抗野值H∞滤波在组合导航中的应用

为了消除H∞滤波应用过程中野值产生的影响,利用切比雪夫不等式判断新息中野值的存在,利用基于信息扩散原理的新息替代法对含有单个或连续野值的新息加以修正,达到检测和剔除野值的目的.通过对远程火箭弹的SINS/GPS组合导航的仿真可知新算法能够有效地检测出野值,并在野值单个或成片出现的情况下都能保证滤波精度.

抗野值鲁棒滤波在微惯性组合导航中的应用

在鲁棒H∞滤波应用过程中,如果量测序列含有野值,将会严重影响滤波精度。针对这一问题提出一种新的剔除野植的方法;从新息入手,首先利用小波变换系数特性,通过最细尺度上的小波系数来检测野值点,然后基于信息扩散原理,采用替代方法,对含有单个或连续野值的新息加以修正,从而达到检测和剔除野值的目的。通过对基于MEMS的车载微惯性SINS/GPS组合导航的仿真表明,新算法能够有效的检测出野值,并在野值单个或成片出现的情况下都能保证滤波精度。

自适应强跟踪AST-ESKF无人车室内导航算法

针对室内环境下超宽带测量信息异常造成的轨迹预测失真问题,融合无人车惯性导航与超宽带模块,提出了一种自适应强跟踪误差状态卡尔曼滤波算法。首先,针对测量与预测信息的差值异常问题,基于误差状态卡尔曼滤波框架,利用滑动窗算法修正新息矩阵;其次,针对异常误差权值过大问题,根据马氏距离构建测量异常误差判别门限,建立改进的二段胡贝尔(Huber)权函数,有效降低了异常误差的权值;最后,针对导航系统弱跟踪问题,算法利用渐消因子自适应调整状态协方差矩阵。实验结果表明:该方法在保证导航实时性的基础上,与误差状态卡尔曼滤波算法、自适应误差状态卡尔曼滤波算法和无迹卡尔曼滤波算法相比,轨迹平均估计误差分别降低50.0%、40.2%和23.5%,提高了融合系统轨迹预测的准确度。

陀螺仪随机误差的渐进遗忘多新息Kalman滤波

MEMS陀螺仪由于小体积、低价格等优点在民用领域得到了广泛应用,但是由于工艺水平限制,MEMS陀螺仪测量数据中存在大量的随机误差。为了减小MEMS陀螺仪测量的随机误差、提高测量精度,提出了基于渐进遗忘多新息Kalman滤波的随机误差滤波方法。建立了MEMS陀螺仪随机误差的AR模型,在经典Kalman滤波中引入了多新息修正方法,并使用渐进遗忘因子削弱历史数据的积累干扰作用,从而给出了随机误差的渐进遗忘多新息Kalman滤波方法。同时,使用经典Kalman滤波和渐进遗忘多新息Kalman滤波对MEMS陀螺仪输出数据进行处理,并使用Allan方差分析各噪声含量,可知:渐进遗忘多新息Kalman滤波后的数据其QN噪声比经典Kalman滤波减小了2个数量级,ARW噪声减小了1个数量级,BI噪声减小了2个数量级,RRW噪声和RR噪声减小为原来的约1/5,实验结果验证了渐进遗忘多新息Kalman滤波在陀螺仪随机误差滤波中的先进性。