强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器(STF)的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波(SRCKF)算法.利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF.基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF.该算法兼具STF与自适应SRCKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能.仿真验证了所建算法的有效性.

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCKF)的基础上,提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则,直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重,进而减小状态估计误差。仿真结果表明,所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性,同时相比较需要计算渐消因子的STF算法,该算法在计算量和收敛速度上具有优势。

交互多模自适应容积Kalman滤波算法设计及履带车辆跟踪应用

为满足履带车辆作为机动目标的实时跟踪和对目标速度、航向角的准确估计,针对测量值含有相关乘性噪声,采用新息分析法依据噪声相关系数已知和未知改进容积Kalman滤波算法。考虑到单模型滤波器难以准确地实现机动目标的跟踪,采用交互式多模型算法对履带车辆运动轨迹进行描述,提出一种交互式多模自适应容积Kalman滤波算法。仿真表明交互式多模型自适应容积Kalman滤波算法对车辆机动具有稳定的跟踪效果且乘性噪声得到有效处理。

基于噪声自适应和平方根滤波的改进TCKF算法

正交变换容积卡尔曼滤波(Transformed Cubature Kalman Filter, TCKF)在不增加计算量的前提下,解决了容积卡尔曼滤波(Cubature Kalman Filter, CKF)的非局部采样问题,滤波性能优于CKF。提出一种量测噪声自适应平方根TCKF(Adaptive-Square Root Transformed Cubature Kalman Filter, A-SRTCKF)算法,对TCKF进行改进,采用QR分解更新误差协方差矩阵的平方根进行滤波运算,并通过估计残差协方差矩阵的方法估计量测噪声。仿真结果表明,所提算法不但解决了因量测噪声未知时变而造成的状态估计精度急剧下降问题,而且避免了因误差协方差矩阵非正定而导致算法异常终止的情况,具有比TCKF更高的估计精度和鲁棒性。

量测噪声自适应平方根TCKF姿态数据融合算法

为了提高微电机系统(Micro-Electro-Mechanical Systems,MEMS)器件的姿态解算精度,本文提出了一种量测噪声自适应平方根正交变换容积卡尔曼滤波(Adaptive-Square Root Transformed Cubature Kalman Filter,ASRTCKF)姿态数据融合算法。该算法对MEMS器件中的加速度计、陀螺仪和磁力计输出的数据进行数据融合,以TCKF作为基础算法,采用QR分解更新误差协方差矩阵的平方根进行滤波运算,并通过渐消记忆Sage-Husa噪声估计方法对量测噪声进行实时估计。实验结果表明,该算法使姿态测量系统的估计误差至少降低了79.6%,不但避免了因误差协方差矩阵非正定导致算法异常终止的情况,而且解决了系统因量测噪声未知造成的状态估计精度急剧下降问题,具有比TCKF和SRTCKF更高的精度和鲁棒性。

应用自适应容积卡尔曼滤波改善组合导航性能

基于状态和测量模型扰动的有色噪声建模,研究应用自适应容积卡尔曼(Kalman)滤波来改善北斗导航系统/航位推算(BDNS/DR)组合导航系统的性能。利用有色噪声白化技术获得等价的白噪声组合导航系统;通过将一种自适应调节因子计算与平方根求容积卡尔曼滤波结合获得一类自适应容积卡尔曼滤波(ASCKF),应用该算法改善组合导航系统的精度和稳定性。通过两个仿真实例验证了新算法的有效性。

基于改进的自适应平方根容积卡尔曼滤波相对导航算法

针对无人机编队飞行时由于目标建模的不确定性导致相对导航滤波算法精度降低甚至出现滤波发散的问题,提出了一种自适应平方根容积卡尔曼滤波算法。首先,建立了无人机双机编队时的相对导航模型。然后,基于新息的自适应修正准则,对滤波状态预测量进行修正,进行了基于自适应修正的平方根容积卡尔曼滤波相对导航算法设计。最后,开展了仿真计算与结果分析。仿真结果表明,该算法具有较好的滤波精度和稳定性,且当目标运动状态与模型不匹配时,该算法与平方根容积卡尔曼滤波算法相比有更好的滤波性能。

基于测量特性的GNSS/SINS组合导航改进自适应SRCKF算法

针对容积卡尔曼滤波(CKF)在GNSS/SINS组合导航中协方差矩阵非正定导致Cholesky分解失败以及无法对GNSS测量噪声进行自适应估计的问题,提出一种基于测量特性的GNSS/SINS组合导航改进自适应SRCKF算法。将QR分解运用于CKF协方差阵的更新,提高了滤波的稳定性。利用SINS短期高精度的特点,对GNSS测量噪声自适应估计,减弱测量误差突变的影响。构造了检验门限,在GNSS测量误差稳定时不进行自适应估计以减少计算量。仿真与组合导航实验结果表明,在GNSS测量误差突变的情况下,所提算法对GNSS测量噪声具有较高自适应性,相较于SRCKF和SageHusa自适应SRCKF算法,平均定位精度分别提升19.31%和4.56%,提高了组合导航系统的抗干扰能力。

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波(SRCKF)算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明:相比鲁棒多渐消因子容积卡尔曼滤波(RMCKF)等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。

