多传感器组合导航系统的改进多尺度滤波算法

多尺度滤波算法在多传感器组合导航系统中已得到成功应用,然而该算法用到多个时刻的量测向量,导致算法计算量过大,并影响系统的实时性。针对上述问题,首先利用分块技术与小波变换将时域内描述的系统原始状态方程转换为块状态方程,然后将实时得到的当前时刻的量测向量表达为块状态向量的形式,最后结合常规卡尔曼滤波技术与序贯滤波的思想,提出了一种改进的多传感器组合导航系统多尺度滤波方法。将该算法应用于GPS/SST/SINS多传感器组合导航系统,仿真结果验证了该算法不仅具有较好的实时性,而且相对于传统算法,系统的定位精度提高1倍以上。     

双星定位／SINS组合导航系统研究

双星定位系统是一种区域性定位系统。介绍了双星定位系统的定位原理，说明了其存在的定位实时性较差的不足。对此提出了利用惯导经卡尔曼滤波器校正后的输出速度信息来修正双星定位系统的输出水平位置信息，然后与惯导进行组合，建立了其状态方程与观测方程。仿真结果证明该方案切实可行，对双星定位系统的实际应用有重大的理论参考价值。     

SINS/GNSS组合导航系统可视化仿真

针对惯性导航系统随时间误差积累的特性,设计了一种基于VC++的SINS/GNSS组合导航的仿真系统。根据飞控模块模拟飞机实际飞行轨迹,从而产生惯性测量器件的真值数据。利用Visual Studio2005完成捷联惯导实时解算和全球导航定位系统仿真,完成输出校正,从而实现组合导航系统的动态数字化仿真。程序结果表明组合导航系统可以克服惯性导航系统随时间误差积累的特性,导航参数误差不随时间漂移,可以用于长时间导航。     

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.      

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.      

Lyapunov自适应滤波及其 在INS/SMNS组合中的应用

为克服在惯导/景像匹配导航系统(INS/SMNS,Inertial Navigation System/Scene Matching Navigation System)组合导航系统中随着匹配点增多最小二乘法易出现发散的缺点,提出了一种基于多输入多输出(MIMO,Multi-Input-Multi-Output)系统的改进型Lyapunov自适应滤波算法.该方法利用观测方程信息,通过定义滤波误差和预测误差获得算法的递推公式,而算法的稳定性和收敛性可由Lyapunov稳定性理论来证明.以INS/SMNS组合导航系统为例进行了仿真验证,和递推最小二乘算法相比该算法简单、可靠,而且滤波的性能优于递推最小二乘算法.     

INS/SMNS组合导航信息融合算法

为了解决INS/SMNS(Inertial Navigation System /Scene Matching Navigation System)组合导航系统信息融合时涉及到的时间对准、多速率滤波、不等间隔以及量测滞后等问题,根据INS/SMNS组合导航主要应用于末制导段以及Kalman滤波与观测值的关系,提出了采用外推法进行时间对准、变周期离散化进行不等间隔多速率滤波、使用计算机软件消除量测滞后的解决方案.对比分析了常规Kalman滤波、消除量测滞后Kalman滤波以及方案的滤波精度.仿真结果表明设计的方案具有较高的滤波精度.     

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。     

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.     

GPS/SINS全组合导航系统的姿态组合算法

利用卡尔曼滤波的GPS/SINS全组合导航系统中,将IMU量测的平台误差角简单的近似为姿态误差角,会带来较大的数学模型误差。文章通过分析姿态组合算法中平台误差角与姿态误差角物理意义的不同,得到了二者相互转换的关系式;从实际应用的角度出发,采用对观测向量预处理的方法,对姿态组合算法进行了改进,从而消除了数学模型误差,并且很容易进行工程实现。仿真结果表明使用改进后的姿态组合算法能够有效的提高全组合导航系统的精度。     

衰减因子自适应滤波及在组合导航中的应用

从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波算法发散的原因,提出了一组衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS/SINS组合导航系统中进行了计算机仿真.在计算衰减因子时,利用滤波残差序列在最优估计时为零均值白噪声的性质,构造了服从χ2分布的变量,并分别检验滤波残差每一个分量得出衰减因子值.仿真结果表明,该组算法能够自适应地估计出衰减因子的大小,有效地抑制滤波发散,且计算量较其它方法小.      

