Sage_Husa自适应滤波算法在捷联组合导航系统中的应用

以组合导航系统为应用背景,在现有方法的基础上,提出Sage_Husa自适应滤波算法的应用.采用常规卡尔曼滤波时,需要知道系统的数学模型和噪声统计的先验知识,但是在实际系统中,系统的数学模型和噪声统计是未知的、近似的或部分已知的.用不准确的模型或噪声统计设计出的卡尔曼滤波器将导致状态估值误差增大,甚至使滤波发散.Sage_Husa自适应滤波通过软件仿真表明该方法能够使系统误差在较短的时间内收敛,与常规卡尔曼滤波器的精度相当并具有高效率、高精度等优点.

基于改进Sage-Husa的GNSS/SINS组合导航系统自适应UKF算法

GNSS/SINS组合导航系统的无迹卡尔曼滤波器(UKF)是以准确的测量噪声统计特性为基础的,当测量噪声统计特性发生变化时,如不对其进行准确的估计,将会导致UKF的滤波性能下降甚至发散。为了解决上述问题,提出了一种基于改进Sage-Husa的GNSS/SINS组合导航系统自适应UKF算法(ISHUKF)。首先,建立了GNSS/SINS非线性组合导航系统的简化UKF模型;然后,在分析组合导航系统中常规Sage-Husa算法存在滤波发散原因的基础上,提出了一种改进的Sage-Husa算法以保证测量噪声估计方差的正定性;最后,进行了GNSS/SINS组合导航系统的仿真实验。实验结果表明,相对于变分贝叶斯算法,ISHUKF对测量噪声方差的估计精度与其大致相同,并且算法更加简单;相对于标准UKF算法,在整个仿真时段内可提高组合导航系统的位置精度、速度精度和姿态精度分别约33%、35%和72%,进而验证了算法的可行性及优越性,并为复杂环境下组合导航系统的滤波方法提供了一种简易的方法。

基于指数加权平均的GNSS/SINS组合导航系统Sage-Husa自适应卡尔曼滤波算法

测量噪声异常会导致GNSS/SINS组合导航系统滤波精度下降,甚至滤波发散。为解决该问题,首先提出适用于组合导航系统的Sage-Husa自适应卡尔曼滤波方法SHAKF;然后根据滤波新息协方差的理论估计值及实际估计值构建控制因子,提出测量噪声均方差突变起始时刻及结束时刻的检测方法,构建基于指数函数变化规律的遗忘因子,进而提出基于指数加权平均的Sage-Husa自适应卡尔曼滤波方法EWASHAKF;最后将EWASHAKF应用于GNSS/SINS组合导航系统,并进行仿真实验。结果表明,相对于SHAKF,EWASHAKF能够准确地跟踪测量噪声均方差的各种变化,进而提高组合导航系统的滤波精度。

改进Sage-Husa算法在SINS/GPS组合导航中的应用

针对在组合导航系统中应用Sage-Husa自适应滤波算法存在的滤波精度低和可靠性差等问题,提出一种改进的Sage-Husa自适应滤波算法。首先在Sage-Husa自适应滤波算法基础上,通过指数渐渐消记忆加权估计方法来估计噪声统计特性,提高算法的自适应能力,后结合强跟踪滤波引入渐消因子在线修正预测均方误差矩阵,使改进后的算法具有应对系统误差干扰等不确定因素的能力。仿真结果表明,改进后Sage-Husa算法具有更高的自适应能力以及在出现模型误差和粗差干扰时能够有效抑制滤波发散,保持良好的滤波性能,应用在组合导航系统中具有更强的稳定性和定位精度。

新型Sage-Husa自适应滤波算法的列车测速方法研究

测速准确性是列车行驶安全的重要参量。在列车的实际运行中,传感器受噪声干扰,会导致测速数据出现异常。针对该问题,本文提出了采用新型Sage-Husa自适应滤波方法来去除噪声影响,实现多传感器信息融合,并与传统的卡尔曼滤波算法进行了比较。结果表明,新型Sage-Husa自适应滤波方法更能保证测速测量的准确性。

