基于MEP-UKF的组合导航滤波算法

针对目前应用于SINS/GPS组合导航系统中的扩展卡尔曼滤波(Extended Kalman Filter, EKF)存在精度低、实时性差的缺点,提出一种基于模型误差预测(Model Error Prediction, MEP)的Unscented 卡尔曼滤波(Unscented Kalman Filter, UKF).MEP-UKF滤波算法将惯性器件测量误差作为模型误差使用MEP进行实时预测的同时,采用UKF估计载体的姿态、速度及位置等误差信息,并反馈给SINS系统来校正导航参数.MEP-UKF不仅克服了UKF必须假设惯性器件误差为高斯白噪声的局限性,而且降低了SINS/GPS组合导航系统状态变量的维数,大大缩短了导航解算的时间.仿真结果表明,MEP-UKF的收敛速度和滤波精度均明显优于EKF,更好地满足了工程应用中对导航精度和实时性的要求.     

自适应融合滤波算法及其在INS/GPS组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在系统模型不确定时存在鲁棒性差、精度低的问题,设计了一种基于交互式多模型(IMM)的自适应融合滤波(AFF)算法。IMM-AFF算法采用两个模型来描述系统结构,且与每个模型相对应的Sage-Husa滤波器和强跟踪滤波器(STF)独立并行工作,系统的状态估计则是两种滤波器估计的模型概率加权融合。IMM-AFF算法兼具Sage-Husa滤波器状态估计精度高和STF对系统模型不确定具有强鲁棒性的优点,克服了两种滤波器各自单独使用时的缺点。将IMM-AFF算法应用于INS/GPS组合导航系统的仿真结果表明,IMM-AFF算法的滤波精度和鲁棒性均明显优于目前工程应用中的EKF,特别是大大提高了INS/GPS系统的定位精度。