基于有色噪声自回归建模的惯性/卫星交互多模型滤波导航算法

针对卫星量测噪声为有色噪声导致惯性/卫星组合导航系统滤波精度降低的问题,提出了一种基于有色噪声自回归建模的自适应交互多模型滤波算法。建立了有色噪声自回归模型,通过量测残差序列获取拟合模型系数,从而对称扩展得到系数模型集;并构建了交互多模型滤波框架,实现不同模型滤波器之间的数据融合。仿真结果表明,相比于传统卡尔曼滤波算法,该方法能有效改善有色噪声对滤波带来的影响并提高组合导航系统定位精度,具有较好的工程应用参考价值。     

车载大视场视觉惯性组合导航算法研究

车载视觉导航在大角度旋转和高速运动等场景下表现不佳,由于视觉和惯性的误差特性互补,所以视觉惯性组合导航算法有良好的应用前景。大视场相机获取外界信息丰富,但大视场相机采样频率低影响视觉数据采集,而且基于优化的组合导航算法计算速度慢,故提出了一种适用于大视场相机的车载视觉惯性组合导航算法。该算法侧重于数据预处理：设计了基于伽马函数的对比度受限自适应直方图均衡化来降低图像噪声,通过FAST角点与光流法的组合完成特征提取与跟踪,进一步加快了计算速度。引入了惯性数据等效旋转矢量二子样算法来减少数据量和计算量,通过预积分算法为误差优化减少计算量,通过视觉误差、惯性误差以及边缘化误差联合优化来提高精度。与其他组合导航算法相比,该算法精度较高,计算速度最快,与VINS-Mono相比节省时间19.7%。     

自适应高阶容积卡尔曼滤波在目标跟踪中的应用

针对传统容积卡尔曼滤波(CKF)在系统状态发生突变时估计精度下降的问题,将强跟踪滤波(STF)算法与高阶容积卡尔曼滤波(HCKF)算法相结合,提出了一种自适应高阶容积卡尔曼滤波(AHCKF)方法。该算法采用高阶球面-相径容积规则,可获得高于传统CKF的估计精度,同时在HCKF算法中引入STF,通过渐消因子在线修正预测误差协方差阵,强迫残差序列正交,提高了算法的鲁棒性,增强了算法应对系统状态突变等不确定因素的能力。将提出的AHCKF算法应用于具有状态突变的机动目标跟踪问题并进行数值仿真,仿真结果表明,AHCKF算法在系统状态发生突变的情况下表现出良好的滤波性能,有效地避免了状态突变造成的滤波精度下降,较传统的CKF、HCKF、交互式多模型-容积滤波(IMM-CKF)和自适应容积卡尔曼滤波(ACKF)算法有更强的鲁棒性和系统自适应能力。     

改进自适应抗差容积卡尔曼滤波多源室内定位

针对容积卡尔曼滤波在多源融合定位中存在跟踪能力不强和自适应能力差的问题,在传 统容积卡尔曼滤波的基础上,提出了改进自适应抗差容积卡尔曼滤波算法。建立了基于新息的自 适应判决准则与修正方法,使得滤波算法能够及时跟踪目标真实状态;引入抗差因子调节观测协 方差矩阵,以减小观测值异常问题对滤波精度的影响;采用奇异值分解代替容积卡尔曼中的Cholesky 分解,提高数值计算的稳定性。超宽带/惯性导航联合定位实验结果表明,与扩展卡尔曼滤波 和容积卡尔曼滤波相比,改进的自适应抗差容积卡尔曼滤波定位精度更高,数值稳定性更好,增强 了定位系统在粗差干扰下的鲁棒性。     

基于UKF的GPS/SINS组合导航直接式滤波算法

基于无迹卡尔曼滤波(UKF)方法,使用姿态、速度、位置等9个导航参数组成状态向量,以GPS系统输出的速度、位置组成6维观测向量,构建直接式结构的UKF滤波器。该滤波器能够直接反映系统导航参数的动态过程,准确显示运动状态演变。针对GPS/SINS组合导航系统的特点,构建了GPS/SINS组合导航直接式卡尔曼滤波仿真验证系统,仿真结果验证了基于UKF的GPS/SINS组合导航直接式滤波算法的有效性,该直接式非线性滤波算法可使惯性组合导航系统的导航精度得到提高。     

