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。     

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。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

基于自适应扩展卡尔曼滤波的载波跟踪算法

精确的载波相位测量是精密测距中一个很重要的研究点。针对传统扩展卡尔曼滤波(EKF)的固定设计在先验信息不充分和动态变化环境中存在的不足,提出了一种基于自适应扩展卡尔曼滤波(AEKF)的载波跟踪算法。该算法通过实时监测滤波器新息或残差的动态变化,以修正状态噪声方差和观测噪声方差,进而调整滤波器增益,控制状态预测值和观测值在滤波结果中的权重。理论分析和仿真结果表明,本算法充分利用了观测信号的统计特性,克服了传统扩展卡尔曼滤波算法的不足,能够获得更好的载波跟踪性能。     

连续最小阶奇异滤波器

 本文讨论了当动态噪声统计特性未知时,奇异线性定常连续随机系统最小阶滤波器的设计问题。在系统部分观测量能精确测量的情况下,利用广义逆阵方法选择L矩阵,以消除动态噪声对降阶系统的影响,从而推导出缺动态噪声统计特性时的降阶奇异最优滤波器,其阶数为n-m+r。当量测方程奇异假设条件成立及引理有解时,本文证明了最小阶奇异滤波器必定存在。文中举例说明了这一降阶滤波方法的可行性。     

用最小二乘拟合残差统计观测数据的误差特性

本文介绍了用最小二乘曲线拟合残差来统计观测数据误差特性的方法。当观测误差时间序列不是白噪声而是相关噪声时,它不仅可以统计误差序列的方差,还可以统计相关系数。文章还介绍了通过统计假设检验确定拟合曲线多项式阶数的方法,并首次用于对实测数据的检验,得到了令人满意的结果。     

自适应UKF在北斗定位算法中的应用

北斗导航系统发展日益成熟，介绍了北斗定位解算与GPS解算的差异，针对扩展Kalman滤波(Extended Kalman Filter，EKF）算法在北斗解算过程中容易引入非线性误差，无迹Kalman滤波(Unscented Kalman Filter，UKF）算法受初值和系统噪声影响较大问题，提出了一种自适应无迹Kalman滤波(Adaptive Unscented Kalman Filter，AUKF）北斗定位解算算法。该算法利用观测残差信息构建自适应渐消矩阵，消除量测噪声异常带来的影响，同时提高了滤波精度。实验表明，与EKF和UKF定位解算算法相比，AUKF算法在定位精度和对系统噪声鲁棒性方面都有所提高，是一种可靠稳定的北斗定位算法。     

单星只测角对低轨卫星的EKF跟踪分析

利用扩展卡尔曼（EKF）滤波原理研究基于天基光学平台对低轨卫星的跟踪问题，根据单星只测角观测值建立了相应的状态模型和观测模型，并进行低轨卫星的跟踪仿真，结果表明：该方法可以获得较高的跟踪精度，这使得基于单星只测角星上滤波跟踪成为可能。     

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%。     

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。     

Design of a practical tracking algorithm with radar measurements

The extended Kalman filter (EKF) has been widely used as a nonlinear filtering method for radar tracking problems. However, it has been found that if cross-range measurement errors of the target position are large, the performance of the conventional EKF degrades considerably due to nonnegligible nonlinear effects. A new filtering algorithm for improving the tracking performance with radar measurements is developed based on the fact that correct evaluation of the measurement error covariance is possible in the Cartesian coordinate system. The proposed algorithm may be viewed as a modification of the EKF in which the variance of the range measurement errors is evaluated in an adaptive manner. The filter structure facilitates the incorporation of the sequential measurement processing scheme, and this makes the resulting algorithm favorable to both estimation accuracy and computational efficiency. Computer simulation results show that the proposed method offers superior performance in comparison to previous methods. Moreover, our developed algorithm provides some useful insight into the radar tracking problem     

GPS/BDS/INS tightly coupled integration accuracy improvement using an improved adaptive interacting multiple model with classified measurement update

An Extended Kalman Filter (EKF) is commonly used to fuse raw Global Navigation Satellite System (GNSS) measurements and Inertial Navigation System (INS) derived measurements. However, the Conventional EKF (CEKF) suffers the problem for which the uncertainty of the statistical properties to dynamic and measurement models will degrade the performance. In this research, an Adaptive Interacting Multiple Model (AIMM) filter is developed to enhance performance. The soft-switching property of Interacting Multiple Model (IMM) algorithm allows the adaptation between two levels of process noise, namely lower and upper bounds of the process noise. In particular, the Sage adaptive filtering is applied to adapt the measurement covariance on line. In addition, a classified measurement update strategy is utilized, which updates the pseudorange and Doppler observations sequentially. A field experiment was conducted to validate the proposed algorithm, the pseudorange and Doppler observations from Global Positioning System (GPS) and BeiDou Navigation Satellite System (BDS) were post-processed in differential mode. The results indicate that decimeter-level positioning accuracy is achievable with AIMM for GPS/INS and GPS/BDS/INS configurations, and the position accuracy is improved by 35.8%, 34.3% and 33.9% for north, east and height components, respectively, compared to the CEKF counterpart for GPS/BDS/INS. Degraded performance for BDS/INS is obtained due to the lower precision of BDS pseudorange observations.     

一种基于径向加速度的Singer-EKF机动目标跟踪算法

针对雷达均不能提供目标加速度信息,在目标机动时会出现跟踪精度差甚至跟踪发散的问题,提出一种基于径向加速度的Singer-EKF算法。该算法在信号处理阶段利用Radon-Ambiguity变换（RAT）估计出目标的径向加速度,并通过坐标转换将其引入量测向量中,然后采用基于Singer模型的扩展卡尔曼滤波（EKF）算法实现机动目标的跟踪。仿真验证了该方法的有效性,并与传统的不带径向加速度的扩展卡尔曼滤波（EKF）方法进行了比较,结果表明该方法在径向距离、位置、加速度和速度估计精度方面都有所提高。     

Novel quaternion Kalman filter

This paper presents a novel Kalman filter (KF) for estimating the attitude-quaternion as well as gyro random drifts from vector measurements. Employing a special manipulation on the measurement equation results in a linear pseudo-measurement equation whose error is state-dependent. Because the quaternion kinematics equation is linear, the combination of the two yields a linear KF that eliminates the usual linearization procedure and is less sensitive to initial estimation errors. General accurate expressions for the covariance matrices of the system state-dependent noises are developed. In addition, an analysis shows how to compute these covariance matrices efficiently. An adaptive version of the filter is also developed to handle modeling errors of the dynamic system noise statistics. Monte-Carlo simulations are carried out that demonstrate the efficiency of both versions of the filter. In the particular case of high initial estimation errors, a typical extended Kalman filter (EKF) fails to converge whereas the proposed filter succeeds.     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。