自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

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。     

基于新息异常检测的改进抗差自适应卡尔曼滤波算法

在工程应用中,量测异常及量测噪声统计特性的时变是引起标准卡尔曼滤波振荡甚至发散的主要原因。经典抗差Sage-Husa自适应滤波方案,对量测中的孤立型异常有所抵抗,并可在线估计量测噪声统计特性改善滤波效果,但当连续型异常值出现时,其滤波效果不佳。针对现有抗差Sage-Husa自适应滤波方案的不足,提出了新的改进滤波方法。在改进算法中,当检测到量测异常时采用模值更大的先验预测方差阵代替原算法中的后验估计方差阵,在估计量测噪声方差时起到放大作用,以降低异常量测权重,提高滤波精度;采用IGG方案构造了新的权函数,可在抑制异常影响的同时调节估计方差阵,以免连续异常时新息持续置零引起的滤波发散;采用标准卡尔曼滤波新息辅助异常检测的双重检测策略,避免了因量测噪声方差阵的调节引起检测阈值变化而导致的漏检率增高。仿真实验表明,与常规抗差自适应滤波算法相比,该方案可更加有效地抑制量测异常值的影响。     

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。     

基于超球体平方根无迹Kalman滤波算法的涡扇发动机气路部件故障诊断

研究了一种超球体平方根无迹Kalman滤波算法用来有效跟踪涡扇发动机气路部件发生渐变性和突变性故障的健康参数.该算法通过超球体单形采样来降低算法的计算量,采用测量残差协方差阵的平方根代替方差阵进行递推运算,提高了算法的计算效率和数值稳定性.分别采用扩展Kalman滤波算法、无迹Kalman滤波算法和超球体平方根无迹Kalman滤波算法对某型涡扇发动机进行仿真,结果表明:超球体平方根无迹Kalman滤波算法的滤波时间减少50%左右,能够实现渐变性和突变性故障中健康参数的准确估计,是一种有效的涡扇发动机气路部件参数估计和故障诊断方法.      

鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

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。     

基于SAR图像匹配结果可信度评价的INS/SAR自适应Kalman滤波算法

在惯性导航系统（INS）/合成孔径雷达（SAR）组合导航系统中,SAR图像易受斑点噪声的影响,图像匹配的精度对整个导航系统精度的影响十分明显,能够准确地分析SAR图像匹配过程中的误差特性,利用有效的图像匹配信息辅助INS进行组合定位尤为重要。针对上述问题,在加权Hausdorff距离匹配算法的基础上,对影响SAR图像匹配精度的因素进行了分析,提出了一种基于模糊推理的匹配结果可信度评价准则,经过可信度筛选,将有效的匹配信息与INS进行组合;对合理范围内的匹配误差变化引起量测噪声统计特性发生变化,进而导致Kalman滤波精度下降的问题,研究采用改进的Sage-Husa自适应滤波算法对量测噪声方差阵进行动态调整,使其更加接近系统的当前状态。搭建仿真验证平台对所提算法进行了验证,结果表明,该算法能够在合理的匹配误差范围内,有效地筛选出可信的图像匹配结果,相比常规Kalman滤波算法,显著地提升了INS/SAR组合导航系统水平方向的定位精度。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

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。     

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。     

SINS/BDS紧组合系统中自适应 两阶段扩展卡尔曼滤波

在实际应用中，以伪距/伪距率为观测量的SINS/BDS紧组合导航系统，存在量测噪声的统计特性与实际不相符的情况，传统扩展卡尔曼滤波（EKF）方法无法有效解决这一问题，从而引起滤波误差增大。提出了一种SINS/BDS紧组合导航系统的GDOP估算及在线估计量测噪声的自适应两阶段EKF（ATEKF）方法，该方法使用经过紧组合修正后的SINS输出的位置，并结合星历数据中提供的卫星位置求解GDOP。在此基础上，利用GDOP值以及新息，实现了紧组合导航系统的量测噪声方差阵（Rk）的在线实时估计，从而达到自适应滤波的效果，改善导航精度。     

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。     

基于改进UKF的组合导航系统航向角估计方法研究

为满足运载体长航时、高精度的导航需求,解决系统可观测性弱导致的航向角易发散的问题,提出了一种基于MEMS非线性组合导航系统的用于提高航向角估计精度的算法。通过采用单天线GNSS航向角作为量测量进行航向约束,解决了MEMS-SINS/GNSS姿态估计中航向角可观测性弱、估计值收敛差的问题;通过转弯判断规则和常规无迹卡尔曼滤波改进算法,抑制了偏流角对系统估计精度的影响。仿真结果表明,该算法有效地抑制了航向角估计精度差的问题,水平姿态精度达到0.01°,航向角精度达到0.1°,提高了系统的导航精度及可靠性。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

稳定平台中陀螺漂移自适应实时估计算法

 针对陀螺稳定平台的漂移问题,建立了陀螺稳定跟踪装置在不同工作模式下陀螺漂移的数学模型,指出稳定模式下包含常值漂移和相关漂移的陀螺低频噪声是影响稳定精度的主要原因。提出一种自适应实时估计算法,采用卡尔曼滤波框架和滤波器收敛判据,结合Sage-Husa滤波和加权Sage-Husa滤波算法,利用跟踪器跟踪静止目标时输出的脱靶量信号对陀螺常值漂移和相关漂移进行估计。实验结果表明:该算法能够在系统模型和噪声特性均不准确的情况下使用,收敛时间小于3 s,估计均方差小于0.02 (°)/s,具有良好的鲁棒性和自适应能力。     

包含乘性噪声自适应修正的非合作目标相对导航算法

无人机（UAV）态势感知的任务是利用机载传感器对未知环境进行目标识别和引导,针对无人机与非合作目标间中远距离的相对导航问题,提出了一种基于角度和距离量测的相对状态估计算法。在现有滤波算法的基础上,为了提高精度和稳定性,本文利用了列文伯格-马夸尔特（LM）优化的思想对迭代卡尔曼滤波（IEKF）算法进行改进,提出了一种LM-IEKF算法,并推导该算法在迭代过程中的状态更新方程及协方差阵的递推公式。在此基础上,考虑到距离传感器由于信号相关特性而引入的乘性噪声,现有的加性噪声模型难以适应,因此,进一步提出了基于量测噪声自适应修正的Modified LM-IEKF方法,通过在线实时更新噪声阵提高滤波的精度,并设置渐消记忆指数平滑估计结果。算法验证结果表明,与现有的EKF、IEKF算法相比,在仅含加性噪声的情况下,LM-IEKF算法具有更好的性能;在包含乘性噪声的情况下,Modified LM-IEKF可以有效地估计量测噪声,与目前广泛使用的EKF算法相比,在综合相对位置和相对速度精度上分别提高了10%和23%。