七阶正交容积卡尔曼滤波算法

在高斯滤波框架下,阶次越高,近似精度越高。为提高滤波精度,通过提高阶次,提出了七阶正交容积卡尔曼滤波(CQKF)算法。在传统CQKF算法的基础上,该算法扩展了线性积分的近似阶次,提出了七阶球面积分的确定性采样方法;进而扩展了球-半径准则,提高了滤波估计精度。飞行器目标跟踪的仿真实验证明了该算法的有效性,证明了七阶CQKF比五阶CQKF、三阶容积卡尔曼滤波器(CKF)和无迹卡尔曼滤波器(UKF)有更高的滤波精度。     

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。     

卡尔曼/粒子组合滤波在GPS/INS组合导航中的应用研究

在非线性模型和非高斯噪声条件下,粒子滤波在GPS/INS组合导航系统的观测精度较低时能取得较好的滤波结果,但在高观测精度情况下会导致滤波发散。针对这一问题,在分析了基本粒子滤波器算法原理的基础上提出一种卡尔曼/粒子组合滤波方法,将状态向量分为线性部分和非线性部分,分别用卡尔曼滤波和粒子滤波估计,既保证了简化后滤波算法的结果不会变差,又将运算量大大降低,仿真试验表明,组合滤波器能够获得较高的滤波精度,满足实际的导航要求。     

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UKF的高动态飞行器无源组合导航系统研究

针对飞行器在进行高动态飞行中卫星导航系统易受干扰、GPS可能被屏蔽,从而导致导航系统失稳甚至发散的问题,采用无迹卡尔曼滤波(UKF)算法对基于捷联惯导系统(SINS)、地磁导航系统(GNS)和嵌入式大气数据系统(FADS)的组合无源导航系统性能进行了改进.建立了地磁数据模型和无源组合导航模型,并针对新的组合导航系统观测方程非线性程度较高问题,提出了利用非线性UKF对导航数据进行融合的方法.利用高动态飞行轨迹对所提出的组合导航系统进行了仿真及误差分析,结果表明该系统对SINS误差估计具有适中的精度.     

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。     

基于IUKF的单星对空间目标仅测角跟踪算法

针对普通UKF(无迹卡尔曼滤波)测量更新方法的非线性近似精度相对较低,导致目标跟踪滤波精度和稳定性较低的问题,在单星对空间目标的天基仅测角跟踪滤波过程中,提出一种基于迭代测量更新方法的IUKF(迭代UKF)算法。通过在测量更新过程中提高非线性系统状态估计的近似精度,进而提高目标跟踪滤波精度,并引入具有全局收敛性的阻尼Gauss-Newton(高斯-牛顿)法来改进IUKF的数值稳定性。理论分析与实验结果表明,该方法不仅避免了求解雅可比矩阵和Hessian矩阵,而且具有较高的滤波精度和数值稳定性。     

基于GPR模型的自适应平方根容积卡尔曼滤波算法

与传统算法一样,动态系统的参数化模型(含噪声统计特性)未知或不够准确易导致容积卡尔曼滤波(CKF)效果严重下降,甚至滤波结果发散.为此,利用高斯过程回归(GPR)方法对训练数据进行学习,得到动态系统的状态转移GPR模型和量测GPR模型以及噪声统计特性,用以替代或增强原有动态系统模型,并将其融入到平方根容积卡尔曼滤波(SRCKF)中,分别提出了无模型高斯过程SRCKF (MFGP-SRCKF)和模型增强高斯过程SRCKF (MEGP-SRCKF)两种算法.仿真结果表明:这两种新的自适应滤波算法提高了动态系统模型精度,且实时自适应调整噪声的协方差,克服了传统算法滤波性能易受系统模型限制的问题;与MFGP-SRCKF相比,在给定一个不够准确的参数化模型,且有限的训练数据未能遍布估计状态空间的情况下,MEGP-SRCKF具备更高的滤波精度.     

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。     

组合导航数据融合自适应UKF算法研究

为进一步改善平方根无迹卡尔曼滤波(Square Root Unscented Kalman Filter,SRUKF)在微惯/卫星组合导航数据融合中的估计精度和计算复杂度,针对工作于高机动状态下随机模型统计特性不确定和SRUKF中计算繁琐的问题,分别结合最大后验概率估计准则和矩阵奇异值分解技术,提出了一种新的快捷自适应UKF算法。通过微惯/卫星组合导航系统进行数据测试,结果表明,新算法不仅能够降低时变噪声对导航滤波算法精度的影响,有效提高系统的自适应能力,而且相比传统算法计算效率提升了约16%。研究结果对工程应用具有一定的理论价值。