基于抗差自适应滤波的高速列车融合测速算法

针对Kalman滤波在高速列车融合测速过程中因观测粗差和动力学模型误差而引起的融合精度下降问题,提出一种基于抗差自适应滤波的高速列车融合测速算法。首先,在Kalman滤波的基础上构建异常检测函数和误差判别统计量,用于检测和区分传感器异常观测导致的观测粗差和动力学模型误差;然后,针对观测粗差和动力学模型误差,分别采用三段式函数和指数函数构造抗差因子和自适应因子,通过2种因子合理调节观测信息和模型信息在状态估计中的权重,从而降低观测粗差和动力学模型误差对融合结果的影响;最后,通过2种运行场景以及算法对比,仿真验证抗差自适应滤波算法性能。仿真结果表明,与基于Kalman滤波的融合测速算法相比,所提出算法无论在观测粗差场景还是在动力学模型误差场景,均具有更高的精度和稳定性。

有限记忆周期内新息变化率检测的抗差自适应滤波算法

为了提高微机电-惯性导航系统/全球导航卫星系统(MINS/GNSS)量测信息小幅突变故障和缓变故障检测的灵敏度,提出一种有限记忆周期内新息变化率检测的抗差自适应滤波算法。基于序贯概率比检验法,结合抗差估计和序贯滤波,利用有限记忆周期内新息变化率对单个量测信息进行精确检测和处理。仿真和实验结果表明:与残差卡方检测方法和基于残差卡方检测的抗差自适应滤波算法相比,所提算法的检测灵敏度和滤波精度均得到了提升。在车载突变故障实验中,纬度和东向速度的漏警率分别降低了83.3%和90.5%,纬度误差和东向速度误差分别降低了17.1%和25.3%。在车载缓变故障实验中,纬度和东向速度的漏警率分别降低了68.8%和66.7%,纬度误差和东向速度误差分别降低了54.7%和23.9%。

GPS/DR组合导航抗差自适应滤波算法

针对GPS/DR车辆组合导航系统的数学模型具有非线性,应用扩展卡尔曼滤波进行线性化会导致滤波结果出现较大误差的问题,引入了抗差自适应滤波算法。利用计算机仿真,分别对抗差自适应Kalman滤波和自适应Kalman滤波算法进行仿真验证,结果表明,抗差自适应滤波不但能自适应地确定观测噪声的协方差矩阵,而且能利用自适应因子调节状态参数噪声的协方差矩阵,可以控制观测异常和动态模型噪声异常对状态参数估值的影响,使状态参数的估值更加合理。自适应Kalman滤波使位置误差控制在30m,而对抗差自适应Kalman滤波能使位置误差控制在18m左右,且误差控制更稳定。

基于平滑有界层的故障检测及抗差自适应滤波算法

针对GNSS信号易受到干扰,卡尔曼滤波器性能降低、平滑变结构滤波算法在组合导航中应用受到原理限制的问题,提出了一种基于平滑有界层的故障检测及抗差自适应滤波算法。在对平滑变结构滤波算法研究分析的基础上,设计基于平滑有界层的量测信息质量评估指标,结合抗差估计思想构建等价权矩阵,在量测信息故障情况下,对组合导航系统进行重构和自适应调整,提高状态估计的精度和鲁棒性。仿真及实验验证结果表明:在GNSS各类典型故障下,所提故障检测算法均能够有效检测并快速响应,抗差自适应滤波算法在估计精度以及平稳性方面均优于基于残差卡方检测的自适应滤波算法,提高了SINS/GNSS组合导航系统的鲁棒性。在车载实验中,与基于残差卡方检测的自适应滤波算法相比,所提算法的定位精度提升约29%。

抗差自适应滤波算法在实时定轨中的应用

影响动力平滑定轨精度的因素包括观测值质量和滤波方法。采用抗差自适应滤波算法以控制观测值和动力学模型异常对定轨精度的影响,并以实测数据进行实验。算例结果表明,基于抗差自适应滤波算法的动力平滑定轨可以有效控制观测异常的影响,消弱定轨结果对状态噪声补偿方法的依赖,比传统的滤波定轨方法精度更高。

