准实时性前斜视INS/SAR组合导航滤波算法研究

为消除常规利用正侧视SAR图像辅助导航信息对惯性误差进行修正时的滞后影响,结合前斜视SAR成像工作特性,本文分析提出了新的准实时性组合导航滤波方案和算法,以解决SAR/INS组合导航系统中的量测滞后影响;本文分析了前斜视SAR成像辅助导航系统工作特点,分析了SAR量测输出模型;建立了准实时性前斜视INS/SAR组合导航滤波算法模型,并通过仿真分析了组合导航系统性能。仿真结果表明：采用所提出的惯性/SAR组合方案和算法,可以有效克服成规正侧视SAR辅助匹配输出滞后的影响,有效满足组合系统性能要求。     

INS/SAR组合定位技术研究

主要研究了INS/SAR组合对运动目标的定位算法。首先,建立了INS/SAR组合定位系统数学模型;其次,基于卡尔曼滤波方法和alpha-beta滤波方法完成了INS/SAR组合定位算法设计;最后,考虑组合导航系统误差及导引头测量误差,对定位算法进行了数字仿真及性能分析。仿真结果表明,所设计的INS/SAR组合定位算法在远距对运动目标具有较高的定位精度。     

基于角点特征的SAR图像与光学图像匹配算法

INS／SAR组合导航系统对SAR实时图像与光学参考图像的匹配算法提出了实时性和准确性要求。文章首先采用一种结合Harries算子与曲率尺度空间的算法,提取SAR图像与光学图像中的角点;然后利用距离约束、角点值约束、边缘约束进行角点匹配。经实验验证,该方法实时性好,匹配精度高,可较好的应用于INS／SAR组合导航系统的...     

基于模糊自适应滤波的水下INS/DVL组合导航研究

由于水下环境的复杂性,多普勒测速(DVL)误差的均值和噪声方差等统计特性均存在跳变现象,影响了INS/DVL组合导航精度。为此提出了一种基于模糊自适应滤波的水下INS/DVL组合导航算法,通过实时监测滤波残差的均值变化以及滤波残差方差与理论滤波残差方差的不一致程度,利用隶属度函数在线修正多普勒测速偏差以及量测噪声的统计特性。本文改进了已有模糊自适应滤波算法未考虑观测误差均值跳变以及对残差方差变化过于敏感的问题,并对DVL零偏跳变进行了修正。试验表明,所提出算法对多普勒测速误差的均值和噪声方差跳变具有较强的适应性,能够有效提高水下INS/DVL组合导航精度。     

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。     

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。     

基于置信度加权的组合导航数据融合算法

 针对联邦滤波融合算法中由于模型量测噪声统计特性未能被准确描述导致其子滤波器误差变大，进而导致联邦滤波估计出现偏差的问题，为了改进联邦滤波融合方法，将模糊自适应卡尔曼滤波方法和置信度加权方法与联邦滤波融合方法相结合，应用于组合导航系统。该方法首先将模糊自适应卡尔曼滤波方法应用于各子滤波器，使其能够跟踪真实量测噪声统计特性。然后通过模糊方法计算得到各子滤波器的置信度，进而得到联邦滤波器的置信度，再由得到的置信度对各子滤波器及联邦滤波器输出进行加权，得到最终的全局输出。对车载组合导航系统的仿真结果表明，这种算法对量测噪声具有较强的自适应性，能够抑制置信度低的子滤波器在融合系统中所占的权重，提高联邦滤波融合算法的精度，是一种可行的车载组合导航数据融合算法。     

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。     

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。     

INS/SAR组合导航参数传递建模及精度分析

 对合成孔径雷达景象匹配辅助（INS/SAR）组合导航中地面合成孔径雷达(SAR)匹配点位置参数向飞行器主惯导中心的传递过程进行研究。分析了SAR匹配点位置传递过程中所涉及的各环节及其相互关系,以此为基础建立了测量参数传递过程数学模型,提出适合该模型的误差分析与精度估计方法,结合理论和实验结果对各测量参数误差所造成的传递误差进行分析和比较,得出单一测量参数误差影响程度的排序,并在此基础上得出总精度的估计值。参数传递模型及精度实验结果与实际情况相符,可为组合导航中合理的精度分配提供依据。     

用于SAR运动补偿的DGPS/SINS组合系统研究

使用考虑位置误差相关项的伪距率观测模型 ,研究了用于合成孔径雷达运动补偿的差分 GPS/ SINS伪距率组合系统。结果表明 ,组合系统的长期位置精度能达到 1 m左右。 GPS数据更新率低于 INS,在 GPS测量时间间隔内 ,组合系统的性能仅由 INS决定。虽然 INS误差随时间积累 ,在 GPS数据更新率为 1 s的情况下 ,即使采用中等精度的惯性仪表 ,其相对位置精度为厘米级 (这里相对位置精度指组合系统在 GPS测量时间间隔内位置误差的变化范围)。     

基于神经网络的航天器GPS/INS组合定姿系统

基于GPS和惯性技术的组合导航系统是近年来导航系统的研究热点和主要发展方向.目前基于卡尔曼滤波方法的算法在稳定性、计算量、算法鲁棒性以及系统可观测性等方面仍然存在问题.基于神经网络技术研究了一种新的GPS/INS组合定姿自适应卡尔曼滤波方法,理论分析表明,该方法不但对姿态信息具有较好的估计性能,而且对系统模型的精确性、噪声特性具备良好的鲁棒性.最后,利用模拟数据对所研究算法进行了分析计算,与传统的卡尔曼滤波方法进行了比较、分析,结果表明所设计组合算法在精度、稳定性以及鲁棒性等方面较传统卡尔曼方法具有良好的特性.     

