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Kalman滤波及其在GNSS导航中的应用

针对Kalman滤波易受粗差影响而导致结果失真的问题,提出一种抗差自适应Kalman滤波方法,该方法结合自适应滤波与抗差Kalman滤波的优点,同时设计自适应因子和抗差因子,采用改进的两段Huber函数与2~3倍的观测噪声中误差来充当抗差因子与粗差判别标准。并对Kalman滤波和抗差自适应滤波（Adaptive Robust Kalman Filtering,ARKF）结果进行比较。车载实验结果表明,ARKF可以有效抵制观测异常对状态估值的影响,同时在系统先验信息不能精确给出的情况下,显著改善了滤波估值的稳定性和可用性。

基于当前加速度模型的抗差自适应KALMAN滤波

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制。首先介绍机动载体的当前统计模型,分析该模型存在的问题,提出一种基于“当前”加速度模型的抗差自适应卡尔曼滤波算法。跟以往建立的自适应KALMAN滤波进行比较,计算结果表明,该算法不仅可以提高滤波器的精度,而且更能有效地控制观测异常和动态扰动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。

GPS导航中的抗差自适应Kalman滤波算法

GPS导航与定位的质量取决于对动态载体函数模型和随机模型的认知。本文首先基于机动载体的当前统计模型 ,设计了离散系统的Kalman滤波器 ,进而基于方差分量估计给出了一种适合GPS动态定位的抗差自适应卡尔曼滤波算法。该算法模型简单 ,实时性好。实测数据计算结果表明 ,滤波导航解能有效地控制观测异常和动态扰动异常对导航解的影响 。

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。

基于卡方检验的抗差自适应Kalman滤波在变形监测中的应用

在抗差Kalman滤波的基础上引入双自适应因子,分别对动态模型不准确和观测模型存在粗差进行调节,构建双自适应因子滤波模型。针对抗差自适应Kalman滤波效率较低的缺点,通过构建基于卡方检验的抗差自适应Kalman滤波,先用卡方检验对粗差进行检验,再调用抗差自适应Kalman滤波进行处理。工程实例表明,双自适应因子滤波模型可以很好地抵御粗差,并减弱模型不精确的影响。基于卡方检验的抗差自适应Kalman滤波不仅可以削弱粗差对滤波估值的影响,而且可以提高数据处理的效率。

三频BDS/INS紧组合的抗差自适应Kalman滤波

构建了适合北斗三频信号的北斗/惯性紧组合模型。针对三频模糊度解算算法的错误整数解可能对滤波结果造成“污染”这一问题,应用了抗差自适应Kalman滤波算法,优化了所建的模型。车载组合导航实验结果表明:三频模糊度解算算法得到的模糊度正确率平均值为99.84%,直接用于紧组合模型将造成最高达0.7m的天向位置误差;抗差自适应Kalman滤波算法能消除错误模糊度整数解的影响,东、北、天三个方向的位置最大偏差值在厘米级。此外,载体姿态和速度频繁变化造成的状态预测误差也被自适应处理校正,组合导航的位置均方根误差为东向0.007m,北向0.014m,天向0.023m。研究表明,在三频信号条件下,所采用的抗差自适应Kalman滤波能够增强所构建的紧组合模型的可靠性。

抗差多速率模型与抗差自适应Kalman滤波性能对比

将IGGIII抗差方案与小波变换相结合,通过高频小波系数对粗差进行探测,用局部预测值对其进行替代;并将观测数据的多速率信息抽取用于状态估计,建立抗差多速率模型,将其应用于工程建筑物的变形监测数据处理中。通过与抗差自适应Kalman滤波的结果对比,表明了抗差多速率模型具有抵御多种粗差的能力;对观测数据中的信息进行了有效利用,使得滤波估计的精度高于抗差自适应Kalman滤波。

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。

有限记忆周期内新息变化率检测的抗差自适应滤波算法

为了提高微机电-惯性导航系统/全球导航卫星系统(MINS/GNSS)量测信息小幅突变故障和缓变故障检测的灵敏度,提出一种有限记忆周期内新息变化率检测的抗差自适应滤波算法。基于序贯概率比检验法,结合抗差估计和序贯滤波,利用有限记忆周期内新息变化率对单个量测信息进行精确检测和处理。仿真和实验结果表明:与残差卡方检测方法和基于残差卡方检测的抗差自适应滤波算法相比,所提算法的检测灵敏度和滤波精度均得到了提升。在车载突变故障实验中,纬度和东向速度的漏警率分别降低了83.3%和90.5%,纬度误差和东向速度误差分别降低了17.1%和25.3%。在车载缓变故障实验中,纬度和东向速度的漏警率分别降低了68.8%和66.7%,纬度误差和东向速度误差分别降低了54.7%和23.9%。

