基于新息异常检测的改进抗差自适应卡尔曼滤波算法

在工程应用中,量测异常及量测噪声统计特性的时变是引起标准卡尔曼滤波振荡甚至发散的主要原因。经典抗差Sage-Husa自适应滤波方案,对量测中的孤立型异常有所抵抗,并可在线估计量测噪声统计特性改善滤波效果,但当连续型异常值出现时,其滤波效果不佳。针对现有抗差Sage-Husa自适应滤波方案的不足,提出了新的改进滤波方法。在改进算法中,当检测到量测异常时采用模值更大的先验预测方差阵代替原算法中的后验估计方差阵,在估计量测噪声方差时起到放大作用,以降低异常量测权重,提高滤波精度;采用IGG方案构造了新的权函数,可在抑制异常影响的同时调节估计方差阵,以免连续异常时新息持续置零引起的滤波发散;采用标准卡尔曼滤波新息辅助异常检测的双重检测策略,避免了因量测噪声方差阵的调节引起检测阈值变化而导致的漏检率增高。仿真实验表明,与常规抗差自适应滤波算法相比,该方案可更加有效地抑制量测异常值的影响。

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。

多新息抗差——自适应卡尔曼滤波定位算法研究

针对移动机器人在定位过程中,由传感器测量误差和机器人模型引起的位姿误差导致系统定位精度急剧下降的问题,提出了一种多新息卡尔曼滤波算法。在标准卡尔曼滤波的基础上,当传感器测量值存在误差时,引入抗差权因子,通过改变误差测量值的权值提高滤波器的估计精度;当机器人位姿存在误差时,引入自适应因子,通过调整状态协方差矩阵的大小抵制位姿误差引起的滤波发散。同时,引入了多新息,即多个时刻的新息向量,进一步提高此非线性系统的精度。实验表明:当存在测量误差和位姿误差时,该滤波算法能有效提高定位精度。

一种改进的自适应抗差卡尔曼滤波算法在组合导航中的应用

GNSS/INS组合导航是确定载体位置、速度常用方法,多采用标准卡尔曼滤波算法作为数据融合算法,然而在系统状态模型不准确或观测值存在异常粗差的情况下,标准卡尔曼滤波会产生发散现象,导致滤波结果次优。本文采用了一种基于新息检测的改进自适应抗差卡尔曼滤波算法,该算法通过新息序列构造出卡方检验统计量和预测误差判别统计量,识别观测粗差和系统状态模型误差,进而引进抗差因子和自适应因子对标准卡尔曼滤波方程中的观测噪声协方差矩阵和状态预测协方差矩阵做出适当的调整,平衡滤波估计值对GNSS观测值和状态预测值的信任,提高组合导航的导航精度。仿真实验结果表明:改进的自适应抗差卡尔曼滤波算法能够有效地抵挡系统状态模型误差和观测粗差对滤波估计值的不良影响。

基于抗差自适应CKF的水下重力匹配导航SITAN算法

为提高水下重力匹配算法的定位精度和稳健性,将容积卡尔曼滤波应用到水下重力匹配惯性导航中,同时引入抗差估计和自适应因子,提出了基于抗差自适应容积卡尔曼滤波的水下重力匹配导航SITAN算法。利用重力异常模型数据开展仿真实验,结果表明,所提算法能有效修正惯导整体航迹,在观测值未加入粗差的情况下较普通容积卡尔曼滤波算法提高了76%的导航定位精度,在观测值加入30 mGal粗差的情况下,提高了88%的导航定位精度。该研究成果可为后续水下重力匹配导航算法的理论研究及工程实践提供一定的数据支撑。

改进自适应抗差容积卡尔曼滤波多源室内定位

针对容积卡尔曼滤波在多源融合定位中存在跟踪能力不强和自适应能力差的问题,在传统容积卡尔曼滤波的基础上,提出了改进自适应抗差容积卡尔曼滤波算法。建立了基于新息的自适应判决准则与修正方法,使得滤波算法能够及时跟踪目标真实状态;引入抗差因子调节观测协方差矩阵,以减小观测值异常问题对滤波精度的影响;采用奇异值分解代替容积卡尔曼中的Cholesky分解,提高数值计算的稳定性。超宽带/惯性导航联合定位实验结果表明,与扩展卡尔曼滤波和容积卡尔曼滤波相比,改进的自适应抗差容积卡尔曼滤波定位精度更高,数值稳定性更好,增强了定位系统在粗差干扰下的鲁棒性。

GNSS/INS组合导航中自适应抗差KF算法研究

【目的】在复杂城市环境下要提升车载GNSS/INS组合导航系统定位精度与GNSS信号被遮挡后系统的定位性能,需要对传统卡尔曼滤波进行改进。【方法】课题组提出一种改进的卡尔曼滤波算法,该算法构建马氏距离作为滤波残差的检验统计量,使用假设性检验的方法对粗差进行判定,并基于量测新息构建调节因子进行调节。【结果】采用跑车实测数据对算法进行分析验证,在部分信号干扰严重区域,所提出的改进算法在东、北、天三个方向上的位置精度分别提升了19.2%、30.2%和0.4%,验证了所提算法的有效性。【结论】改进后的卡尔曼滤波算法的位置解算精度有所提升,在复杂城市环境下的应用中有一定参考价值。

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波(Cubature Kalman filter,CKF)算法,对观测量中粗差的影响"程度"进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明:所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.

