SINS／GPS／EMC组合导航系统信息融合技术研究

基于无复位(No-Reset)联邦Kalman滤波信息融合算法,提出并且探讨了组合导航应用过程中的信息融合问题.在建立的相关误差模型基础上,对所设计的采用联邦Kalman滤波技术的SINS/GPS/EMC组合导航系统进行了计算机仿真.结果表明,采用无复位联邦滤波结构的SINS/GPS/EMC组合导航系统能充分融合系统各种导航传感器的信息,能发挥它们各自的优点,互相取长补短,有效地提高导航系统准确度和可靠性.     

基于SINS/CNS组合导航系统的多模型自适应估计算法

针对单一模型滤波器在未知或不确定的系统参数下适应性较差的问题,提出了一种新的基于多模型自适应估计(multiple model adaptive estimation,MMAE)的滤波方法。该方法利用改进的卡尔曼滤波代替传统的卡尔曼滤波,比如扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)。EKF和UKF被用来作为多模型自适应估计的子滤波器,从而实现对非线性系统的状态估计。同时,还将该方法应用于基于弹道导弹模型的组合导航中实现了系统仿真。仿真结果表明,与传统的EKF和UKF算法比较,改进的滤波方法可以解决传统模型滤波器适应性差的问题,并提高系统的导航精度。     

一种用于GPS/DR组合定位的非线性滤波算法

建立了适用于车辆导航系统的基于UKF(Unscented Kalman Filter)的GPS/DR(Global Positioning System/Dead Reckoning)组合定位滤波模型及算法.针对系统状态方程为线性、观测方程为非线性的特点,提出了一种将UKF和EKF(Extended Kalman Filter)相结合的非线性滤波算法.结合后的算法和原有UKF算法相比减少了在时间更新阶段的运算量,并且由于采用基于Unscented变换的思想来处理系统观测方程的非线性问题,避免了EKF引入的线性化误差,提高了滤波精度.仿真结果证明:算法在减少运算量的同时,仍具有较高的滤波精度,且明显优于EKF,因而能够满足车辆导航系统占用资源少、滤波精度高的要求.      

发射系下的SINS/CNS/GNSS组合导航UKF滤波算法

弹载系统的组合导航系统模型常建立在发射惯性坐标系下，且捷联惯性/天文导航/卫星导航（SINS/CNS/GNSS）是一种目前研究较多的组合模式。该组合导航系统的状态方程具有强非线性的特点，常用的滤波方法为扩展卡尔曼滤波（EKF）。为了提高组合导航系统的精度及可靠性，对该组合导航系统的无迹卡尔曼滤波（UKF）模型进行了设计，直接将姿态、位置与速度参数作为状态的一部分，利用CNS及GNSS提供的姿态与位置构成量测方程，并详细给出了姿态样本点的生成、均值及方差的生成过程。仿真结果表明，相对于EKF算法，采用UKF算法后各导航参数的精度可提高约20%~30%，并且系统的实时性也可以得到保证。     

BP/GA混合算法在简易组合导航系统中的应用

Kalman滤波器是组合导航中最常用的最优滤波工具,但是在组合导航系统中有一些应用的局限性,尤其在低成本的GPS(Global Positioning System)/DRS(Dead Reckoning System)组合导航系统中,存在着使用的GPS接收机和惯导测量元件的精度不够高的问题,要提高系统的测量精度,只能提高算法软件的先进性.为补偿卡尔曼滤波发散的缺陷,将神经网络和遗传算法组成的混合算法与卡尔曼滤波相结合,应用到GPS/DRS组合导航系统中,该算法不仅具有普通神经网络的自主学习能力、好的实时性,还克服了传统算法收敛速度慢、对学习参数敏感、局部有极小点等缺点,同时兼具卡尔曼滤波的最优估计性能.仿真结果验证了这种算法和常规卡尔曼滤波算法相比较具有更高的精度和稳定性,经过对仿真数据进行统计分析,纬度误差的最大值降低了一个数量级.     