优化抗差自适应滤波器在深组合导航中的应用

为了提高惯性/卫星深组合导航系统的滤波性能,在抗差自适应滤波算法的 基础上,研究了一种优化抗差自适应滤波算法。该算法通过比较实际预测残差协方差矩 阵和理论协方差阵的差值来生成自适应因子,从而优化抗差自适应滤波。将所研究的算 法应用于惯性/卫星深组合导航系统, 在高动态环境下进行仿真验证, 并与常规卡尔曼 滤波、抗差自适应滤波进行比较。结果表明,优化算法能有效地控制观测异常和动态模 型异常对状态参数估值的影响,所得组合导航位置误差和速度误差明显减小,提高了组 合导航系统的滤波精度。     

惯导/北斗/里程计一体化紧组合导航方法研究

当前,主要通过采用惯导/卫星导航组合或者惯导/里程计组合的方式来实现 车辆的定位定向;卫星信号良好时,惯导系统与卫星导航组合实现车辆定位定向,当卫 星导航信号不好甚至没有信号无法正常工作时,惯导系统与里程计组合实现车辆定位定 向。提出一种惯导/卫星导航/里程计三者的一体化组合方案,针对惯导、北斗、里程计 这三项测量设备构成的组合系统建立了统一的误差状态模型、组合量测模型以及反馈修 正模型,并通过卡尔曼滤波器来实现三者的一体化紧组合,这种惯导/北斗/里程计一体 化的紧组合方式,能更好地实现三者信号之间的充分交流与融合。将这种一体化紧组合 方法与传统的惯导/北斗组合、惯导/里程计组合方法进行了仿真比较,结果表明：惯导/ 北斗/里程计一体化的紧组合方法能更加快速、准确得到传感器误差（ 包含惯组误差、 北斗误差、里程计误差）的在线估计,更能有效提高各传感器的测量精度。     

A new adaptive Kalman filter for navigation systems of carrier-based aircraft

The features of carrier-based aircraft’s navigation systems during the approach and landing phases are investigated. A new adaptive Kalman filter with unknown state noise statistics is proposed to improve the accuracy of the INS/GNSS integrated navigation system. The adaptive filtering algorithm aims to estimate and adapt the unknown state noise covariance Q in high dynamic conditions, when the measurement noise covariance R is assumed to be known empirically in advance. The new adaptive Kalman ...     

基于铱星/INS组合定位技术在船舶中的应用研究

GNSS拒止环境下惯性/GNSS组合导航系统的性能会严重恶化,通过利用并提取机会信号中的有用观测量,可以实现机会信号和惯性系统的联合动态定位。提出了利用铱星/INS组合定位技术实现船舶的动态定位。首先深入研究了铱星的信号体制,建立了利用铱星瞬时多普勒频移进行定位的算法模型;然后,提出了利用基于扩展卡尔曼滤波(EKF)技术的铱星机会信号与INS组合定位算法;最后,通过船舶航行实测数据对所提算法进行了试验验证。结果表明,提出的利用铱星机会信号和INS组合定位方法可以有效改善无GNSS信号条件下的INS定位精度,在GNSS信号拒止环境下解决了船舶定位问题,具有重要的研究意义和实用价值。     

Online INS/GPS integration with a radial basis function neural network

Most of the present navigation systems rely on Kalman filtering to fuse data from global positioning system (GPS) and the inertial navigation system (INS). In general, INS/GPS integration provides reliable navigation solutions by overcoming each of their shortcomings, including signal blockage for GPS and growth of position errors with time for INS. Present Kalman filtering INS/GPS integration techniques have some inadequacies related to the stochastic error models of inertial sensors, immunity to noise, and observability. This paper aims to introduce a multi-sensor system integration approach for fusing data from INS and GPS utilizing artificial neural networks (ANN). A multi-layer perceptron ANN has been recently suggested to fuse data from INS and differential GPS (DGPS). Although being able to improve the positioning accuracy, the complexity associated with both the architecture of multi-layer perceptron networks and its online training algorithms limit the real-time capabilities of this technique. This article, therefore, suggests the use of an alternative ANN architecture. This architecture is based on radial basis function (RBF) neural networks, which generally have simpler architecture and faster training procedures than multi-layer perceptron networks. The INS and GPS data are first processed using wavelet multi-resolution analysis (WRMA) before being applied to the RBF network. The WMRA is used to compare the INS and GPS position outputs at different resolution levels. The RBF-ANN module is then trained to predict the INS position errors and provide accurate positioning of the moving platform. Field-test results have demonstrated that substantial improvement in INS/GPS positioning accuracy could be obtained by applying the combined WRMA and RBF-ANN modules.     

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.