发射系下SINS/GPS/CNS组合导航系统联邦粒子滤波算法

传统的扩展卡尔曼滤波(Extended Kalman filter, EKF)算法应用于未来高超、空天飞行器的组合导航系统时,因其模型线性化展开会导致模型不准确,从而引起导航精度下降;采用蒙特卡洛方法来实现递推贝叶斯估计问题的粒子滤波(Particle filter,PF)算法能有效避免引入线性化误差,具有一定的优势。据此,针对高超、空天飞行器在发射过程中通常需要直接获得发射惯性系下的高精度导航参数的需求,提高发射惯性系下弹载组合导航系统滤波算法的精确性就尤为重要,PF滤波算法无需对非线性系统进行线性化展开即可直接实现对非线性系统的状态误差估计。为此,本文将PF滤波算法引入空天飞行器SINS/GPS/CNS多信息融合组合导航系统,设计了发射系下基于联邦滤波器的PF滤波算法,实现了对组合导航系统状态参数的直接建模估计。算法仿真结果表明,相较于发射系下SINS/GPS/CNS组合导航系统联邦EKF滤波算法,PF滤波算法有效提高了组合导航系统滤波精度。     

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。     

简化的混合估计算法及其在GPS／SINS深组合中的应用

为解决GPS/SINS深组合导航系统滤波的非线性和噪声的不确定性的问题,针对深组合模型特点,设计了一种简化的基于U滤波的多模型混合估计滤波器。根据系统模型中状态方程是线性方程、观测方程是非线性方程的特点,提出了一种简化的U滤波算法(Ultra tight coupling unscented Kalman filter,UTCUKF),然后针对噪声变化建立了非线性模型,多模型混合估计滤波器的输出为各滤波器的概率加权融合,因此模型概率是根据噪声变化而调整的,从而也使系统输出对噪声变化具有一定自适应能力。最后进行了仿真,并与基于普通U滤波的多模型混合估计算法进行了比较。结果表明,本文算法的解算时间短,模型切换速度更快,而估计的精确度与同条件下的基于普通U滤波的多模型混合估计算法相当,更符合深组合系统高动态的要求。     

基于ICKF的永磁同步电机无传感器控制方法

针对在永磁同步电机(Permanent magnet synchronous motor,PMSM)中安装传感器带来的高成本、体积增大、可靠性降低和易受环境干扰等问题,提出采用迭代容积卡尔曼滤波(Iterative cubature Kalman filter,ICKF)算法来估计电机转速和转子位置,并将其应用于永磁同步电机无传感器控制。首先,建立了PMSM在α-β坐标系下的离散数学模型。其次,在Matlab/Simulink环境下分别建立了基于容积卡尔曼滤波(Cubature Kalman filter,CKF)和ICKF的PMSM转速、电流双闭环的无传感器矢量控制系统仿真模型,并进行了给定转速和加负载两种工况的仿真验证。最后,基于TMS320F28335芯片搭建了硬件实验验证平台。仿真分析与实验结果均表明,迭代容积卡尔曼滤波算法应用于永磁同步电机无传感器控制中抗负载变化干扰性好、电机运行稳定、电机转速和转子位置估计精度高,可满足对电机精确控制要求较高的应用场合,具有重要参考价值和推广意义。     

基于Bancroft算法的GPS动态定位非线性滤波法

由于系统线性化时存在忽略项,扩展卡尔曼滤波成为一种次优的梯度下降算法.当滤波方程病态时,求解存在发散倾向,且估计量为有偏的,而非最优估计.即使动态系统噪声为高斯噪声时,残差也不是高斯噪声.在伪距定位中,由于线性化后的伪距方程是局部解,这有可能丢失正确解值.针对GPS动态导航扩展卡尔曼滤波定位问题,基于美国Bancroft的全局性非线性"闭合式求解"最小二乘算法(Bancroft算法),本文提出一种闭合式GPS非线性代数解的卡尔曼滤波法(两步算法).该方法将GPS滤波问题中的空间与时间分离,较好地解决了非线性GPS动态定位求解问题,且获得稳定可靠的动态定位解.     

