基于有色噪声自回归建模的惯性/卫星交互多模型滤波导航算法

针对卫星量测噪声为有色噪声导致惯性/卫星组合导航系统滤波精度降低的问题,提出了一种基于有色噪声自回归建模的自适应交互多模型滤波算法。建立了有色噪声自回归模型,通过量测残差序列获取拟合模型系数,从而对称扩展得到系数模型集;并构建了交互多模型滤波框架,实现不同模型滤波器之间的数据融合。仿真结果表明,相比于传统卡尔曼滤波算法,该方法能有效改善有色噪声对滤波带来的影响并提高组合导航系统定位精度,具有较好的工程应用参考价值。     

基于联邦滤波的SINS/GNSS/OD/高度计多源组合导航算法研究

针对城市情况下车载导航时单一导航源易受干扰的问题,提出了一种基于自适应联邦Kalman滤波的多源组合导航算法.该模型具有两级结构,由子滤波器进行各信息源局部估计后,通过主滤波器进行最优融合估计.融合具有不同工作特点的导航传感器的输出信息组成多源信息组合导航系统,从而提高了导航系统的精度和鲁棒性,且通过故障诊断算法实时检测并隔离故障信息源.给出了联邦滤波算法设计,并进行了实际车载实验.实验结果表明,该算法能够提高导航系统的稳定性及精度.     

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。     

区域导航无人机空中基准站的多源信息融合容错导航系统研究

作为卫星导航系统的补充和备份,区域导航服务系统近年来得到较大发展。在基于无人机的区域导航服务系统中,无人机自身的定位精度对区域导航服务系统的可靠运行有直接的影响。针对无人机导航传感器及系统的容错和可靠性问题,设计了具有针对性和自优化功能的多源信息融合容错导航方案,提出了一种优化的基于矢量分配形式的自适应联邦滤波算法。通过对每个状态量设计不同的信息分配系数,实现传感器量测噪声的动态优化调整,有效减小了传感器故障对融合导航系统的影响,提高了无人机导航系统的鲁棒性。验证分析表明,该方法可以减小子滤波器故障信息对融合导航系统联邦滤波全局估计的影响,避免了故障子滤波器在信息重置过程中对系统造成的污染,提高和保障了无人机空中基准站多源信息融合导航系统的稳定性和可靠性。     

基于SAR图像匹配结果可信度评价的INS/SAR自适应Kalman滤波算法

在惯性导航系统（INS）/合成孔径雷达（SAR）组合导航系统中，SAR图像易受斑点噪声的影响，图像匹配的精度对整个导航系统精度的影响十分明显，能够准确地分析SAR图像匹配过程中的误差特性，利用有效的图像匹配信息辅助INS进行组合定位尤为重要。针对上述问题，在加权Hausdorff距离匹配算法的基础上，对影响SAR图像匹配精度的因素进行了分析，提出了一种基于模糊推理的匹配结果可信度评价准则，经过可信度筛选，将有效的匹配信息与INS进行组合；对合理范围内的匹配误差变化引起量测噪声统计特性发生变化，进而导致Kalman滤波精度下降的问题，研究采用改进的Sage-Husa自适应滤波算法对量测噪声方差阵进行动态调整，使其更加接近系统的当前状态。搭建仿真验证平台对所提算法进行了验证，结果表明，该算法能够在合理的匹配误差范围内，有效地筛选出可信的图像匹配结果，相比常规Kalman滤波算法，显著地提升了INS/SAR组合导航系统水平方向的定位精度。     

车载SINS／GPS组合导航系统自适应联合滤波模型

在建立车载组合导航系统联合滤波模型及算法的基础上,定义了联合滤波模型融合信息在各子滤波器中的分配准则; 实现了联合滤波模型信息分配系数的自适应调节; 理论分析和计算机仿真结果均表明,引入该准则的自适应联合滤波模型及算法大大提高了系统容错性和定位精度     

