基于简化鲁棒UKF的GNSS/INS紧组合列车定位方法

针对GNSS/INS组合列车定位中的信息融合非线性与传感器量测故障问题,为满足复杂多变列车运行场景下列车定位精度与鲁棒性的需求,提出一种基于简化鲁棒UKF的GNSS/INS紧组合列车定位优化方法。综合标准KF的时间更新与标准UKF的量测更新来构建简化UKF,在保证GNSS/INS紧组合列车定位精度的同时改善定位解算实时性。在简化UKF滤波框架内,引入故障检测与自适应调整因子构建简化鲁棒UKF,可以快速检测传感器量测故障导致的系统故障,并对故障历元的量测噪声协方差进行自适应调整降低滤波增益,使得滤波算法具有较强的鲁棒性。采用京沈高铁实测数据与故障仿真数据进行算法定位性能验证与评估,结果表明:基于简化UKF的GNSS/INS紧组合定位算法水平定位精度为2.6865 m,与传统EKF滤波模型下的紧组合与松组合方法相比定位精度分别提高5.6%和15.0%。此外,提出的简化鲁棒UKF方法可以快速有效检测到不同类型的传感器量测故障,且大幅抑制传感器量测故障,优化复杂运行场景下的列车定位精度与鲁棒性。

基于抗差UKF的动力锂电池SOC估计算法研究

从锂离子电池模型的研究与优化入手,以自主设计的电池SOC仿真系统模型和硬件实验平台为基础,分析锂离子电池SOC预估算法中的粗差影响因素,建立一种新型基于抗差无迹Kalman滤波(UKF)的锂离子电池SOC预估方法。该方法将开路-AH法与抗差UKF估计理论相结合,克服传统估算方法无法消除累积误差的缺点。对照实验结果表明,新算法能够提高动力储能锂离子电池的SOC量测过程中的预估精度,对于促进动力储能锂离子电池的推广,提高动力储能锂离子电池组的能量储存能力、利用率和循环寿命有着重要的科学意义。

基于MRPs无陀螺卫星姿态确定的抗差估计算法

针对精确航天器姿态问题,采用修正罗德里格参数(MRPs)表示姿态,用动力学方程进行角速率的传播,分别基于等价协方差和观测残差统计特性的协方差调整方法,实现UKF算法的抗差效果,并通过仿真验证该方法的有效性。仿真结果表明:在含有粗差的情况下,两种抗差UKF算法均能得到稳定的状态估计值,而第二种方法计算效率更高。

基于新息正交原理的抗差UKF及其在INS/GPS组合导航中的应用

为提高标准UKF对异常的量测噪声统计的鲁棒性,提出了一种基于新息正交原理的抗差UKF算法。该算法根据新息序列的正交性确定最优的抗差因子,而后通过对新息协方差阵引入抗差因子在线调整滤波增益,进而抑制异常量测对滤波解的影响。将提出的算法应用于INS/GPS组合导航系统进行仿真验证,并与标准UKF和现有的抗差UKF进行比较,结果表明,当量测噪声统计不准确时,提出的基于新息正交原理的抗差UKF滤波性能明显优于上述两种算法,提高了组合导航系统的定位精度。

预测残差判别统计量抗差因子在UKF算法中的应用

在UKF滤波中,针对观测信息存在粗差的问题,基于预测残差构建了预测残差判别统计量。结合三段函数组成了一种新的抗差因子函数,并给出抗差UKF算法公式。该算法计算过程无需迭代,实现一步抗差,适合实时滤波估计。计算结果表明,该抗差因子函数不仅能够有效地控制含粗差观测值对滤波结果的影响,得到可靠的滤波解,而且可以提高滤波精度。

UKF联合滤波器在车辆定位系统中的应用

传统的应用于GPS/DR组合定位系统中的联合卡尔曼滤波器都是由扩展卡尔曼滤波器(EKF)构成,而EKF具有滤波收敛速度慢、对系统模型误差和噪声统计特性的鲁棒性差和实际中难以实施等缺点,这些对联合卡尔曼滤波器的整体滤波性能和实用性都会产生不利影响。针对这一问题,通过用无迹卡尔曼滤波器(UKF)来替代EKF构成一种新型的基于UKF的联合卡尔曼滤波器,并将这种联合滤波器应用于GPS/DR车辆组合定位系统中。通过详细的计算机仿真和分析后,结果表明与传统的基于EKF的联合卡尔曼滤波器相比,该联合卡尔曼滤波器的滤波精度、收敛速度、鲁棒性、实用性和可靠性都得到了很大的改善,满足了定位系统低成本和高精度的要求,具有一定的应用价值。