高斯粒子滤波器及其在非线性估计中的应用

为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。在符合高斯假设和一定的粒子数的情况下,谈算法可以获得近似最优解。与粒子滤波算法相比,其优点是不需要重采样步骤和不存在粒子退化现象。在滤波精度、运算时间等方面与扩展卡尔曼滤波、Unscented滤波、高斯厄米特滤波及一般的粒子滤波进行了比较分析,仿真结果表明该算法性能优于其他算法。     

扩展卡尔曼滤波对时变参数追踪性能的影响研究

扩展卡尔曼滤波(Extended Kalman filter,EKF)理论由线性卡尔曼滤波理论发展而来.在结构的物理参数未知的情况下,扩展卡尔曼滤波理论将结构的物理参数与其状态向量组成增广状态向量,对增广状态向量进行识别,从而得到修正的结构参数.本文引入扩展卡尔曼滤波理论,对结构参数进行识别.为了验证该方法的有效性,引...     

基于改进EKF的IMU动态误差抑制

惯性测量单元（Inertial measurement unit,IMU）三轴欧拉角的解算数据精度和抗干扰性能常受到系统高频噪音以及震动干扰的影响。基于此问题，本文提出一种适合嵌入式系统的低计算量、实时性好、低成本的动态误差抑制方法。该方法通过在扩展卡尔曼滤波器（Extended Kalman filter, EKF）算法前端引入一种无限脉冲响应滤波器（Infiniteimpulseresponse-extendedKalmanfilter,IIR-EKF），借助于二阶巴特沃斯低通滤波器（Butterworth filter, BF）对数据进行预处理来帮助EKF抑制高频或强干扰。IIR-EKF算法在STM32H743微控制器中实现，经过几种实验对比验证，结果表明：在EKF单独作用时，其数据方差较大，遇到震动干扰时，瞬时值误差较大；在无迹卡尔曼滤波（Unscented Kalman filter, UKF）单独作用时，虽然其并不依赖初始噪音参数，其数据方差比EKF小，但还不足以满足要求；在加入BF后，数据方差明显减小，瞬时误差被大幅抑制，增强了系统的稳定性、抗干扰能力。     

一种新的鲁棒非线性卡尔曼滤波

Huber方法是一种基于l1/l2联合范数的估计方法,该方法可以实现估计的鲁棒性,同时尽量不损失滤波精度和效率.基于Huber估计的无味卡尔曼滤波虽提高了无味卡尔曼滤波的鲁棒性,但这种方法用统计线性回归模型来近似非线性的观测模型,损失了无味变换的精度.从Huber方法的数学意义出发,对观测信息(观测值或观测噪声)进行重新构造,然后对精确的非线性观测方程进行标准的无味卡尔曼滤波,这种新的基于Huber方法的无味卡尔曼滤波无需对非线性观测方程进行线性近似,在保持鲁棒性的前提下提高了滤波精度.通过一个具有混合高斯分布观测噪声的简明实例,验证了新算法在鲁棒性、滤波精度以及估计一致性方面的优势.     

基于序列图像的非合作目标自主导航及验证

针对空间自旋或章动运动的非合作目标运动感知与估计问题,给出了一种基于序列图像的运动测量与状态估计方法。所给出的方法由两部分组成:(1)采用立体视觉测量目标三个非共线的特征点,建立目标参考系并实现相对姿态的测量;(2)采用目标运动学和动力学方程,推导了扩展卡尔曼滤波器,实现目标角速度和惯量比的估计。最后,分别给出了数学仿真和物理试验:(1)利用数学仿真验证了所给出的卡尔曼滤波估计算法在不同目标运动情况下的收敛性;(2)利用机械臂模拟目标的自旋运动,利用双目相机采集目标运动图像,试验结果验证了所给出的运动测量与状态估计方法可以连续的给出目标角速度的精确估计。     

Vehicle State and Parameter Estimation Based on Dual Unscented Particle Filter Algorithm

Acquisition of real-time and accurate vehicle state and parameter information is critical to the research of vehicle dynamic control system. By studying the defects of the former Kalman filter based estimation method, a new estimating method is proposed. First the nonlinear vehicle dynamics system, containing inaccurate model pa rameters and constant noise, is established. Then a dual unscented particle filter （DUPF） algorithm is proposed. In the algorithm two unscented particle filters run in parallel, states estimation and parameters estimation update each other. The results of simulation and vehicle ground testing indicate that the DUPF algorithm has higher state estimation accuracy than unscented Kalman filter （UKF） and dual extended Kalman filter （DEKF）, and it also has good capability to revise model parameters.     

