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.     

基于自适应联邦滤波的卫星姿态确定

卡尔曼滤波采用常值量测噪声协方差阵,当量测噪声统计特性发生变化时,易导致估计误差增大,甚至滤波发散.针对该问题,在联邦卡尔曼滤波子系统中采用自适应卡尔曼滤波,形成自适应联邦卡尔曼滤波算法,新算法采用模糊推理系统实时调整量测噪声协方差阵的加权系数,使模型量测噪声逐渐逼近真实噪声水平.将该算法应用于多传感器卫星姿态确定系统,仿真结果验证了算法的有效性.     

基于遗传算法的多模型Kalman滤波算法及应用研究

基于长航时无人机惯性/天文/卫星(INS/CNS/GPS)组合导航系统模型,针对复杂环境所引起的系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了一种基于遗传算法的多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较.仿真结果表明,与采用单一模型的Kalman滤波算法相比,该方法不仅能大大提高导航系统的精度和可靠性,而且还可以较好地辨识出组合导航系统惯性器件噪声统计模型参数.     

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.     

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。     

SINS／GPS／陆标组合导航在平流层飞艇中的应用

针对平流层飞艇的飞行特点,提出了SINS/GPS/陆标组合导航方法,给出了SINS/陆标组合导航的观测模型,并将Sage-Husa 自适应滤波方法与联邦滤波相结合形成改进的自适应联邦滤波,用于SINS/GPS/陆标组合导航系统.数学仿真结果表明:新组合导航系统相对于SINS/GPS组合导航系统,可以有效改善平台误差角的估计精度,同时利用改进的自适应联邦滤波可有效提高全局滤波精度.     

基于可变遗忘因子的渐消记忆变分贝叶斯自适应滤波算法

针对全球卫星导航系统/捷联惯性导航系统（GNSS/SINS）组合导航中GNSS信号易受干扰，造成量测噪声突变的问题，提出一种基于可变遗忘因子的渐消记忆变分贝叶斯自适应Kalman滤波（VBAKF）算法。针对自适应滤波中突变噪声难以准确探测，构建基于初值的噪声突变检验准则；为解决自适应滤波估计突变噪声的拖尾现象，将变分贝叶斯自适应滤波的超参数传递结构转化为协方差阵修正结构，通过构造可变遗忘因子函数动态调节自适应滤波中的遗忘因子。仿真和实测数据表明：所提算法可在GNSS/SINS噪声突变时快速估计量测噪声，提高组合导航精度。     

自适应混合信息滤波算法及其在相对导航中的应用

为解决相对导航模型中线性、非线性并存,及多传感器信息融合时基于Kalman滤波的导航算法计算复杂度较大的问题,提出一种混合信息滤波算法;考虑测量噪声统计特性不准确等工程因素,提出一种自适应混合信息滤波相对导航算法.理论分析及仿真验证表明,与基于Kalman滤波的传统导航算法相比,给出的混合信息滤波算法具有多传感器数据融合时计算复杂度低、便于工程实现的优点,且可以完成线性、非线性并存时的导航滤波任务;除上述特点外,在传感器测量噪声统计特性不准确的情况下,给出的自适应混合信息滤波相对导航算法可以通过自适应调整量测协方差阵的方式,使导航系统仍保持较高的精度.     

车辆导航系统中超前滞后校正方法

分析了车辆导航系统中超前滞后产生的原因,提出了利用地图匹配MM(Map Matching)进行GPS(Global Positioning System)/DRS(Dead Reckoning System)组合导航系统超前滞后校正的方法.该方法是将超前滞后误差归结为GPS误差,先利用GPS沿道路垂直方向上误差的可观测性进行GPS误差校正,再将校正的GPS信息与DRS信息进行卡尔曼滤波,从而减少组合导航系统超前滞后误差.仿真结果表明上述方法是行之有效的.     

基于代价函数的组合导航系统地图匹配算法

研究了地图匹配技术在GPS(Global Positioning System)/DR(Dead Reckoning)组合导航系统中的应用,建立了GPS/DR/地图匹配组合导航系统模型,给出了一种基于代价函数和概率统计准则的地图匹配算法,通过合理地定义代价函数有效消除了存在于匹配路段挑选过程中的模糊性问题.对实际跑车数据的仿真处理结果表明,应用该算法可以为组合导航系统的定位精度带来明显的改善.     

车载GPS/DR组合导航系统的研究

介绍了车载GPS(Global Positioning System)/DR(Dead Reckoning)组合导航系统的设计,在对GPS/DR组合导航系统中主要误差来源分析的基础上,建立了表示这些误差的数学模型.根据组合系统的数据融合原理,提出一种基于对观测量进行误差补偿的迭代扩展组合卡尔曼滤波算法.对车载GPS/DR组合导航系统提供的实际数据的处理结果表明,该算法在提高GPS定位精度的情况下,能很好地修正DR系统的积累误差,大大提高了组合系统的完整性、可靠性.     

一种新的车载DR系统自适应卡尔曼滤波模型

提出了车载DR系统(Dead-Reckoning System)改进的自适应扩展卡尔曼滤波模型及其滤波算法.由于考虑了速率陀螺漂移误差中的马尔柯夫过程成分,和采用描述机动载体运动的"当前"统计模型及自适应算法,提高了DR系统模型的准确性.计算机仿真结果表明,应用该模型和算法与改进前相比,DR系统的定位精度得到明显提高.     

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.     

一种考虑GPS信号中断的导航滤波算法

针对无人机惯性（INS）/GPS组合导航系统，考虑导航过程中存在的GPS数据中断的问题，设计了一种改进的滤波算法。首先建立了无人机导航运动学模型，再将传统的扩展卡尔曼滤波（EKF）技术和强跟踪滤波结合，利用模糊理论中的隶属度函数设计了一种模糊强跟踪扩展卡尔曼滤波（STEKF）算法。仿真结果表明，所设计的改进算法能够快速适应GPS信号突变，即当GPS信号从故障状态恢复到正常状态时，改进算法相较普通EKF算法能更快速地收敛到稳定状态，重新完成对飞行状态的估计。同时相较普通EKF和强跟踪扩展卡尔曼滤波算法，改进算法具有更高的滤波精度。      

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。     

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.     

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.