基于抗差自适应滤波的轨道在线检测

针对测量机器人在大型导轨检测中的应用设计了一套动态跟踪检测系统。由于受各种干扰的影响,系统测量得到的测量值与目标真实状态往往不尽相同,因此提出了一种基于Singer模型的抗差自适应滤波算法。首先,采用Singer模型建立目标的运动模型;在此基础上,发展了抗差自适应滤波技术来进行在线测量数据处理;最后,进行了轨道检测的跟踪测量应用。结果证明,该系统未经滤波处理时的测量误差能够达到mm级,通过滤波能够对测量数据进行平滑处理,准确定位误差点,降低了检测误差,能够满足长轨道在线检测的准确度要求。

基于抗差自适应滤波的多源融合导航算法

针对单一的导航源导航信息单一、易被干扰、可靠性低的问题,本文设计了一种多源融合定位导航算法,构建了SINS/BDS/里程计/气压高度计/电子罗盘的融合导航模型。并且对多源导航信息融合过程中可能出现动力学模型易受扰动,以及量测信息异步异质的情况,设计了抗差自适应滤波器,来控制动力学模型预测信息异常和量测信息异常的影响,此外还研究了信息融合过程中滤波发散的判断、处理方法,并给出了滤波校正的手段,最后基于不同的信息融合模型和滤波方法做了半实物仿真实验,并对滤波结果进行了分析和总结。实验结果表明本文设计的多源融合导航算法可以整合多传感器的优势,提供高精度、高可靠性的定位导航服务。

观测卫星不足时的GPS/INS紧组合抗差自适应滤波

常规GPS/INS紧组合抗差自适应滤波只适用于卫星数≥4的情况,且预测残差构造自适应因子要求观测值可靠。针对该局限性,对常规抗差自适应滤波算法做出两点改进:1)采用两步滤波,用第1步常规EKF滤波残差构造第二步抗差算法的粗差判别量;2)在第2步滤波用预测残差构造自适应因子时,剔除异常观测值对应的预测残差和预测残差协方差,以削弱观测异常对自适应因子的不良影响。实验结果表明,常规抗差算法在卫星数<4时不适用。常规自适应滤波算法在观测值存在异常的情况下无法正确修正模型异常。改进后的抗差自适应滤波算法在组合系统观测卫星数<4且观测值存在异常的情况下,仍能正确修正观测粗差和动力学模型异常,能够达到良好的导航精度。

基于滑动窗口抗差自适应滤波的SINS/DVL组合导航算法

捷联惯性导航系统(SINS)/多普勒测速仪(DVL)组合导航时,需要考虑多普勒速度信息中出现的野值和噪声特性变化对导航精度的影响。针对上述问题,提出基于滑动窗口抗差自适应滤波的SINS/DVL组合导航算法。首先建立状态变换漂移误差角系统误差模型,在速度误差方程中用重力常值项代替比力项,减少比力项引起的速度误差,提高模型的准确性。然后利用新息序列判别野值,若异常则采用滑动窗口数据修正错误新息,并使用带遗忘因子的自适应滤波在线估计量测噪声。实验结果证明,新的系统误差模型和滑动窗口抗差自适应滤波能有效减缓位置误差的累积。2 h的SINS/DVL组合导航中误差航程比优于1.05%,相比于传统卡尔曼滤波性能提升39.66%。

基于TOF和自适应抗差卡尔曼滤波的UWB室内定位算法

为提高超宽带(UWB)定位系统在室内复杂环境下的定位精度,提出一种基于飞行时间(TOF)和自适应抗差卡尔曼滤波(ARKF)的改进定位算法。针对超低功耗宽带设备在复杂室内环境状态下易受周围干扰而存在标准时间偏差的问题,提出一种改进的TOF算法,同时进行测距标定,拟合数据;对室内存在非视距(NLOS)干扰的情形,提出一种ARKF算法,通过比较残差与3倍信息的方差来判断视距(LOS)与NLOS情形。实验结果显示:该算法可以在静态与动态定位实验中有效提高系统定位精度,降低定位误差,取得较好的定位效果。

