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。

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TOF和自适应抗差卡尔曼滤波的UWB室内定位算法

为提高超宽带(UWB)定位系统在室内复杂环境下的定位精度,提出一种基于飞行时间(TOF)和自适应抗差卡尔曼滤波(ARKF)的改进定位算法。针对超低功耗宽带设备在复杂室内环境状态下易受周围干扰而存在标准时间偏差的问题,提出一种改进的TOF算法,同时进行测距标定,拟合数据;对室内存在非视距(NLOS)干扰的情形,提出一种ARKF算法,通过比较残差与3倍信息的方差来判断视距(LOS)与NLOS情形。实验结果显示:该算法可以在静态与动态定位实验中有效提高系统定位精度,降低定位误差,取得较好的定位效果。

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%。

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。

一种基于UWB/INS自适应抗差卡尔曼滤波算法

针对矿井环境下UWB定位精度受多径干扰和非视距误差影响的问题,提出了一种基于UWB/INS自适应抗差卡尔曼滤波算法。算法通过调节状态协方差矩阵的预测残差来建立统计参量,结合调节观测噪声协方差矩阵的抗差因子,自适应调整预测值和观测值所占的权重。实验结果表明,与UWB定位算法相比,所提算法最大定位误差减小了2.14m,最小定位误差减小了0.08m,平均定位误差减小了1.1m;与UWB/INS自适应卡尔曼滤波算法相比,所提算法最大定位误差减小了0.98m,最小定位误差减小了0.02m,平均定位误差减小了0.5m。

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。

基于伪距残差和新息的GNSS/IMU抗差自适应定位算法

在全球导航卫星系统(GNSS)和惯性测量元件(IMU)组合导航系统中,抗差滤波和自适应滤波常被用于提高组合导航的定位精度。但是抗差滤波和自适应滤波所适用的条件不同,使用不当反而可能会降低组合导航的定位精度,针对此问题,提出基于伪距残差和新息的GNSS/IMU抗差自适应定位算法。所提算法基于伪距残差评估GNSS的定位质量,选择合适的滤波算法进行GNSS/IMU组合导航解算。在长时间GNSS定位质量较差时,基于新息和伪距残差判断是否IMU运动学推算误差大于GNSS观测值误差,从而根据判断的结果选择是否采用抗差因子。结果表明:所提算法相对于扩展卡尔曼滤波算法在东、北和天方向上分别提高36.05%、22.71%和56.22%的定位精度。

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。

自适应及抗差Kalman滤波在GNSS/INS组合导航中的应用

传统Kalman滤波在卫星/惯性组合导航中通常难以对复杂的导航环境做出自适应改变,从而影响参数估计的精度甚至使滤波发散。笔者引入Sage-Husa自适应滤波和基于新息向量的抗差滤波并经正反向融合处理组合导航数据。结果表明,水平姿态、航向角度、三维速度和位置结果的估计精度较传统Kalman滤波平均提升37.38%,64.23%,23.51%,29.06%,最高提升58.77%,95.17%,36.61%,49.20%。自适应、抗差和正反向Kalman滤波提升了参数估计精度和稳定性,可用于复杂城市导航环境下组合导航数据事后处理。

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。

一种新的抗差自适应Unscented粒子滤波

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题。提出了一种新的抗差自适应Unscented粒子滤波算法。该算法不但能利用等价权函数和自适应因子合理的分配信息,提高滤波精度,而且具有Unscented粒子滤波的优点,更好的适用于非线性、非高斯系统模型的计算。仿真结果表明,文中提出的抗差自适应Unscented粒子滤波算法,滤波性能明显优于扩展卡尔曼滤波和粒子滤波算法,并且能提高组合导航系统的定位精度。

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。

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。

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%。

四轮驱动EV自适应抗差无迹粒子滤波状态估计

针对四轮毂电机驱动电动汽车转矩控制中整车质心侧偏角等关键状态参数无法直接检测及车速等测量值易受到随机误差干扰的问题,建立四轮毂电机驱动电动汽车七自由度动力学模型,进行整车行驶状态参数滤波估计.结合抗差滤波原理及无迹粒子滤波算法,提出一种整车状态滤波估计方法.运用自适应抗差无迹粒子滤波,实现电动汽车行驶过程中纵向速度、侧向速度和质心侧偏角的准确滤波估计.搭建CarSim与Matlab/Simulink联合仿真实验平台对估计算法进行验证.结果表明:所搭建四轮毂电机驱动汽车动力学模型对整车行驶状态具有较高的预测精度;基于自适应抗差无迹粒子滤波算法能实现整车行驶状态估计,能有效对测量参数进行滤波,且具有较高的估计精度.

应用于城市环境的MEMS-INS/GPS紧耦合组合导航抗差滤波器

为了提高MEMS-INS/GPS紧耦合组合导航系统在城市区域中因为GPS信号短时中断或被干扰时的性能,提出了一种基于Kalman滤波的抗差滤波器模型-Kalman抗差滤波器。在Kalman抗差滤波流程中,构建了具有误差检测和分离功能的Kalman滤波器来应对包括伪距和伪距率等GPS测量的突发故障,通过自适应因子向量调整测量噪声获得高精度的导航解。在城市公路上开展了现场试验,对Kalman抗差滤波器的可用性进行了测试。相较于常规的Kalman滤波器,使用Kalman抗差滤波器的紧耦合组合导航系统水平位置误差下降超过30%,高程位置误差的降低大约50%,速度误差下降了17.5%。Kalman抗差滤波器能够有效的降低城市区域中MEMS-INS/GPS紧耦合组合导航系统的导航解误差。

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。