Robust adaptive filtering method for SINS/SAR integrated navigation system

This paper presents a new robust adaptive filtering method for SINS/SAR (Strap-down Inertial Navigation System/Synthetic Aperture Radar) integrated navigation system. This method adopts the principle of robust estimation to adaptive filtering of observational data. A robust adaptive filter is developed to adaptively determine the covariance matrix of observation noise, and adaptively adjust the covariance matrix of system state noise according to the adaptive factor constructed based on predicted residuals. Experimental results and comparison analysis demonstrate that the proposed method cannot only effectively resist disturbances due to system state noise and observation noise, but it can also achieve higher accuracy than the adaptive Kalman filtering method.     

Hierarchical adaptive Kalman filtering for interplanetary orbitdetermination

A modular and flexible approach to adaptive Kalman filtering has recently been introduced using the framework of a mixture-of-experts regulated by a gating network. Each expert is a Kalman filter modeled with a different realization of the unknown system parameters. The unknown or uncertain parameters can include elements of the state transition matrix, observation mapping matrix, process noise covariance matrix, and measurement noise covariance matrix. The gating network performs on-line adaptation of the weights given to individual filters based on performance. The mixture-of-experts approach is extended here to a hierarchical architecture which involves multiple levels of gating. The proposed architecture provides a multilevel hypothesis testing capability. The utility of the hierarchical architecture is illustrated via the problem of interplanetary navigation (Mars Pathfinder) using simulated radiometric data. It serves as a useful tool for assisting navigation teams in the process of selecting the parameters of the navigational filter over various operating regimes. It is shown that the scheme has the capability of detecting changes in the system parameters and switching filters appropriately for optimal performance. Furthermore, the expectation-maximization (EM) algorithm is shown to be applicable in the proposed framework     

自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

包含乘性噪声自适应修正的非合作目标相对导航算法

无人机（UAV）态势感知的任务是利用机载传感器对未知环境进行目标识别和引导，针对无人机与非合作目标间中远距离的相对导航问题，提出了一种基于角度和距离量测的相对状态估计算法。在现有滤波算法的基础上，为了提高精度和稳定性，本文利用了列文伯格-马夸尔特（LM）优化的思想对迭代卡尔曼滤波（IEKF）算法进行改进，提出了一种LM-IEKF算法，并推导该算法在迭代过程中的状态更新方程及协方差阵的递推公式。在此基础上，考虑到距离传感器由于信号相关特性而引入的乘性噪声，现有的加性噪声模型难以适应，因此，进一步提出了基于量测噪声自适应修正的Modified LM-IEKF方法，通过在线实时更新噪声阵提高滤波的精度，并设置渐消记忆指数平滑估计结果。算法验证结果表明，与现有的EKF、IEKF算法相比，在仅含加性噪声的情况下，LM-IEKF算法具有更好的性能；在包含乘性噪声的情况下，Modified LM-IEKF可以有效地估计量测噪声，与目前广泛使用的EKF算法相比，在综合相对位置和相对速度精度上分别提高了10%和23%。     

多渐消因子Kalman滤波器在SINS初始对准中的应用(英文)

针对系统模型和统计信息不能精确已知的条件下Kalman滤波无法给出最优解这一问题,单一渐消因子Kalman滤波算法对于简单的系统是有效的,但是对于复杂的多变量系统,仅仅利用单个的渐消因子是不够的。本文提出了一种多渐消因子滤波算法,通过利用开窗法计算新息序列协方差的无偏估计获得渐消因子矩阵。利用渐消因子矩阵调节一步预测均方误差矩阵k|k1P,对不同的滤波通道提供不同的渐消速率。将该方法应用于SINS的初始对准中,仿真和试验结果表明:当真实系统噪声统计特性同设定参数不一致时,对准精度明显高于其他滤波算法。其对不确定性噪声具有较低的敏感度,对系统参数具有较好的滤波效果。因而,在实际应用中具有重要的参考价值。     

基于改进强跟踪ASCKF算法的SINS/GNSS组合对准方法

大方位失准角下的SINS/GNSS组合对准系统呈非线性,采用传统的卡尔曼滤波方法进行初始对准易导致对准精度下降甚至滤波发散。基于此,提出了一种基于改进强跟踪自适应平方根容积卡尔曼滤波算法的组合对准方法。该方法采用QR分解求取协方差的分解因子,并在状态预测方差阵的平方根更新中引入多重渐消因子调整滤波增益;同时,基于Sage-Husa自适应滤波,引入改进的时变噪声估计器实时估计噪声的统计特性。仿真结果表明,采用改进的滤波算法进行大方位失准角下的组合对准,对准精度明显提高。     

Tracking targets using adaptive Kalman filtering

A simple algorithm for estimating the unknown process noise variance of an otherwise known linear plant, using a Kalman filter is suggested. The process noise variance estimator is essentially dead beat, using the difference between the expected prediction error variance, computed in the Kalman filter, and the measured prediction error variance. The estimate is used to adapt the Kalman filter. The use of the adaptive filter is demonstrated in a simulated example in which a wildly maneuvering target is tracked     