一种无人机视觉导航方法及其滤波算法改进

设计了一种无人机视觉/惯性组合导航系统,将无人机和地标点的运动模型作为状态方程,视觉信息作为观测量构建了与之对应的滤波模型.在滤波处理上,采用了复杂加性噪声模型对系统噪声进行建模处理;将小波分析引入到UKF(Unscented Kalman Filter)滤波中得到小波-UKF滤波算法,以此克服视觉观测噪声对滤波的影响;采用最大后验概率准则(MAP,Maximum A Posterior)自适应估计观测噪声协方差阵,并将其反馈到滤波过程中克服了小波处理后观测噪声方差阵不易确定的不足.仿真结果证明:对滤波算法的改进可以有效地提高滤波估计的精度.     

基于加性对偶四元数的惯性/天文组合导航算法

为了提高惯性/天文组合导航系统在高动态条件下的导航精度,提出了一种基于加性对偶四元数的惯性/天文组合导航算法.该算法将载体的旋转和平移统一起来,使用螺旋矢量更新对偶四元数,同时补偿圆锥误差和划船误差.推导了组合导航系统基于加性对偶四元数的误差模型和导航参数误差的计算方程;把陀螺仪和加速度计的常值误差扩充到状态变量中,随机误差作为系统噪声输入,利用星敏感器输出参数来校正陀螺漂移,通过卡尔曼滤波对状态变量进行估计.仿真结果表明:在高动态条件下,基于对偶四元数的惯性/天文导航算法的导航精度比传统算法提高2倍多.     

基于加性对偶四元数的惯性/天文组合导航算法

为了提高惯性/天文组合导航系统在高动态条件下的导航精度,提出了一种基于加性对偶四元数的惯性/天文组合导航算法.该算法将载体的旋转和平移统一起来,使用螺旋矢量更新对偶四元数,同时补偿圆锥误差和划船误差.推导了组合导航系统基于加性对偶四元数的误差模型和导航参数误差的计算方程;把陀螺仪和加速度计的常值误差扩充到状态变量中,随机误差作为系统噪声输入,利用星敏感器输出参数来校正陀螺漂移,通过卡尔曼滤波对状态变量进行估计.仿真结果表明:在高动态条件下,基于对偶四元数的惯性/天文导航算法的导航精度比传统算法提高2倍多.     

车载GPS/DR组合导航系统的数据融合算法

建立了车载GPS/DR(全球定位系统/航位推算)组合导航系统自适应联合Kalman滤波的数学模型,研究了综合运用子系统状态评估、自适应信息分配、误差补偿、迭代扩展Kalman滤波、抗野值干扰、U-D协方差分解滤波等技术来提高精度和可靠性的融合滤波算法;针对滤波发散的问题,引入了一种在线估计观测噪声统计特性的自适应滤波方法.理论分析和半物理仿真结果表明,所设计的算法在精度、可靠性、适应性、实时性等方面效果都很好.      

发射系下SINS/GPS/CNS多组合导航系统算法及实现

首先建立了发射惯性系下的组合导航系统模型,据此设计了基于联邦滤波器的SINS/GPS/CNS组合导航算法,最后研制了基于PC104硬件平台的组合导航算法验证样机。通过实时半物理仿真测试得出,三组合导航系统的姿态误差小于15″,位置误差小于10m,速度误差小于0.2m/s,表明所设计的组合导航系统算法正确,实现合理。     

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归（GPR）增强无迹卡尔曼滤波（UKF）预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。      

自适应卡尔曼滤波器在陆地车辆导航中的应用

建立了车载GPS(Global Positioning System)/DR(Dead-Reckoning)组合导航系统自适应扩展卡尔曼滤波模型及其算法,从而大大提高了车辆导航系统的定位精度.首次提出依据PDOP(位置误差系数)等GPS定位系统的输出参数,自动调整观测噪声协方差阵[WTHX]R和系统噪声协方差阵Q[WT]的大小,从而自适应地调整组合导航系统模型性能的方法,使得模型具有较强的适应性.计算机仿真及实验结果表明应用该模型具有良好的效果.      

捷联惯导/里程计组合导航方法

针对车载自主导航需求,基于卡尔曼滤波器,实现捷联惯导与里程计量测信息的组合导航.推导了里程计误差模型,结合捷联惯组误差模型与捷联系统误差模型,建立了捷联惯导/里程计自主组合导航系统误差状态模型.建立了捷联惯导/里程计组合导航量测模型,阐述了估计误差修正方法.采用仿真计算对此方法进行了验证,仿真结果表明:组合导航过程中,初始姿态误差能得到有效估计,姿态误差和位置误差均能控制在一定精度范围内,应用此组合导航方法相对于传统的航位推算方法能得到更高的导航精度,能有效实现自主高精度定位定向.     