基于改进IMK恢复力模型的钢筋混凝土柱参数识别与应用

提出了一种利用钢筋混凝土柱拟静力试验数据识别改进IMK模型骨架曲线参数,进而提高钢筋混凝土框架结构非线性模拟精度的方法.通过引入可抗差的基于奇异值分解的无迹卡尔曼滤波算法(抗差SVD-UKF算法),抑制观测值粗差对参数识别的影响,采用粒子群算法对初始协方差矩阵、过程噪声矩阵和测量噪声矩阵进行自动寻优,在MATLAB中实现了柱滞回特征正负向对称与非对称两种情况下改进IMK恢复力模型骨架曲线参数的识别.钢筋混凝土柱实测滞回曲线的模型骨架曲线参数识别结果及其在框架结构非线性模拟中的应用结果验证了本文方法的有效性.

鲁棒自适应无迹卡尔曼滤波的SLAM算法

针对SLAM在复杂环境下对噪声干扰鲁棒性差以及运动轨迹预测误差问题,在UKF中引入自适应估计理论与鲁棒H∞控制准则,提出一种鲁棒自适应UKF-SLAM算法。该算法利用自适应估计理论,构建抗差因子和自适应因子,自适应估计测量和状态噪声等价协方差阵,实现粗差分离和噪声方差自适应补偿;利用鲁棒H∞控制准则对系统状态均值和协方差进行迭代更新,提高噪声干扰鲁棒性、降低预测误差。仿真结果表明:该算法能保证移动机器人在不同噪声环境下具有良好的鲁棒性与定位精度。

用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法

针对动态状态估计中传统无迹卡尔曼滤波(UKF)采样方法的不足,对UKF算法进行改进,每次估计实时调节比例修正因子,提高滤波性能。动态状态估计结果精度受量测粗差影响较大,为此提出一种鲁棒无迹卡尔曼滤波(RUKF)算法,引入粗差判据检测粗差,通过增强因子来降低粗差对系统状态估计结果的影响。将RUKF算法运用于电力系统动态状态估计,仿真结果表明,该算法具有良好的估计性能及较强的鲁棒性。

单天基平台测向的空间非合作目标跟踪

针对仅含角度测量信息的单个天基平台可观测性较弱的问题,提出了一种含脉冲机动检测的空间非合作目标跟踪算法,并设计了非合作目标实时跟踪数据处理流程。该算法利用抗差估计技术和UKF(Unscented Kalman Filter,无迹卡尔曼滤波)算法构造目标跟踪滤波器,并综合残差多项式拟合和新息分布特征等方法实现目标机动检测,在天基平台观测信息类型有限和观测几何较差的情况下,可以同时排除孤立野值和成片测量野值的影响,实现非合作机动目标的连续稳定跟踪。数值实验验证了算法的可行性和有效性,也表明了跟踪精度和可靠性与测量精度密切相关。

抗差自适应UKF的INS/GNSS组合导航算法

为了进一步提高滤波精度和稳定性,针对INS/GNSS组合导航系统的特点建立系统非线性误差模型,并提出一种抗差自适应UKF算法:基于UKF滤波中新息序列动态调整观测噪声数学统计特性,并结合残差序列构造自适应因子,改善初始协方差误差对标准UKF的影响,提高标准UKF自适应能力,减少存在观测粗差情况下滤波精度下降问题。仿真结果表明,该算法能够较好抑制观测粗差对定位精度及稳定性的影响。

一种抗差自适应UKF算法及其在GNSS/SINS组合导航系统的应用

GNSS/SINS组合导航系统标准UKF算法缺乏对量测噪声方差及系统状态异常的自适应调节能力,进而影响了组合导航系统的滤波精度。为了解决上述问题,提出了一种抗差自适应UKF算法。首先,该算法引入变分贝叶斯估计原理以实时估计量测噪声方差;然后,基于滤波器预测残差,构建了自适应因子以降低系统状态异常时对导航解的影响;最后,将该算法应用于GNSS/SINS组合导航系统中,仿真结果表明,当量测噪声统计特性发生变化时,相对于标准UKF算法及抗差UKF算法,在整个仿真时段内,本文算法可提高位置精度分别为51.2%及9.3%,同时可以降低系统模型异常扰动和滤波器初值偏差对导航解的影响。实验结果表明本文算法具有较强的自适应性及抗差性,可提升复杂环境下组合导航系统的精度。