基于AEKF的永磁同步电机转速估计算法研究

针对在转速估算研究中采用常数矩阵不能准确描述永磁同步电机(PMSM)在不同运行条件下系统噪声的问题,提出了一种基于新息序列和状态残差的自适应扩展卡尔曼滤波算法(AEKF)。同时,对AEKF的稳定性进行理论上的探究。经仿真验证,与传统扩展卡尔曼滤波算法相比,AEKF在收敛速度和收敛精度上更优,参数鲁棒性更好。     

高超声速飞行器组合导航算法

以高超声速飞行器为对象,建立了卫星/惯性组合导航模型。选择组合系统的状态量并建立状态方程,推导位置观测方程和速度观测方程,通过位置、速度交替组合实现卫星/惯性系统的组合。通过仿真验证算法的有效性,仿真结果表明卫星/惯性组合导航可以得到较好的位置和速度信息,适中的姿态精度信息。     

改进粒子滤波算法及其在GPS/SINS组合导航中的应用

针对标准粒子滤波中存在的粒子退化问题,将无味卡尔曼滤波方法、线性规划方法与标准粒子滤波相结合,得到一种改进粒子滤波算法。改进粒子滤波算法中的重要性概率密度通过 UKF算法获得,从而使粒子使用效率得到提升;二次采样过程中加入线性规划方法,保证了粒子的多样性。将改进粒子滤波算法应用于 GPS/SINS组合导航,建立了 GPS/SINS组合导航模型,通过仿真验证了该滤波算法的有效性,使用该算法可使惯性组合导航系统导航精度得到提高。     

基于改进强跟踪ASCKF算法的SINS/GNSS组合对准方法

大方位失准角下的SINS/GNSS组合对准系统呈非线性,采用传统的卡尔曼滤波方法进行初始对准易导致对准精度下降甚至滤波发散。基于此,提出了一种基于改进强跟踪自适应平方根容积卡尔曼滤波算法的组合对准方法。该方法采用QR分解求取协方差的分解因子,并在状态预测方差阵的平方根更新中引入多重渐消因子调整滤波增益;同时,基于Sage-Husa自适应滤波,引入改进的时变噪声估计器实时估计噪声的统计特性。仿真结果表明,采用改进的滤波算法进行大方位失准角下的组合对准,对准精度明显提高。     

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。     

基于对偶四元数的INS/GPS组合导航算法研究

在基于对偶四元数的捷联惯导解算方法的基础上,推导了以惯性系作为导航系的惯导误差方程,在此基础上设计了卡尔曼滤波组合导航算法。通过激光惯导跑车采集数据,进行了仿真分析,试验结果表明,该组合导航算法能有效的消除惯导累积的速度误差和位置误差,相比于目前广泛应用的INS/GPS组合导航算法,本文描述了INS/GPS组合导航的另一种实现方式,获得了相当的精度,具有一定的工程应用价值。     

基于视觉的惯性导航误差在线修正

陀螺零偏和加速度计零偏是影响惯性测量单元(IMU)积分精度的重要因素。提供一组精确的实时的零偏估计可以提高IMU的积分精度,为视觉导航提供良好的位姿预测,提高整个系统的动态性能。通过合理地建立IMU的噪声模型以及IMU和视觉的组合方程,利用一种基于李群和李代数知识的IMU预积分方法将零偏进行合理的线性化,运用Kalman滤波进行IMU零偏的在线估计。实验结果表明,通过本文的修正方法,惯性导航的平均积累误差由0.034m/s提高到0.0037m/s,精度明显提高。     

基于惯性/偏振光/光流的六足步行机器人自主导航方法研究

针对惯性/卫星组合导航系统易受干扰或自主性不足等问题，引入偏振光传感器和光流传感器，分别建立航向角和速度量测方程，以辅助惯性导航系统，提出了一种基于惯性/偏振光/光流的自主导航方法。同时，为实现惯性传感器、偏振光传感器和光流传感器等多传感器的融合，设计了无迹Kalman滤波器。为验证该方法的有效性，以六足步行机器人为对象开展仿真和实验验证。结果表明，在没有卫星信号源的情况下，仅依靠机器人自身感知，可实现较高精度的机器人位姿估计，实现了不依赖于卫星导航信号的自主导航，提升了导航系统的自主性。     

