器输出相位超前的原因,采用加权傅里叶线性组合频率估计算法实时估计输入信号的频率,并设计自适应FIR滤波器对传统升沉数字滤波器的输出进行相位补偿。将自适应FIR滤波器与传统升沉数字滤波器的估算结果进行模拟实验对比。实验结果表明自适应FIR滤波器输出的升沉位移精度达到厘米级,有效提高了舰船升沉信息测量的准确性和实时性。     

复杂环境下无人车双重自适应定位算法

针对复杂环境中部分传感器失效情况下无人车定位精度下降甚至出现无法定位问题,提出局部自适应滤波和自适应信息共享因子分配的双重自适应算法,提升了无人车多源融合定位性能。所提算法利用新息自适应调节测量噪声对局部滤波器进行自适应状态估计,利用局部滤波器状态协方差和观测噪声自适应分配信息共享因子,能有效地抵御观测值粗差影响。仿真结果和实车测试数据均表明,该双重自适应定位算法能够根据局部滤波器新息和状态协方差在线自动更新信息共享因子,相比自适应联邦卡尔曼滤波算法和经典联邦卡尔曼滤波算法,位置精度分别提高了44%和63%,误差小于1 m,验证了所提算法在复杂环境下能有效提高整个导航系统的可靠性、鲁棒性。     

Galileo系统动态滤波的研究

提出一种Galileo动态定位滤波的方法。该方法从Galileo系统接收机输出的定位结果入手，将各种误差因素的影响等效为一个总误差，对Galileo系统接收机的机动载体加速度采用当前统计模型，利用线性卡尔曼滤波器进行动态定位数据的处理，并将次优加权自适应卡尔曼滤波算法应用到Galileo系统动态定位中。该模型简单，实时性好，滤波后定位精度得到提高。     

一种自适应联合卡尔曼滤波器及其在车载GPS/DR组合导航系统中的应用研究

—本文设计了实现车载ＧＰＳ／ＤＲ组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于ＧＰＳ／ＤＲ组合导航系统的最优综合校正中。理论分析及计算机仿真结果均表明，应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ组合导航系统的定位精度及容错能力。     

GPS 动态滤波的新方法

本文提出一种ＧＰＳ动态定位滤波的新方法。该方法直接从ＧＰＳ接收机输出的定位结果入手，将各种误差因素的影响等效为输出定位结果的总误差，视为有色噪声，建立线性卡尔曼滤波模型对位置和速度信息进行估计。与以往采用的非线性卡尔曼滤波器相比，滤波后定位误差明显减小，且模型简单，系统运算量降低，实时性较好。另外，为了提高滤波器的动态性能，还提出了一种有效的次优加权自适应卡尔曼滤波算法     

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。     

动态系统的抗差Kalman滤波及其影响函数

离散历元动态测量及其相应的动态模型可能存在异常，若在数据处理不中考虑对这些异常的特别处理，则动态模型参数估值及其所提供的动态信息将极不可靠。对于GPS动态定位数据的处理，按抗差估计原理，构造了状态向量和观测值对模糊度的影响函数，并由此建立了动态GPS定位的抗差Kalman滤波解法。实际计算验证了该方法的实用性和可靠性。     

一种采用小波神经网络的GPS精密单点定位方法

针对GPS精密单点定位对高精度的需求,提出了一种采用小波神经网络的GPS精密单点定位解算方法。该方法利用小波变换和神经网络学习功能,无需准确系统先验信息,误差函数能够快速收敛,逼近真实误差模型,从而提高GPS精密单点定位精度。仿真结果表明,静态条件下与传统最小二乘法和卡尔曼滤波算法相比,该算法定位收敛时间缩短50%,定位精度分别提升90%和50%。动态情况下,较最小二乘法和卡尔曼滤波算法定位精度提高20%~80%。     

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。     

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。     

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。