发射系下的SINS/CNS/GNSS组合导航UKF滤波算法

弹载系统的组合导航系统模型常建立在发射惯性坐标系下,且捷联惯性/天文导航/卫星导航（SINS/CNS/GNSS）是一种目前研究较多的组合模式。该组合导航系统的状态方程具有强非线性的特点,常用的滤波方法为扩展卡尔曼滤波（EKF）。为了提高组合导航系统的精度及可靠性,对该组合导航系统的无迹卡尔曼滤波（UKF）模型进行了设计,直接将姿态、位置与速度参数作为状态的一部分,利用CNS及GNSS提供的姿态与位置构成量测方程,并详细给出了姿态样本点的生成、均值及方差的生成过程。仿真结果表明,相对于EKF算法,采用UKF算法后各导航参数的精度可提高约20%~30%,并且系统的实时性也可以得到保证。     

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.      

一种多传感器组合导航系统的改进异步融合算法

针对多传感器组合导航系统中各子导航传感器数据采样率不同且呈有理数倍的这一特殊问题,提出了一种组合导航系统的信息融合算法.首先将多传感器组合导航系统的原始状态方程变换成状态数据块向量与当前状态向量之间的关系,进而构成新的状态方程,而原始量测方程表达为与状态数据块向量之间的关系,进而构成新的量测方程.然后基于具有尺度与小波...     

伪卫星/惯性组合导航的非线性补偿

伪卫星具有抗干扰能力强和布置灵活机动的特点,在增强卫星系统和独立组网为用户提供更高精度导航定位信息方面具有广阔的应用前景.研究了一种伪卫星/惯性组合导航的非线性补偿算法.由于伪卫星与用户的距离比卫星近得多,其非线性量测的影响也严重得多.采用二次项修正一定程度上弥补了传统线性化方法存在的模型误差大、滤波效果差甚至发散的问题.为避免求解非线性方程的困难使用了两步估计方法,大大降低了算法的复杂度.仿真结果表明,该算法可以显著提高伪卫星/惯性组合导航系统的性能,具有很高的实用性.     

车辆组合导航定位系统中测量元件的参数修正

阐述了GPS(Global Positioning System)/DRS(Dead Reckoning System)/MM(Map Matching)车辆组合导航定位系统组成和车辆定位算法,提出了利用Kalman滤波和非Kalman滤波算法修正测量元件参数,解决了测量元件参数的漂移问题.仿真实验表明该方法具有较好的修正效果.      

基于星光角距/激光测距的卫星组合导航方法

为了进一步提高卫星天文自主导航精度,提出了一种利用激光测距辅助的天文组合导航方法。激光测距能够直接获取卫星到地面参考信标的高精度距离信息,在以星光角距为观测量的天文导航系统中引入激光测距辅助数据,可以拓展滤波器观测量的维度,从而改善滤波效果。由于组合导航系统为非线性系统,为避免泰勒展开线性化引起的二阶截断误差,采用UKF滤波方法进行组合导航系统信息融合。仿真结果表明,所提出的组合导航方法能够明显提升导航精度,改善滤波性能。     

Kalman filtering for GPS/magnetometer integrated navigation system

This paper investigated the data processing method for a GPS/IMU/magnetometer integrated system with Kalman filtering (KF). As a result of GPS/IMU/magnetometer land vehicle system, dead-reckoning of magnetometer and accelerometer integrated subsystem bridged very well the GPS signal outage due to the trees on the two sides of the road. Both differential GPS data processing method and the carrier-phase method with magnetometers’ outputs for predicting the car position, velocity, and acceleration (PVA) are presented. The results from DGPS with Kinematical Positioning (KINPOS) software shown that the averages of the north, east, and down direction standard deviation (short for “std”) are 0.014, 0.010, and 0.018 m, respectively. The std of velocities and accelerations derived by the position and velocity differentiation are 10, 7, 13 mm/s, 7, 5, 9 mm/s², respectively. This method for getting velocities and accelerations requires higher accurate position coordinates. But the position accuracy has frequently been degraded in this case when the car drove under the trees or other similar kinematical environments. That caused the larger velocity and acceleration errors. While the results from the carrier-phase method are std of the velocities = 2.1 mm/s, 1.3 mm/s, 3.7 mm/s in north, east, down, and std of the accelerations = 1.5 mm/s², 0.9 mm/s², 2.3 mm/s² for the static test period; as compared with KINPOS software results, std of the velocity difference between the carrier-phase method and the DGPS method = 7 mm/s, 6.9 mm/s, 9.7 mm/s in north, east, down direction, and std of acceleration difference = 5.0 mm/s², 4.5 mm/s², 7.5 mm/s² in north, east, down direction for the kinematical test period. Obviously, errors come from both the carrier-phase method and DGPS velocity and acceleration results derived directly by the position differentiation. In addition, better accuracy of positions than that before KF has been got by means of velocities and accelerations derived by the carrier-phase method after KF.