自适应抗差卡尔曼滤波对井下定位NLOS时延抑制方法的研究

针对矿井巷道NLOS(Non Line Of Sight)时延影响矿井TOA(Time Of Arrival)定位精度的问题,通过分析巷道NLOS时延形成方式,将巷道NLOS时延分为随机和固定两类,结合两类巷道NLSO时延的特性,提出了一种基于自适应抗差卡尔曼滤波的巷道NLOS时延抑制方法。对于巷道随机NLOS时延,通过在经典卡尔曼滤波算法的基础上引入了自适应抗差概念,使系统在线性滤波的基础上增加了对随机脉冲误差的抑制能力;对于巷道固定NLOS时延,通过在巷道NLOS误差模型的基础上,构建巷道中信号传播距离与传播环境间的函数模型,并结合几何定位算法完成系统对固有误差的有效抑制。实验结果显示,包含有巷道NLOS时延的原始定位数据,误差在2.1~8.1 m之间,平均误差为3.7 m;原始数据经自适应抗差卡尔曼滤波算法处理后,误差在1.9~3.6 m之间,平均误差为2.5 m,定位曲线与实际移动曲线基本保持平行;再经参数拟合和几何算法处理,误差在0~1.0 m之间波动,误差平均值为0.27 m,且所提方法较原始定位数据,平均定位误差减小了3.43 m.从而表明,所提方法对巷道NLOS时延具有较明显的抑制作用,能够提高TOA井下人员定位系统的精确度。

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。

改进的基于奇异值分解的抗差容积卡尔曼滤波算法在全球定位导航中的应用

非线性动态系统存在非线性和噪声不确定的问题,容积卡尔曼滤波对解算该类系统有较好的精度,为了提升导航系统对异常观测值的稳定性,对采样数据进行均值滤波处理,降低干扰较大的采样数据对于滤波结果的影响。用奇异值分解代替Cholesky分解,改善滤波稳定性,避免先验协方差非正定而降低滤波性能。最后通过引入抗差因子调节观测协方差矩阵,再次减少观测异常值对于滤波结果的影响。采用仿真实验进行分析,改进的抗差容积卡尔曼滤波算法对于减弱异常观测值影响有良好的效果。

基于加强抗差自适应卡尔曼滤波的行人室内定位系统

针对惯性测量单元定位存在累积误差和野值干扰等问题。本文对原始信号进行预处理,利用融合滤波和零速更新算法来抑制速度和位姿的累积误差。在自适应卡尔曼(Kalman)的基础上提出加强抗差自适应卡尔曼滤波算法,削弱了量测野值对状态估计的干扰,抑制滤波发散。实验结果表明:系统精度较高,实现了行人在封闭环境的较高精度定位。

基于预测残差的抗差自适应滤波组合导航算法

全球卫星导航系统(GNSS)和惯性导航系统(INS)进行融合可以有效提高导航系统的精度及可靠性,现已被广泛使用。卡尔曼滤波是常用的融合导航算法,但由于载体运动状态变化及观测粗差的影响,滤波的性能会严重降低。为了解决以上问题,构建抗差自适应卡尔曼滤波(RAKF)提高组合导航的状态估计的性能至关重要。设计了一种基于预测残差的抗差自适应滤波组合导航算法,通过构建基于预测残差的自适应因子,结合抗差估计算法,有效解决GNSS/INS组合导航中观测异常和动力学模型的异常扰动,提高滤波的稳定性、可靠性及精度。实验结果表明:与基于标准卡尔曼滤波GNSS/INS组合导航相比,所设计算法在有观测异常和动力学模型异常扰动的情况下可以有效提高组合导航的定位精度;在松组合和紧组合2种模式中,3D定位精度分别提升了45.9%和46.8%。

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。

应用抗差无迹卡尔曼滤波的再入弹道处理技术

针对现有无迹卡尔曼滤波在再入弹道处理中可能出现的异常观测、观测随机误差模型不准确以及动力学模型不合理等问题,在无迹卡尔曼滤波中引入自适应与抗差估计理论,研究适用于再入弹道处理的自适应抗差滤波方法。该方法可以自适应地估计测量噪声等价协方差阵和状态噪声等价协方差阵,并可实现异常值的分离和维纳模型方差的自适应调整。数值仿真结果表明:该方法计算简单,并能有效减弱测量误差和动力学模型误差对弹道处理精度的影响。

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。

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。

基于自适应抗差滤波的WSNs节点跟踪算法

针对无线传感器网络定位误差大、有色噪声影响严重等问题,提出一种基于自适应抗差Kalm an滤波的无线传感器网络节点跟踪算法。先采用直线拟合削弱初始点位观测值的横向误差,然后通过构造自适应因子和等价权函数来控制未知有色噪声和观测值粗差的影响,并利用观测环境构造可信度因子干预滤波计算。在低速、高速运动模型下,分别以直线运动和正弦曲线运动两种运动模式为例进行了仿真研究,仿真结果表明,该算法平均跟踪点位精度较EKF算法和UKF算法有较大提高,并对未知噪声和观测异常具有较强的适应性和容错性,能有效应对传感器节点机动运动,具有良好的跟踪效果。

非线性自适应抗差滤波定轨算法

讨论了应用卡尔曼滤波进行卫星精密定轨所遇到的一些问题,提出了一种新的非线性自适应抗差滤波定轨算法。该方法首先采用非线性滤波来提高定轨精度,避免了模型线性化误差的影响。另外,采用双因子方差膨胀模型来自适应地调节观测噪声的协方差阵,以控制观测异常对定轨结果的影响;通过自适应因子实时调节状态噪声协方差阵,以降低状态异常对定轨结果的影响。通过CHAMP卫星定轨计算,验证了新方法的可行性和有效性。

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。