基于自适应优化选择-抗差自适应卡尔曼滤波混合模型的GNSS+5G组合定位

PNT系统的构建是通信和导航领域的关键课题。发展能够兼容集成不同类型PNT手段,提供具备较好的弹性和环境适应性的综合PNT体系已成为当前刻不容缓的重要任务。5G和北斗系统的出现和发展,为PNT体系走向更综合、更弹性提供了新的思路。据此,本文提出了一种基于GNSS+5G组合数据的自适应优化选择-抗差自适应卡尔曼滤波(AOS-RAKF)算法,以实现城市复杂环境中的高精度定位估计。该算法主要由两个模块组成,即基于AOS的5G基站测量数据优化和基于AOS-RAKF算法的GNSS+5G组合定位。其中,基于AOS的5G基站测量数据优化模块通过自适应优化选择因子实现更好的观测数据重选。GNSS+5G组合定位模块利用优化后的5G数据和GNSS建立耦合结构模型,再利用RAKF方法实现移动车辆的高精度定位。半实物仿真测试结果表明,复杂城市环境下与使用原始测量数据的GNSS、单5G、传统的GNSS+5G组合定位相比,本文AOS-RAKF方法显著提高了定位精度。

抗差自适应模型预测滤波及其在组合导航中的应用

为了提高捷联惯导(SINS)/天文导航(CNS)/合成孔径雷达(SAR)组合导航系统的定位精度,在吸收模型预测滤波和抗差自适应滤波算法优点的基础上,提出了一种新的抗差自适应模型预测滤波算法。该算法首先利用模型预测滤波估计出系统模型误差,并对其进行实时修正,以抑制系统模型误差对导航解算精度的影响;然后利用抗差自适应因子控制观测异常,抑制观测噪声对导航解算精度的影响。将提出的算法应用于SINS/CNS/SAR组合导航系统进行仿真验证,并与抗差自适应滤波进行比较,结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[0.2,0.2]、[0.3m/s,0.3m/s]和[6 m,6 m]以内,滤波性能明显优于抗差自适应滤波算法,说明该算法能有效抑制系统模型误差及观测异常对导航解的影响,提高组合导航的解算精度。

分步抗差自适应滤波及其在GPS动态导航中的应用

在对现有的抗差滤波方法作进一步分析的基础上,针对观测模型和动力学模型同时存在误差的情况,提出了一种新的抗差滤波——分步抗差自适应滤波。该方法在滤波之前,利用抗差岭估计等抗差有偏估计得到参数估计值,并修正观测向量,把观测向量中的粗差控制在可接受范围之内,然后在滤波中利用自适应因子消除动力学模型误差的影响,这样分两步分别对观测模型误差和动力学模型误差进行控制。大量的GPS动态导航定位试验验证了本文方法的有效性和稳定性。

抗差自适应插值粒子滤波及其在组合导航中的应用

针对粒子滤波存在的粒子退化和重要性密度函数难以选取的问题,在吸收抗差自适应滤波、二阶插值滤波和粒子滤波算法优点的基础上,提出了一种新的抗差自适应插值粒子滤波算法。该算法利用二阶插值滤波算法得到重要性密度函数,通过抗差自适应因子实时控制动力学模型误差及观测异常对导航解的影响。将该算法应用于SINS/CNS/SAR组合导航系统进行计算仿真,并与经典的粒子滤波算法进行比较分析。结果表明,提出的滤波算法得到的姿态误差控制在[-0.3′,+0.3′],速度误差控制在[-0.4 m/s,+0.4 m/s],位置误差控制在[-5 m,+5 m],性能明显优于经典的粒子滤波算法。新的滤波算法不但能够有效地抑制粒子退化,而且能够有效地控制动力学模型误差及观测异常的影响,提高了组合导航的滤波精度。