改进Sage-Husa滤波及在GPS/INS容错组合制导中的应用

在Sage-Husa滤波基础上,提出了其改进的滤波算法,以解决它在容错性能差和高阶状态阵滤波发散等方面的问题。仿真结果表明,利用改进Sage-Husa滤波可有效提高GPS/INS组合制导的容错性能和精度。

自适应Sage-Husa粒子滤波及其在组合导航中的应用

针对非线性滤波问题,提出一种新的自适应Sage-Husa粒子滤波算法。通过Sage-Husa滤波方法计算状态估值和协方差阵来获得重要性密度分布函数,充分考虑了最新量测信息的影响,并利用欧氏距离和反映量测噪声统计特性的精度因子自适应地调整粒子权值的分布,降低粒子退化程度,提高了滤波精度,适用于非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和粒子滤波比较,仿真结果表明,自适应Sage-Husa粒子滤波能提高导航系统定位的解算精度,得到的东向和北向定位误差控制在?5.3m附近,其性能明显优于扩展Kalman滤波和粒子滤波。

对Sage-Husa算法的改进

在衍生于卡尔曼滤波的INS/GPS组合导航自适应算法中,Sage-Husa算法是针对不确定的系统噪声协方差阵Q阵和量测噪声协方差阵R阵的经典算法。文中推导了自适应Q阵和R阵,在自适应Q阵中补充了Sage-Husa算法遗失的一些量。为了尽可能多保留信息,构造新方法使得Q阵非负定和R阵正定,取消了易导致估计偏差的均值估计,修改了Sage-Husa算法中使初始噪声方差的作用很快趋于零的设计思想,可控制固定噪声方差的比例。在3种数据扰动环境下,利用动态仿真计算分析和比较了相关算法发现,同时对Q阵和R阵做自适应估计的算法,其抵抗数据扰动的效果要优于固定Q阵只对R阵做自适应估计、或固定R阵只对Q阵做自适应估计的算法,这个结论不同于一些文献的观点。新改进的Sage-Husa算法对自适应Q阵和R阵可分别调节,有较好的适应性和稳定性。

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。

改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法。该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星(INS/DS)组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性。

改进型Sage-Husa卡尔曼滤波器在电压暂降检测中的应用

电压暂降是电网中的一个关键电能质量问题。用于电压暂降检测的Sage-Husa型卡尔曼滤波器具有形式简单、计算量小、响应速度快的优点,但在系统阶次较高时容易出现滤波发散的问题。为避免滤波发散,同时进一步提高该滤波器的实时响应速度,改进Sage-Husa型卡尔曼滤波器中的噪声矩阵估计器,给出基于改进后Sage-Husa卡尔曼滤波器的电压暂降快速检测方法,并通过仿真和实验证明了该方法的有效性。与传统的Sage-Husa型卡尔曼滤波器相比,改进后Sage-Husa卡尔曼滤波器避免了滤波发散的现象,同时提高了的响应速度。

基于Sage-Husa算法的自适应平方根CKF目标跟踪方法

在目标跟踪中,噪声的统计特性未知可能会引起滤波精度下降甚至发散,针对该问题,提出了一种新的自适应平方根容积卡尔曼滤波算法。所提方法在常规Sage-Husa算法的基础上采用容积规则,推导出了一种适用于非线性系统的自适应噪声统计估计器。仿真结果显示,相对于标准的平方根容积卡尔曼,所提方法在噪声统计特性未知或时变的情况下滤波精度有显著提高。

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。

基于双旋迫击炮弹平台的改进型Sage-Husa自适应滤波滚转角测量算法

针对传统扩展卡尔曼滤波算法无法消除量测噪声、导致二维弹道修正引信滚转角测量误差偏大问题,利用轴向陀螺的实测转速作为系统噪声补偿,提出一种基于双旋迫击炮弹平台的改进型Sage-Husa自适应卡尔曼滤波滚转角测量算法。相对于传统扩展卡尔曼滤波方法,新算法显著降低了滚转角测量误差,提高了滤波器对于弹道升弧段和降弧段滚转角新息改变的自适应性;以高精度三轴转台作为硬件实验验证平台,该算法始终能够保持较高的测量精度和自适应性。研究结果表明:改进后的Sage-Husa自适应卡尔曼滤波滚转角测量算法在仿真验证中的滚转角测量误差均值为0.26°、标准差为0.35°;硬件实验验证中的滚转角测量绝对误差不超过4.2°.