改进故障隔离的容错联邦滤波

为了解决重置模式下联邦滤波器中子系统故障对导航系统污染的问题,提出利用故障检测函数构建时变量测噪声的容错联邦滤波结构。通过将故障子滤波器等价为量测噪声趋于无穷大的正常系统,来取代传统的故障隔离方法;推导出了子滤波器对应的最优估计值,用以消除子滤波器估计次优性对故障检测的影响;采用动态信息分配系数,以减少故障信息对全局估计的影响。采用惯性/天文/景象/地形(INS/CNS/SMNS/TERCOM)的组合导航系统进行了仿真验证,结果表明该容错联邦滤波方法在子系统发生故障时的估计性能优于故障隔离方法。因此,所提方法具有提高故障子滤波器精度、保证无故障子滤波器鲁棒性以及全局估计精度的优势,具有较高的实用价值。     

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。     

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.     

再论联邦滤波在组合导航中的应用可行性

在联邦滤波算法中，针对子滤波器存在私有状态从而导致全局状态信息融合估计为次优估计的问题，通过一个简单的3维状态、2维量测系统的数值仿真以及速度+姿态传递对准组合导航仿真，验证了联邦滤波的次优估计结果误差太大，难以满足实际系统的高精度滤波需求。联邦滤波估计的次优程度没有经过严格证明，且难以证明，因而存在应用风险。对于以精度为主要性能指标的组合导航系统，不建议采用联邦滤波算法，否则其精度损失不足以弥补其带来的计算量降低和容错性提高的优势。     

容错多传感器组合导航系统发展综述

对容错组合导航系统的基本理论、联邦滤波器的设计方法、特点进行了分析；指出联邦滤波器在时间和空间上为组合导航系统的容错设计提供了条件；同时对组合导航系统故障诊断、故障隔离和系统重构方法进行了研究。     

基于置信度的自适应Kalman滤波定位方法

针对室外自主移动机器人因感知信息缺失或异常波动造成的定位失败或偏差过大的问题,设计了一种基于置信度的自适应Kalman滤波定位方法。该方法根据置信距离和置信度函数计算局部滤波器的置信度,并将其进行加权运算后作为全局滤波器的自适应因子,以得到更为准确的位姿估计。采用D—S证据理论对全局位姿进行评价,并给出单一传感器失效时的组合方案。试验结果验证了方法的有效性和鲁棒性,能满足实际定位的需要。     

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。     

Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation

The paper deals with state estimation problem of nonlinear non-Gaussian discrete dynamic systems for improvement of accuracy and consistency. An efficient new algorithm called the adaptive Gaussian-sum square-root cubature Kalman filter（AGSSCKF） with a split-merge scheme is proposed. It is developed based on the squared-root extension of newly introduced cubature Kalman filter（SCKF） and is built within a Gaussian-sum framework. Based on the condition that the probability density functions of process noises and initial state are denoted by a Gaussian sum using optimization method, a bank of SCKF are used as the sub-filters to estimate state of system with the corresponding weights respectively, which is adaptively updated. The new algorithm consists of an adaptive splitting and merging procedure according to a proposed split-decision model based on the nonlinearity degree of measurement. The results of two simulation scenarios（one-dimensional state estimation and bearings-only tracking） show that the proposed filter demonstrates comparable performance to the particle filter with significantly reduced computational cost.     

Federated square root filter for decentralized parallel processors

An efficient, federated Kalman filter is developed for use in distributed multisensor systems. The design accommodates sensor-dedicated local filters, some of which use data from a common reference subsystem. The local filters run in parallel, and provide sensor data compression via prefiltering. The master filter runs at a selectable reduced rate, fusing local filter outputs via efficient square root algorithms. Common local process noise correlations are handled by use of a conservative matrix upper bound. The federated filter yields estimates that are globally optimal or conservatively suboptimal, depending upon the master filter processing rate. This design achieves a major improvement in throughput (speed), is well suited to real-time system implementation, and enhances fault detection, isolation, and recovery capability     

多坐标系下目标跟踪的联合滤波

针对雷达目标观测和处理在不同的坐标系下完成，本文提出了联合滤波算法来跟踪机动目标。该算法以卡尔曼滤波器为基础，直角坐标系下和极坐标系下的算法相联合，不仅克服了两种坐标系下滤波算法的不足，而且对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。