附加运动学约束的BDS抗差UKF导航算法

针对城市复杂环境中单一BDS导航受多路径(multipath,MP)和非视距(non-line-of-sight,NLOS)信号干扰导致精度下降的问题,提出一种附加运动学约束的抗差无迹卡尔曼滤波(unscented Kalman filter,UKF)算法。该算法基于新息向量构造等价权函数,克服了位置及接收机钟差初值不准确引起的抗差性能下降问题。同时,利用载体的近似运动方向和高程约束,进一步增强滤波解。实测车载试验结果表明,本文方法可有效抑制MP和NLOS信号的干扰,提高城市环境中的BDS导航精度。

基于Cauchy鲁棒函数的UKF改进算法

对于大多数实际系统,其噪声统计特性未知,不敏卡尔曼滤波(unscented Kalman filter,UKF)算法对噪声信息不准的鲁棒性较差,导致滤波精度急剧下降,甚至滤波发散。借助鲁棒数据校正的思想,提出了一种基于Cauchy鲁棒函数的UKF改进算法。以UKF的测量先验值与其实际值的残差作为基准,采用联合权函数对噪声估计值进行实时修正,从而提高了UKF算法的精度。通过两个实例的仿真,验证该算法的有效性。

随机机动目标拦截中的多模型自适应估计算法

针对随机机动目标末端制导拦截问题,提出了一种快速有效的多模型自适应估计算法。该算法充分挖掘了单元滤波器组对应假设空间的特殊结构,引入聚合和剪裁手段简化了传统多模型自适应估计算法。为有效处理非线性,不敏卡尔曼滤波器被用于设计依赖假设的单元滤波器。为满足应用要求,给出了该算法的数值鲁棒实现方法。仿真结果验证了所提出算法的有效性。

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。

改进的强跟踪平方根分解UKF算法应用研究

针对一类非线性系统滤波问题,提出了一种改进的强跟踪平方根分解UKF算法.该算法通过引入自适应渐消因子改善了滤波器的鲁棒性,利用改善的平方根分解方法提高了滤波器的计算效率.通过实验仿真验证,该算法相对于传统的强跟踪UKF算法具有相近的估计精度和更快的计算效率,相对于强跟踪滤波器具有更高的精度.

抗差自适应UKF算法在地基光学跟踪空间目标中的应用

滤波过程中若噪声的统计特性发生时变,则会引起传统无迹卡尔曼滤波(unscented Kalman filter,UKF)的滤波精度快速降低、滤波收敛性不定甚至发散,针对这个问题提出了具有鲁棒性的UKF算法。首先根据极大后验估计(maximum a posterior estimate,MAPE)原理,推导出无偏的近似最优MAPE常值噪声统计特性的滤波估计公式,并给出了时变噪声统计估计器相关参数的一整套递推公式。考虑到观测数据粗差的存在,将可以在线估计时变噪声特性的方法和具有鲁棒特性的滤波因子相结合,以有效抑制观测数据的粗差值对滤波稳定性和收敛性的影响。最后,以地面站对空间非合作目标的光学测角跟踪为应用背景的仿真实例表明,该算法在噪声统计特性未知或不准确且过程噪声矩阵时变、观测数据存在个别粗差情况下,滤波依然收敛,其滤波精度及稳定性提高较为明显。

UKF的改进算法及其在伪卫星定位中的应用

首先介绍了伪卫星导航系统的观测方程和动力学模型方程。然后,分析了基于UT变换的UKF算法,针对该算法存在的问题,结合迭代滤波思想和抗差估计原理提出了一种新的抗差UKF算法。并与EKF和UKF算法进行了比较。计算结果表明,该算法不仅可以提高滤波器的精度,而且能够更有效地控制观测异常对导航解的影响,使导航解更能反映导航系统的真实情况。

基于SRMA-UKF的永磁同步电机无传感器系统设计

为了解决传统UKF在永磁同步电机无传感器系统中存在的鲁棒性差、由于舍入误差导致的协方差矩阵发散的问题,提出了带遗忘因子的平方根UKF算法,在滤波过程中采用平方根矩阵代替协方差矩阵进入迭代运算,有效的克服了系统的发散问题,并且通过引入了遗忘因子的概念,将原有滤波器改造成强跟踪滤波器,从而提高了系统的鲁棒性。从MATLAB/Simulink仿真结果可以发现,与UKF、SR-UKF相比,对于突变状态的跟踪能力,SRMA-UKF有较大的提高,转子速度以及转子位置跟踪更精确,误差更小,鲁棒性得到提高。