GPS/INS组合导航系统半实物仿真研究

为了研究ＧＰＳ组合导航系统的性能,利用跑车实验实时采集的惯性导航系统和ＧＰＳ的数据进行了测后仿真研究。分别进行了ＧＰＳ／ＩＮＳ位置、速度组合和伪距、伪距率组合仿真,仿真中组合Ｋａｌｍａｎ滤波器采用数值稳定性较好的Ｕ－Ｄ分解算法。最后给出了纯惯导及组合后系统的位置、速度误差仿真曲线,结果分析及相关结论。     

基于IMU/FADS/无线电的火星上升器组合导航方案

以火星采样返回任务中火星表面上升为背景，研究了基于惯性测量单元（Inertial Measurement Unit, IMU）、嵌入式大气数据传感系统（Flush Air Data Sensing System, FADS）和无线电信标的组合导航方法。首先，在传统的IMU导航框架中加入由无线电测量获得的相对距离、速度信息，以及由FADS获取的动压、温度数据，建立了基于IMU、无线电和FADS的导航观测模型；然后，基于无迹卡尔曼滤波（Unscented Kalman Filter, UKF）技术对测量信息进行了融合，并压制了过程噪声和测量噪声，从而对上升器的状态进行了联合估计；最后，在数值仿真中，将UKF与自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter, AUKF）技术进行了对比，在比较不同滤波器性能的同时，验证了组合导航方法的有效性。     

抗差自适应滤波在低轨飞行器INS/CNS/GNSS 组合导航中的应用

低轨飞行器对导航系统的稳定性要求较高,采用标准卡尔曼滤波的组合导航系统在异常扰动情况下会产生较大误差,严重影响低轨飞行器导航精度.在此前提下提出将抗差自适应滤波用于低轨飞行器导航系统,并基于该滤波器设计INS/CNS/GNSS组合导航.通过仿真实验对比验证抗差自适应滤波的有效性.     

Optical/radio/pulsars integrated navigation for Mars orbiter

In this paper, we address the issue of the integrated navigation algorithm with different combination of measurements for Mars orbiter. First, system dynamic model and navigation measurement models using optical measurement information, radio measurement information and X-ray pulsars measurement information are respectively established. Second, optical/radio/pulsars integrated navigation algorithm is proposed, and observability analysis of the integrated navigation system is also conducted. Third, adaptive extended Kalman filter is adopted to fuse measurement information and suppress measurement and process noise to optimally estimate the state of Mars orbiter. Monte Carlo simulation results show that optical/radio/pulsars integrated navigation can effectively improve the navigation accuracy and satisfy the navigation requirements of Mars orbiter.     

卫星不足情况下低成本MEMS-INS/GPS伪松组合导航

为了解决GPS可观测卫星不足情况下低成本微电子机械-惯性导航系统/全球定位系统（MEMS-INS/GPS）组合导航精度维持问题,提出基于灰色模型和自适应卡尔曼滤波的MEMS-INS/GPS伪松组合导航方法。以MEMS-INS/GPS松组合导航模式为框架,建立了伪松组合导航系统的状态空间模型。基于MEMS-INS/GPS的历史观测数据,使用灰色模型对MEMSINS/GPS观测差值进行预测,称为系统伪观测量。当GPS可观测卫星充分时,使用噪声自适应估计卡尔曼滤波对MEMS-INS/GPS进行松组合导航;当GPS可观测卫星不足时,使用噪声自适应估计卡尔曼滤波依据系统伪观测量,将MEMS-INS/GPS进行伪松组合导航。以车载低成本MEMSINS/GPS组合导航系统为例进行仿真和实验验证,结果表明：当GPS可观测卫星不足时,传统的MEMS-INS/GPS松组合导航精度迅速下降并发散,而MEMS-INS/GPS伪松组合导航精度与GPS正常工作时的导航精度相差不大,维持了较高精度的导航状态。