基于Sage-Husa方法的旋翼姿态控制

针对传统IMU传感器信息融合方法对外界信息变化不敏感等问题,在分析陀螺仪噪声特性并建立基于ARMA模型的卡尔曼滤波器抑制陀螺仪随机噪声的基础上,将基于Sage-Husa方法的卡尔曼滤波器作为信息融合算法,增强姿态解算系统的自适应性。为提高Sage-Husa算法容错性能,提出一种加速度计可信性条件,根据总加速度与重力幅值、方向上的差异来判定是否进行姿态融合。在基于ARM Cortex M4内核的嵌入式系统上实现姿态解算和姿态控制系统,在自制四旋翼飞行器半实物仿真平台上进行的实验结果表明,以上方法降低了姿态静态及动态解算误差,提高了姿态系统状态的跟踪性和适应性,满足复杂运动环境下姿态控制的需求。

GNSS/SINS组合导航的改进Sage-Husa自适应滤波算法

针对组合导航系统中标准Sage-Husa自适应滤波算法存在滤波发散的问题,提出一种改进的Sage-Husa自适应滤波算法。首先,对组合导航系统的线性卡尔曼滤波算法采用补偿反馈校正算法获得最优估计,并对滤波器新息向量进行简化;然后,提出一种改进的Sage-Husa自适应滤波算法,该算法具有实现简单并且可以避免状态估计发散的特点;最后,进行基于该算法的GNSS/SINS组合导航实验。结果表明,该算法可以对量测噪声突变方差和缓变方差进行准确跟踪,并且量测噪声方差估计精度与变分贝叶斯滤波方法相当;当量测噪声方差变化时,相对于标准KF算法,该算法可分别提高约20%和21%的位置精度和速度精度,能有效降低未知量测噪声统计特性对组合导航系统滤波精度的影响。

基于Sage—Husa滤波的GNSS／INS组合导航自适应滤波

针对GNSS／INS组合导航Kalman滤波中过程状态噪声矩阵难以精确给定的问题，采用Sage—Husa滤波结合观测信息对状态噪声矩阵进行在线估计，减小过程状态噪声不确定的影响。实测结果表明，与基于标称精度给定的标准Kalman滤波相比，基于Sage—Husa滤波的自适应滤波导航精度有明显提高。

一种简化的SAGE-HUSA卡尔曼滤波

对无人机导航状态进行在线估计时,一般采用简化的数学模型,因此需要采用自适应卡尔曼滤波。目前工程中应用广泛的几种自适应卡尔曼滤波存在各自缺点,对进一步提高无人机导航精度以及实际应用上有不利影响。利用残差变化率在不同飞行状态下的差异,选择估计窗的大小,以此给出一种简化的SAGE-HU-SA卡尔曼滤波算法。仿真结果表明,该方法计算量小、思路清晰,适用于无人机导航的工程实践。

基于Sage-Husa自适应滤波的快速系统级标定方法

为提高捷联惯导系统级标定算法的滤波收敛速度,提出一种Sage-Husa自适应滤波快速系统级标定方法。分析Kalman滤波的噪声参数,对量测噪声方差阵进行自适应辨识。采用六位置静态标定方案,在满足滤波可观测性的前提下,设计中间参数对滤波模型进行降维处理,降维后的模型能够更好地适用于Sage-Husa自适应滤波。实验结果表明:与常规Kalman滤波系统级标定方法相比,2种滤波方法均能标定出所有IMU误差参数,且标定的相对误差均小于0.6%,但标定时间由5 min缩短至6 s,提高了捷联惯导系统级标定的速度。