自适应SRCKF在GPS动态单点定位中的应用

平方根容积卡尔曼滤波具有良好的数值稳定性与滤波效率,针对滤波中状态函数与实际不符带来的误差对滤波造成的影响,将基于预测残差统计量的自适应因子和最优自适应因子与平方根容积卡尔曼滤波算法相结合以降低预测信息在滤波中的权重,并将平方根容积卡尔曼滤波与带自适应因子的平方根容积卡尔曼滤波用于GPS动态单点定位数据处理,最后用航摄飞机实测GPS动态观测数据验证了算法的有效性。

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。

自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。

基于自适应SRCKF的空间非合作目标实时轨道确定

针对天基测角对非合作目标跟踪定轨的动力学模型简化误差问题,提出一种基于非线性预测滤波和SRCKF(Square Root Cubature Kalman Filter,平方根容积Kalman滤波)的自适应滤波方法。采用考虑地球J2摄动影响的轨道动力学模型作为状态方程,在跟踪滤波过程中,用NPF(Nonlinear Predictive Filter,非线性预测滤波)对动力学模型进行实时修正,利用SRCKF对修正后的动力学模型进行状态估计。将该方法应用于高轨航天器对非合作低轨目标的实时测角定轨任务中,进行数字仿真,仿真结果证明,该方法相比传统的滤波方法具有更高的精度、更强的鲁棒性和稳定性。

基于COA-ASRCKF的单液流锌镍电池SOC估计

针对容积卡尔曼滤波(CKF)算法在迭代过程中存在诸多破坏协方差对称性和正定性的敏感操作,进而导致算法终止的现象,提出一种自适应平方根容积卡尔曼滤波(ASRCKF)算法。采用ASRCKF算法在估算单液流锌镍电池荷电状态(SOC)时,过程噪声协方差Q、量测噪声协方差初值R(0)和状态误差协方差初值P_(0)的设定,对估算精度和鲁棒性有重要影响。为此,应用郊狼优化算法(COA)对Q、R(0)和P_(0)进行参数寻优。实验结果表明,提出的COA-ASRCKF算法能较好地应用于单液流锌镍电池SOC估计。与CKF和ASRCKF算法相比,估算精度更高、鲁棒性更强,均方根误差小于1%。

基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF)。以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后,利用UDDS电池实验数据对ASRCFK算法进行了仿真。实验结果表明,传统的SRCKF算法估算SOC产生的均方根误差为3.41%;而提出的ASRCKF算法估算SOC产生的均方根误差仅为0.97%,与传统算法相比具有更高的精度,对噪声的适应能力更强。

自适应SCKF在高动态COMPASS信号参数估计中的应用

高动态环境下北斗二号导航信号具有较高的非线性特性,载波参数估计难以保证较高的精度。在分析高阶非线性载波模型的基础上,提出了一种基于平方根容积卡尔曼滤波(SCKF)的自适应滤波算法,对载波相位及其三阶导数进行估计。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代滤波过程中,利用移动窗口法通过最新量测信息来改进过程噪声和量测噪声的协方差阵,可获得较高的估计精度。仿真结果表明,相比EKF和SCKF,本文提出的方法具有更高的估计精度和更快的收敛速度。

基于改进型ASRCKF算法的锂离子电池荷电状态估计

针对锂电池荷电状态(state of charge,SOC)估计中由先验噪声统计特性未知导致的估计精度不高和鲁棒性差的问题,以二阶Thevenin等效电池模型为研究对象,提出一种改进型自适应平方根容积卡尔曼滤波器(adaptive square-root cubature Kalman fliter,ASRCKF)。改进型ASRCKF算法使用有偏噪声估值器对系统噪声和观测噪声协方差进行自适应更新,保证了协方差矩阵的非负定性。仿真结果表明,改进型ASRCKF算法能够准确地估算出锂电池SOC值,预测误差保持在1.4%以内,具有良好的鲁棒性和收敛性。

基于SRCKFw-检测的多传感器融合的姿态解算算法

针对惯性导航系统受模型误差和测量异常值误差的影响,姿态解算结果易出现精度差甚至发散的问题,提出了一种基于平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCKF)w-检测的多传感器姿态融合算法。利用协方差匹配法对SRCKF的新息序列进行自适应调整,经过调整后的新息在迭代过程中会补偿量测噪声方差阵,减小模型误差影响;再利用调整后的新息进行误差探测,提高w-检测的探测精度,并构造观测值替换准则进行误差观测值替换,解决测量异常值误差带来的影响;最后利用SRCKF进行姿态融合,陀螺仪的姿态作为状态方程,经检测替换后的加速度计和磁力计姿态作为量测方程。实验表明,所提算法可以准确估计系统姿态,与传统算法相比解算精度平均可提升62.43%,在不同条件下,算法整体性能均可得到大幅提升,并能快速进行姿态解算,保证解算精度。

基于SRCKF的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.

基于卫星跟踪和星敏感器的地月L2点星座自主导航

近年来在地月L2点构建自主导航星座用于深空探测已经成为研究热点。针对摄动引起的未知模型误差和量测异常造成单独使用卫星跟踪定轨性能较差的问题,提出了一种基于卫星跟踪和星敏感器组合的导航方案。在方案中融合了星间跟踪的距离、多普勒频移信息以及星敏感器测量的星座卫星与月球之间的角度信息,设计了一个联邦自适应平方根容积卡尔曼滤波器,利用自适应尺度矩阵对测量协方差进行改进,提高了异常测量下的定轨精度和鲁棒性。仿真结果表明,在异常测量下所提出的导航滤波方法的位置误差和速度误差,相比传统的联邦平方根容积卡尔曼滤波分别降低了68.85%和44.17%。