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。

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。

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%。

改进抗差自适应EKF算法在GNSS/INS组合导航中的应用

在车载GNSS/INS组合导航中,抗差自适应滤波以其具有控制动力学异常和观测异常的能力成为实现综合PNT的关键技术之一。然而,不合适的决策算法和抗差因子会导致滤波进一步劣化。针对该问题,提出一种双窗口Sage-Husa抗差算法和一种改进的异常新息占比决策方法。采用松组合结构,利用异常新息占比决策对组合过程中出现的模型异常作出判断,针对观测模型异常和动态模型异常分别采用对应的抗差或自适应滤波。利用武汉市城区林荫道、街区多遮挡环境下动态实测数据进行分析。实验结果表明,该方案在复杂多遮挡环境下东、北、天3个方向上位置精度分别提升35.78%、38.94%、66.00%,位置均方根误差达到0.70 m、0.69 m、1.16 m。

基于抗差自适应估计的微纳卫星相对定位算法

为了解决微纳卫星编队执行姿态机动任务时,差分定位性能降低甚至不能定位的问题,提出基于全视角天线组件的GPS接收和差分定位系统方案.针对星载高动态环境,改进基于几何无关(GF)差分组合和衰减窗口的伪距粗差探测方法.采用抗差自适应扩展卡尔曼滤波算法,将基于新息向量的观测噪声协方差矩阵开窗估计法应用于实时差分定位.建立半物理仿真平台,开展不同场景下的差分定位性能对比验证.结果表明,在全弧段侧摆与区间“侧摆-回正”机动条件下,所提出的基于全视角方案的滤波和估计算法相比于常规方案的扩展卡尔曼滤波(EKF)算法在定位星数、定位精度上均有大幅提升,在短、长基线情况下分别可以达到厘米、分米级的相对定位精度.

一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测算法

针对当前的山体滑坡监测技术监测精度低、实时性差、自动化程度低的问题,提出了一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测技术。该技术使用抗差自适应Kalman滤波技术,对包括实时动态(RTK)载波相位差分定位数据、无人机摄影测量数据、土工带传感器数据在内的多源数据进行融合分析,将滑坡形变监测精度提高到了mm级。RTK技术和土工带传感器的使用克服了天气状况、植被覆盖对滑坡监测的影响。使用灰色预测理论对山体滑坡监测点进行形变预测,结合蠕变切线角判据,该技术实现了对山体滑坡预警等级的划分。仿真实验结果显示,该山体滑坡监测技术能够成功实现山体滑坡预测预警功能。

基于抗差自适应SITAN算法的水下重力匹配导航方法

针对水下重力匹配导航SITAN算法中动力学模型误差以及重力异常观测数据存在粗差的问题,提出一种抗差自适应匹配算法。通过构建自适应因子和抗差因子来调节状态预测信息与量测信息对滤波贡献的权重,有效抑制粗差和预测信息异常的影响,提高匹配算法的稳定性和可靠性。在南海选取一块重力异常特征变化丰富的海域进行仿真实验,结果表明,与常规SITAN算法相比,该算法能够显著降低异常观测值的影响,系统的定位精度和鲁棒性均有提升。

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%。

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。

开窗分类因子抗差自适应序贯平差用于卫星钟差参数估计与预报

提出一种新的钟差算法——开窗分类因子抗差自适应序贯平差,即首先对一维钟差数据进行开窗处理,在窗口内利用抗差等价权削弱粗差影响,在窗口间构造自适应因子抵制钟跳异常,从而达到消除和削弱观测异常和状态异常的目的。针对不同星钟参数不符值描述不同的扰动特性,提出构造分类自适应因子来抵制钟差时间序列中的扰动异常。计算结果表明,新算法一方面引入抗差估计,控制了粗差影响,拟合精度和预报精度与没有进行抗差处理的自适应序贯平差相比,分别提高78.9%和60.4%;另一方面由于新算法构造分类自适应因子,分别处理不同特征的状态异常,钟差拟合精度和预报精度与单因子抗差自适应序贯平差相比,分别提高4.3%和29.2%。

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。

抗差自适应EKF在INS/GNSS紧组合中的应用

针对惯性/卫星紧组合导航中卫星观测数据存在粗差,影响组合导航系统定位精度,同时考虑到卫星少于4颗和卫星几何分布不佳对预测残差构造自适应因子的影响,提出了一种抗差自适应EKF紧组合算法。该算法给出惯性/卫星紧组合状态方程与观测方程,抗差等价权因子和预测残差法构造自适应因子的计算公式,并给出卫星少于4颗和卫星几何状态分布不佳情况下自适应因子的计算方法。通过车载实测数据对算法进行验证与分析,实验结果表明,基于抗差自适应EKF的惯性/卫星紧组合算法可有效削弱卫星粗差观测值的影响,在可见卫星数少于4颗和卫星几何分布不佳的状态下,依据该算法获取的系统导航精度得到进一步提高。

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。

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。

基于抗差自适应Kalman滤波的车辆定位新方法（英文）

针对车辆定位的特点,提出一种基于旋转调制技术及运动学约束的车辆定位新方法。首先,对量测方程进行改进,并对量测噪声进行白化;然后,针对系统存在动态模型误差及观测异常情况,采用抗差自适应Kalman滤波算法抑制上述误差对状态参数估计的影响;最后,将该方法应用到实际的车辆定位系统中。实验结果显示,与传统Kalman滤波法的结果相比,新方法得到的东向和北向最大位置误差均小于Kalman滤波算法,定位精度较Kalman滤波算法提高26.7%,表明该方法具有很好的鲁棒性和自适应能力,能有效抑制系统模型误差及观测异常对系统的影响,从而提高车辆定位精度。

抗差自适应Kalman滤波在动态变形监测中的应用研究

抗差自适应Kalman滤波算法中,抗差等价权矩阵和自适应因子的计算,要求观测信息具有多余观测量且准确可靠,但在动态变形监测应用中,通常滤波观测值仅为三维坐标且存在较强噪声和粗差的影响。为此,先对该算法中的自适应因子和抗差等价权矩阵的计算进行研究和改进,然后计算了某高速公路边坡的GPS动态监测数据。结果表明,抗差自适应Kalman滤波能够有效地抵制动态变形监测中观测值异常的影响。

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。

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。

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。

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。