抗差自适应无味粒子滤波

针对系统观测值含有粗差或者存在状态异常的情况,基于无味粒子滤波算法(UPF)和抗差自适应滤波原理,提出了一种新的抗差自适应无味粒子滤波算法(AR-UPF)。该方法采用方差膨胀模型抑制观测粗差的影响;利用自适应UKF算法来实时调整状态参数预报值的协方差,控制状态异常的影响。算例分析表明,新方法能够有效地控制观测粗差与状态异常,提高了滤波精度。

抗差自适应卡尔曼滤波模型及其在塌陷区监测中的应用

针对塌陷区等地表快速沉降区域的动力学特点及观测向量中存在的粗差对卡尔曼滤波结果的影响,设计一种抗差自适应卡尔曼滤波模型。该模型能识别稳定沉降与快速沉降2种状态,通过抗差估计减小观测向量中粗差的影响,并采用自适应因子调整动力学模型,减少状态模型的误差,提高滤波结果的精度。将该模型应用于某矿区沉降监测数据的处理,结果表明,其效果优于抗差卡尔曼滤波。

优化抗差自适应滤波器在深组合导航中的应用

为了提高惯性/卫星深组合导航系统的滤波性能,在抗差自适应滤波算法的基础上,研究了一种优化抗差自适应滤波算法。该算法通过比较实际预测残差协方差矩阵和理论协方差阵的差值来生成自适应因子,从而优化抗差自适应滤波。将所研究的算法应用于惯性/卫星深组合导航系统,在高动态环境下进行仿真验证,并与常规卡尔曼滤波、抗差自适应滤波进行比较。结果表明,优化算法能有效地控制观测异常和动态模型异常对状态参数估值的影响,所得组合导航位置误差和速度误差明显减小,提高了组合导航系统的滤波精度。

基于自适应抗差卡尔曼滤波的UWB室内定位

在UWB室内定位中,测距中存在的NLOS误差和测距异常值会大幅降低其定位的精度和可靠性。针对这一问题,提出了一种自适应抗差卡尔曼滤波方法。该方法首先在UWB距离模型的基础上,利用新息向量和LOS环境下的阈值所构造的抗差因子鉴别并削弱NLOS测距误差和测距异常值的影响,同时利用Sage-Husa滤波对系统噪声进行实时估计和修正,在此基础上推导UWB定位的线性模型,利用卡尔曼滤波进行UWB定位解算。实验结果表明,该方法能有效地抑制并消除UWB测距中的NLOS测距误差和测距异常值的影响,进而能提高UWB定位的精度和可靠性。

抗差自适应分步滤波算法在PPP/INS组合导航中的应用

针对常规抗差自适应滤波算法在PPP/INS组合导航应用中存在难以准确识别和分离观测粗差及运动异常对定位结果影响的问题,基于分类因子自适应滤波原理,提出了一种抗差自适应分步滤波算法。该算法首先执行第一步滤波,对状态模型异常信息进行隔离,仅对观测粗差进行诊断和抗差处理;然后在第一步滤波的基础上,执行第二步滤波,对状态模型异常进行诊断和自适应处理。算法分析表明,抗差自适应分步滤波算法可以准确地识别和分离观测粗差和运动异常扰动。实验结果表明,抗差自适应分步滤波算法能够进一步增强滤波算法抵抗观测粗差和运动异常扰动对滤波结果的影响,提高PPP/INS组合导航系统定位结果的稳定性和可靠性。

模糊抗差自适应粒子滤波及其在组合导航中的应用

在研究模糊控制理论的基础上,吸收了粒子滤波、自适应滤波和抗差估计的优点,提出一种新的模糊抗差自适应粒子滤波算法。文中根据量测向量中的粗差对状态向量滤波的影响,建立抗差自适应粒子滤波模型,获得自适应因子,然后对滤波处理后的数据残差基于模糊理论构造等价权函数,利用等价权函数和自适应因子合理地分配信息,因而可以达到一般滤波方法无法达到的滤波精度,且能有效地控制粗差对导航解的影响。最后,将该算法应用到组合导航系统中,并进行仿真验证。仿真结果证明,文中提出的模糊抗差自适应粒子滤波算法的滤波精度相对于扩展Kalman滤波和粒子滤波提高了3至5倍,明显提高了导航定位精度,且计算简单,便于实时性计算。