鲁棒Kalman滤波及其在水下组合导航中的应用

在水下捷联惯导(SINS)/多普勒计程仪(DVL)组合导航系统中,当外部辅助信息受到野值等非高斯噪声污染时,选取调节因子γ为固定值将会降低基于Huber方法的鲁棒Kalman滤波(HRKF)算法的精度和鲁棒性。针对此问题,提出了一种基于马氏距离(MD)算法的调节因子自适应的鲁棒Kalman滤波(HRAKF)算法。首先利用MD算法对正常/异常的观测量进行辨识;进而建立γk递推关系式,并根据量测噪声特性对γ值进行实时调整;最后利用γk求取Huber权函数,并对量测噪声阵进行修正。选取8000s船载实测数据,分别利用Kalman滤波(KF)、HRKF及HRAKF算法进行水下组合导航半物理仿真试验。试验结果初步表明:在观测量受到野值或混合高斯分布噪声污染时,相较于KF和HRKF,HRAKF可实现更高精度、更加稳定的组合导航。     

一种基于冗余测量的自适应卡尔曼滤波算法

针对目前自适应滤波算法的不足,在测量系统量测噪声方差未知的情况下,设计了一种基于冗余测量的自适应卡尔曼滤波(RMAKF)算法。通过对系统冗余测量值的一阶、二阶差分序列进行有效的统计分析,可以准确估计系统量测噪声统计特性,进而在滤波过程中自适应调节噪声方差阵R,提高滤波精度。以全球定位系统/惯性导航系统(GPS/INS)松组合导航系统为对象进行了仿真实验,结果表明该算法在测量系统噪声特性未知或发生改变时,可对其进行准确估计,在采用低精度惯性器件情况下,滤波结果较其他主要自适应卡尔曼滤波算法有较明显的改进。     

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

GPS/INS组合导航系统自适应滤波算法与仿真研究

随着组合导航系统应用环境的日趋复杂，给噪声统计特性的准确描述带来困难，这将造成Kalman滤波器不稳定甚至发散。首先对目前解决此问题常用的自适应滤波方法进行了总结和分析，在此基础上，给出了基于滤波收敛性判据，结合Sage-Husa自适应滤波和强跟踪Kalman滤波的改进自适应滤波算法。最后以GPS／INS组合导航系统为例进行了计算机仿真，结果表明：该算法可有效抑制滤波发散，具有较大范围的自适应能力。     

空间平台机动变轨自主导航研究

针对空间平台在高轨道机动变轨过程中自主导航的需求,采用了基于Kalman滤波器的捷联惯导与星敏感器的组合导航方案。结合Kalman滤波中协方差更新的误差分配分析方法,分析了影响空间平台状态估计误差的主要因素。采用适用于高轨道的球谐重力模型,运用STK工具包设计了变轨机动轨迹,将该轨迹应用于组合导航方案的仿真验证。仿真结果表明,量测噪声是影响空间平台姿态精度的主要因素,加速度计零偏对变轨过程速度精度有决定性影响,改善两者的精度可以实现空间平台机动变轨的高精度自主导航。     

基于改进联邦Kalman滤波的组合校准方法研究

联邦滤波器广泛应用于多传感器信息融合领域,联邦滤波中的信息分配原则影响滤波精度.针对联邦Kalman滤波器进行改进,采用基于估计协方差阵奇异值动态确定信息分配系数.对子滤波器进行重置时,采用新的重置方法,保证了子滤波器误差协方差阵的对称性,确保Kalman滤波器的一致收敛稳定性.新的联邦滤波算法允许每个状态分量拥有不同的动态信息分配因子,从而改进了联邦滤波信息融合的精度.设计了SINS/GPS/电子罗盘组合导航系统,仿真结果说明,与传统联邦滤波算法相比,改进的联邦滤波器估计精度得到了提高,可以更好地对SINS误差进行校准,提高系统的精度.     

双轴连续旋转调制捷联惯导系统大失准角初始对准技术

由于可以补偿惯性器件在三个轴向上的输出误差，双轴旋转调制技术被广泛应用于捷联惯导系统(SINS)。选择了一种合理且实用的十六次序双轴转位方案，并对其调制原理和误差进行了分析。初始对准技术是捷联惯导系统的一项重要技术，其对准精度直接决定了后续导航的精度。在粗对准完成后，当姿态误差角较大时，后续的精对准误差模型呈非线性特性，故选择了滤波精度高、稳定性强的平方根容积Kalman滤波算法(SCKF)来解决这一问题。考虑到在实际对准过程中，量测噪声的统计特性易发生变化，将SCKF算法与Sage-Husa算法相结合，在传统Sage-Husa SCKF算法的基础上提出了一种改进的自适应滤波算法(ASCKF)。该算法采用QR分解来完成对噪声协方差的平方根矩阵估计，从而避免了传统Sage-Husa SCKF算法中所估噪声协方差矩阵不正定的问题。最后，通过仿真证实了ASCKF算法可被很好地应用于量测噪声统计特性发生变化的初始对准中。     

