自适应扩维UKF算法在SINS/GPS组合导航系统中的应用

针对自适应渐消因子卡尔曼滤波无法应用于非线性系统的问题以及自适应渐消因子的局限性,提出了带自适应渐消矩阵的扩维UKF(adaptive fading matrix augmented UKF,AFM-AUKF)算法.该算法针对含有非加性白噪声的非线性系统,引入了一种新的自适应渐消矩阵计算方法,并用Unscented变换逼近系统的后验均值和协方差,有效解决了此类系统的滤波问题.针对SINS/GPS组合导航系统的非线性状态估计问题,分别设计了滤波器容错试验和系统噪声突变试验,试验结果证明了该算法的有效性.

扩维UKF在目标状态估计器中的应用

在火力/飞行控制(IFFC)系统的目标状态估计器(TSE)设计中,通常目标运动模型可精确地在直角坐标系下建模,同时在传感器坐标系下所获得的目标量又是直接可用的,但一般量测模型是非线性的,滤波器模型需采用非线性滤波方法。为了提高状态估计器的估计精度,在UKF(Unscented Kalman Filter)算法基础上,介绍了一种新的AUKF(Augmented UKF)滤波方法。此算法的思想是尽可能多地利用系统的量测信息,把系统和量测噪声同状态变量联系起来一起考虑,即把系统和量测噪声也列为状态。这要求预测方程产生的采样点同样被应用到更新方程,从而使噪声项的作用通过非线性方程进行传递。通过Monte-Carlo仿真与EKF(Extented Kalman Filter)算法进行了比较,仿真结果表明新算法的有效性和实用性。

基于部分扩维的无迹卡尔曼滤波算法研究

UKF扩维算法往往因为比较复杂而导致计算量较大,为此EW等学者提出了当过程噪声和量测噪声都是白噪声时UKF的简化算法。证明了这种简化算法在线性条件下不能达到最优估计;即线性条件下与Kalman滤波不等效;同时证明了UKF部分扩维的算法即只将过程噪声进行扩维后仍能达到最优估计;且又在一定程度上减少了计算量。最后在GPS/INS组合导航中进行了仿真验证,仿真结果进一步证明了理论分析的正确性。

基于UKF的雷达和机载ESM扩维跟踪

为有效提高异类传感器融合跟踪的效果,提出了一种基于UKF的雷达和机载ESM扩维跟踪算法。首先将目标和机载ESM的状态信息组合起来,形成一个高维的状态向量,从而有效抑制滤波中GPS定位误差所带来的影响;接着在此基础上采用UKF来实现目标的定位跟踪,以求进一步减小扩维后线性化误差加大等问题的影响。仿真结果表明,该算法可更好地实现对目标的定位跟踪。

固定站无源目标跟踪简化UKF算法仿真研究

与EKF类算法相比,基于不敏变换(UT)的不敏卡尔曼滤波(UKF)算法因为不存在线性化误差从而具有更好的性能,不过存在运算量较大的问题。建立了具有线性状态方程的固定单站无源目标跟踪模型,以此为研究背景在满足L+λa=nx+λ=常数的情况下由扩维UKF算法推导出了简化UKF算法并进行了仿真分析。仿真结果表明在满足推导条件时简化UKF算法可以在降低运算量的同时保持和扩维UKF同样的定位性能,具有较强的实用性。

多测速系统中系统误差实时估计与校准算法

在实际目标跟踪系统中,测量设备都存在系统误差,会导致跟踪滤波精度显著下降。针对多测速系统,对其测速系统误差进行了简化数学建模;然后将其增广为状态变量,应用扩维无迹卡尔曼滤波对目标运动状态和系统误差进行联合估计,以实时校准系统误差、提高状态估计精度。在存在主副站2类系统误差的条件下,设定恒定和线性时变2类系统误差场景,对算法进行仿真分析。仿真结果表明,算法在2类系统误差情形下都能有效校准系统误差,位置、速度滤波精度可提高80%以上;尤其是当系统误差恒定时,算法可完全消除系统误差的影响。