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。

自适应抗差Kalman滤波在多天线原始观测值瞬时姿态确定中的应用

由载波相位观测值直接解算姿态能实现观测及姿态约束信息的最优利用。本文推导了基于失准角及乘性误差四元数的载波相位观测模型,分别建立了有外部角速度传感器和无外部传感器辅助下姿态参数估计的状态模型;利用自适应抗差滤波估计姿态误差,借鉴分类自适应因子的思想,分别确定模糊度和姿态误差参数的自适应因子,其中姿态自适应因子由Ratio值构造的三段函数确定。自适应抗差滤波能够充分利用约束信息和历史信息,将其融合在浮点解计算过程中,极大提高模糊度浮点解精度及其协方差的结构,在此基础上使用整数最小二乘模糊度降相关平差法(least-squares ambiguity decorrelation adjustment,LAMBDA)方法即能快速搜索出固定解,满足实时性需求。采用实测舰载GNSS 3天线测姿算例对方法进行了验证,结果表明,基于自适应抗差滤波的观测值直接定姿方法效率高、可靠性好。

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。

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。

一种顾及观测质量信息的自适应抗差Kalman滤波方法

针对观测数据含有异常粗差且无多余观测的应用情形,提出一种顾及观测质量信息的自适应抗差Kalman滤波方法。该方法两步计算得到自适应因子和抗差等价权矩阵,即首先利用顾及观测质量信息的抗差Kalman滤波得到消除观测粗差影响的参数估计值,然后根据该值构造动力学模型误差判别统计量并计算自适应因子。以某边坡GPS变形监测数据序列处理为例,利用RPDOP(Relative Position Dilution of Precision)值作为观测质量信息进行处理分析,结果表明该方法能够有效控制动力学模型误差和观测粗差对滤波估值的影响。

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。

抗差自适应无迹Kalman滤波在GPS/INS组合导航中的应用

全球定位系统(Global Navigation Satellite System,GNSS)与惯性导航系统(Inertial Navigation System,INS)进行组合导航是实现自动驾驶的一种重要组合方式。针对动力学模型本身的非线性特点以及实际环境下存在观测粗差和系统状态异常的情况,提出将无迹Kalman(Unscented Kalman Filter,UKF)滤波方法与抗差自适应方法相结合,根据GNSS/INS组合模型的特点,通过边际无迹转换(Marginalised Unscented Transformation,MUT)的思想降低提出导航方法的计算量。实验结果表明,提出方法能够提高观测时段非同时存在观测异常与动态异常下导航定位的精度,验证了方法的有效性与可行性。

基于MEMS-INS/GNSS组合导航抗差自适应Kalman滤波算法

标准的Kalman滤波器在组合导航领域得到了广泛的应用,然而在实际运动过程中,载体的运动模型是复杂多变的,无法准确掌握系统的动态特性。针对高动态环境下载体动态复杂多变特性带来的动力学模型难以精确构建问题,以及卫星跟踪环路信号易受扰动导致的观测信息出现异常粗差问题,设计了一种基于MEMS-INS/GNSS组合导航系统抗差自适应Kalman滤波算法,研究了优化自适应因子的求解方法。通过跑车试验证明了该算法能够有效地抑制误差发散,提供更加精确的导航定位结果,更好地控制观测信息误差以及动力学模型异常所带来的影响。

GNSS低成本智能终端抗差自适应差分定位算法

针对目前低成本终端硬件质量较差,使得采集的数据受观测噪声、多路径效应、粗差等影响,导致质量较差且不稳定,利用常规算法难以实现高精度定位目的的问题,提出一种符合低成本终端特性的四分位法抗差自适应卡尔曼滤波方法:改进抗差自适应滤波模型,无须对新息向量进行标准化,通过采用四分位法动态确定阈值的方法建立抗差模型并求取方差膨胀因子;然后根据抗差权函数调整观测值的权重,剔除粗差并改善其定位精度。实验结果表明,小米8终端在静态实时伪距差分(RTD)模式下东(E)、北(N)、天(U)方向精度分别提升46.2%、51.9%和50.2%;在静态实时动态差分(RTK)模式下E、N、U方向精度分别提升38.5%、33.3%和57.5%;在行人动态RTK模式下E、N、U方向精度分别提升56.6%、45.9%、44.9%;T5终端在车载动态RTK模式下E、N、U方向精度在1 m以内,定位精度提升明显。

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。