A new SINS/GPS sensor fusion scheme for UAV localization problem using nonlinear SVSF with covariance derivation and an adaptive boundary layer

The state estimation strategy using the smooth variable structure filter(SVSF) is based on the variable structure and sliding mode concepts. As presented in its standard form with a fixed boundary layer limit, the value of the boundary layer width is not precisely known at each step and may be selected based on a priori knowledge. The boundary layer width reflects the level of uncertainty in the model parameters and disturbance characteristics, where large values of the boundary layer width lead to robustness without optimality and small values of the boundary layer width provide optimality with poor robustness. As a solution and to overcome these limitations, an adaptive smoothing boundary layer is required to achieve greater robustness and suitable accuracy.This adapted value of the boundary layer width is obtained by minimizing the trace of the a posteriori covariance matrix. In this paper, the proposed new approach will be considered as another alternative to the extended Kalman filters(EKF), nonlinear H1 and standard SVSF-based data fusion techniques for the autonomous airborne navigation and self-localization problem. This alternative is based on strapdown inertial navigation system(SINS) and GPS data using the nonlinear SVSF with a covariance derivation and adaptive boundary layer width.Furthermore, the full mathematical model of the SINS/GPS navigation system considering the unmanned aerial vehicle(UAV) position, velocity and Euler angle as well as gyro and accelerometer biases will be used in this paper to estimate the airborne position and velocity with better accuracy.     

基于模糊自适应扩展卡尔曼滤波器的异步电动机无速度传感器控制

针对传统扩展卡尔曼滤波器(EKF)固定的噪声协方差矩阵在观测感应电动机转速时不能同时满足系统动态和静态下精确估计的问题,提出了一种模糊自适应调整噪声协方差的方法。该方法可以根据状态鉴别器输出状态,经模糊自适应调整噪声协方差矩阵参数,解决了系统在动态和静态时对噪声协方差矩阵中不同参数需求的问题。仿真表明所提模糊自适应EKF转速估计精度更高,有效地提高了系统的抗干扰能力。     

一种基于可观测度分析的SINS/GPS自适应-反馈校正滤波新方法

 针对机载捷联惯导系统(SINS)/全球定位系统（GPS）组合导航系统不完全可观测导致滤波器精度下降甚至发散的问题,提出了一种基于系统状态可观测度分析的自适应反馈校正滤波新方法。该滤波方法改进了系统可观测度的归一化处理方法,将归一化处理后的系统状态可观测度作为反馈因子,对SINS系统进行自适应反馈校正。最后,将该方法应用于机载合成孔径雷达(SAR)运动补偿用SINS/GPS组合导航系统中,飞行试验结果表明该方法在系统不完全可观测的情况下有效地提高了导航精度。     

SINS/BDS紧组合系统中自适应 两阶段扩展卡尔曼滤波

在实际应用中，以伪距/伪距率为观测量的SINS/BDS紧组合导航系统，存在量测噪声的统计特性与实际不相符的情况，传统扩展卡尔曼滤波（EKF）方法无法有效解决这一问题，从而引起滤波误差增大。提出了一种SINS/BDS紧组合导航系统的GDOP估算及在线估计量测噪声的自适应两阶段EKF（ATEKF）方法，该方法使用经过紧组合修正后的SINS输出的位置，并结合星历数据中提供的卫星位置求解GDOP。在此基础上，利用GDOP值以及新息，实现了紧组合导航系统的量测噪声方差阵（Rk）的在线实时估计，从而达到自适应滤波的效果，改善导航精度。     

一种新型模糊自适应Kalman滤波器在组合导航中的应用

针对光纤陀螺捷联惯导(FOG SINS)/GPS组合导航系统实际工作环境中,由于系统噪声与量测噪声模型发生变化而带来的滤波器发散的问题,提出一种新型模糊自适应Kalman滤波器(FSHAKF).通过引入IMU精度因子与GPS水平精度因子,构造模糊推理系统(FIS),实时更新自适应参数,有效地解决了传统Sage-Husa自适应滤波器(SHAKF)估计模型不准确、系统噪声与量测噪声无法同时估计以及滤波器长时间易发散的问题.仿真实验表明,本文提出的FSHAKF算法相较于SHAKF算法,估计精度得到明显提高,且避免了滤波器的发散.     

组合导航系统中一种基于特征值分解的自适应信息融合滤波算法

基于分散滤波理论的联合滤波算法,可以有效地降低组合导航系统的计算负担,并且增强系统的容错性能。给出了一种联合滤波算法中信息分配系数的自适应计算方法,能够使联合系统根据导航过程中各传感器的信息质量的变化合理地反馈全局信息。仿真结果表明,该算法可以有效地降低由于导航子系统降级带来的滤波误差。