余度MEMS-IMU/GPS组合导航系统

对采用余度配置的MEMS-IMU/GPS组合导航系统进行了研究。分析了微小型组合导航系统的特点和误差模型,针对惯性/GPS伪距组合导航模式下,卡尔曼滤波器需要对量测方程线性化的缺点,提出了基于改进平淡粒子滤波的滤波算法。该算法采用权值控制参数决定粒子是否进入平淡卡尔曼滤波器,有效降低了滤波计算量,并和UPF算法精度相当。研究表明,改进平淡粒子滤波算法对系统性能有明显提高,在GPS信号受到遮挡、暂时不可用的情况下,具有较好的抑制误差作用,适合余度微惯性/GPS组合导航系统的应用。     

基于粒子滤波和似然比的接收机自主完好性监测算法

由于粒子滤波算法在处理非线性系统非高斯噪声问题具有较大的优势,提出将粒子滤波算法与对数似然比方法有机结合应用于接收机自主完好性监测(Receiver autonomous integrity monitoring,RAIM)中。通过粒子滤波算法对状态进行精确估计,利用对数似然比建立一致性检验统计量进行故障检测。在建立全量累加对数似然比和部分累加对数似然比检验统计值的基础上,通过比较系统各状态累加对数似然比和检测阈值之间的关系,进而对卫星故障进行检测。对算法进行了数学建模,描述了RAIM算法流程。通过实测数据对提出的RAIM算法进行验证,结果表明:粒子滤波在非高斯测量噪声情况下可以对GPS接收机状态进行精确的估计,利用对数似然比建立的一致性检验统计量能有效地检测并隔离故障卫星,验证了该算法应用于接收机自主完好性监测的可行性和有效性。     

基于分布式Kalman滤波和BP神经网络组合的静电陀螺漂移辨识方法

提出一种新的方法,把分布式Kalman滤波(DKF)方法与后向传播神经网络(BPNN)技术相结合,用于静电陀螺漂移的模型辨识.首先,为了消除测量噪声影响,将同一个静电陀螺带有噪声的多次测量数据集映射到一个虚拟的传感器网络中,然后采用具有嵌入式紧致滤波功能的DKF对映射数据进行滤波预处理.在此基础上,将预处理结果转换为用于训练神经网络的输入数据和输出数据,然后采用BPNN辨识静电陀螺漂移.实验表明,该方法可有效用于陀螺漂移的模型辨识.     

基于渐消卡尔曼滤波器的定位系统设计

针对无人机捷联式惯性导航系统(Strap-down inertial navigation system,SINS)定位精度低、全球卫星定位系统(Global position system,GPS)定位的非自主性,建立了一种无人机SINS/GPS定位信息融合系统。采用渐消Kalman滤波技术,有效防止了SINS/GPS组合导航系统的滤波发散。采用自适应运算法则,从理论上证明了渐消卡尔曼滤波器的稳定性,得到了滤波器稳定要求的新的条件,与以往研究比较,条件更为宽泛。分别进行了SINS/GPS常规卡尔曼滤波仿真和渐消卡尔曼滤波仿真,结果表明:采用渐消卡尔曼滤波技术在工程实践上可以有效提高无人机的导航定位精度,并且易于工程实现。     

基于故障检测滤波器的歼击机结构故障检测

提出一种新的适用于多种故障类型的故障检测滤波器设计方法，该方法基于故障输出空间，通过配置在特征向量来设计检测增益阵以实现对系统参数的小范围变化，具有较好的鲁棒性，避免了采用多个检测滤波器对不同的故障进行检测。同时，研究了残差与控制输入和故障程度的关系，提出了自适应检测阈值设计方法，并将其应用于歼击机的结构故障检测。