双轴连续旋转调制捷联惯导系统大失准角初始对准技术

由于可以补偿惯性器件在三个轴向上的输出误差,双轴旋转调制技术被广泛应用于捷联惯导系统(SINS)。选择了一种合理且实用的十六次序双轴转位方案,并对其调制原理和误差进行了分析。初始对准技术是捷联惯导系统的一项重要技术,其对准精度直接决定了后续导航的精度。在粗对准完成后,当姿态误差角较大时,后续的精对准误差模型呈非线性特性,故选择了滤波精度高、稳定性强的平方根容积Kalman滤波算法(SCKF)来解决这一问题。考虑到在实际对准过程中,量测噪声的统计特性易发生变化,将SCKF算法与Sage-Husa算法相结合,在传统Sage-Husa SCKF算法的基础上提出了一种改进的自适应滤波算法(ASCKF)。该算法采用QR分解来完成对噪声协方差的平方根矩阵估计,从而避免了传统Sage-Husa SCKF算法中所估噪声协方差矩阵不正定的问题。最后,通过仿真证实了ASCKF算法可被很好地应用于量测噪声统计特性发生变化的初始对准中。     

一种基于逆向导航的双轴旋转惯导系统自标定方法

针对惯导系统高精度自标定的需求,提出了一种基于逆向导航的双轴旋转惯导系统自标定方法。通过转位运动对系统误差进行激励,利用Kalman滤波器进行误差估计,同时存储标定数据,待正向导航滤波结束后,利用逆向导航算法对存储数据二次利用,继续进行误差估计,直到所有状态量收敛到一定精度,实现了对数据的充分挖掘。仿真和试验结果表明,该方法可以实现对双轴旋转惯导系统的全参数自标定,提高了标定精度。     

INS/GNSS组合导航系统空中快速对准方法

针对机载惯性/全球导航卫星系统(INS/GNSS)组合导航系统地面静基座对准时间较长、航向对准精度较低以及惯导空中故障重启后无法快速得到精确姿态信息重新进入导航状态等问题,提出一种快速初始对准方法。该对准方法基于惯性导航比力方程,利用GNSS的定位、测速信息与惯性测量组件(IMU)的输出信息解算载体姿态信息,并结合遗传-牛顿算法与求和自回归滑动平均(ARIMA)模型卡尔曼滤波信号降噪技术提高姿态信息的解算精度。基于实测飞行数据的解算验证了该方法的有效性、对准精度以及在实际工程应用中的优越性。     

基于改进的磁场检验和主方向算法的行人航向估计

针对以惯导为核心的行人定位算法存在航向角失真的问题，提出了一种融合惯性测量单元(IMU)和磁力计的行人导航算法，利用步幅航向的变化量将行人的运动分为直线行走和曲线行走两部分，当检测到行人直线行走时，提出一种实时建立主方向的自适应航向角漂移修正算法，对航行角误差进行补偿；当行人曲线行走时，辅助地磁场信息，使用磁场强度、地磁倾角、惯性导航系统(inertial navigation system，INS)与磁力计解算的航向角之差这三个特征值构建广义似然比检验量，对磁场进行判断获得稳定状态磁场信息，通过卡尔曼滤波对航向角误差进行补偿。将传感器置于足部进行实验，实验结果表明,两种算法可以实现优势互补，有效地抑制地磁信息的干扰，提高导航精度，算法结果相对于无航向角修正的零速修正算法、零角速度更新算法和单独使用磁力计进行融合的算法，定位误差分别降低了91.02%、82.93%和61.39%，室外和室内终点定位误差分别为4.545 4 m和0.543 6 m，占总路程的0.69%和0.17%。     

单兵导航多传感器信息融合自适应滤波算法

基于足绑式INS的单兵导航系统,通过将惯性导航系统、人体运动学约束、磁强计等多传感器信息进行融合得到准确的单兵导航信息。对于匀速步行时的单兵导航,可采用普通Kalman滤波算法进行多传感器信息融合,但不能满足跑步等激烈运动模式下单兵导航需求。提出衰减记忆新息自适应Kalman滤波算法,可满足多步态模式下的单兵导航多源信息融合的需求,实验结果验证了算法的有效性。