基于CDKF滤波算法的智能车组合定位技术的探讨

提出了一种新的CDKF滤波算法,用此算法来替代扩展卡尔曼滤波器算法,由此迭代更新其观测到的数据,目的是提高智能车系统的定位精度,使提议分布更趋近于后验概率分布,并且能够准确估算智能车的位姿进而对其位置进行特征地图更新。此算法的优越性在于既能保证智能汽车定位精度,又能减少计算复杂度。由于车辆系统估算性能得到提高,使得粒子滤波算法稳定性获得增强。

CDKF在捷联惯导系统大失准角初始对准的应用

文章基于欧拉平台误差角的概念,建立了大失准角条件下的捷联惯导系统(SINS)非线性误差模型,深入研究了中心差分卡尔曼滤波(CDKF)技术及其在大失准角对准中的应用,进行了静基座下基于扩展卡尔曼滤波(EKF)、Unscented卡尔曼滤波(UKF)和CDKF滤波的SINS初始对准仿真。仿真结果表明,在失准角均为大角度条件下,用CDKF滤波水平对准精度可达0.18,′方位对准精度可达1.63,′比EKF具有更高的精度,并且避免了求Jacobian矩阵带来的不便,提高了可靠性;与UKF相比具有稍高的精度,并减少了可调参数,在实际应用中更加简单方便。

传递对准误差模型及其QCDKF算法

基于乘性四元数计算量小、精度高、非奇异性和全姿态工作特点以及大角度传递对准系统设计要求,建立了可适用于任意失准角情形的传递对准系统速度姿态匹配乘性四元数误差模型;以乘性四元数描述的载体姿态矩阵为对象,构造姿态矩阵代价函数计算乘性四元数均值,使其满足四元数规范化要求,进而计算四元数误差方差矩阵;联合中心差分卡尔曼滤波(CDKF)算法,实现传递对准系统的四元数中心差分卡尔曼滤波(QCDKF)算法.仿真结果表明:该算法能够有效解决大失准角情形下惯导系统传递对准问题,数值计算稳定性较好,计算精度和对准时间都满足系统设计要求.

传递对准MRP-CDKF算法

基于主、子惯导系统传递对准受控角运动和修正Rodrigues参数(MRP)的三参数描述姿态运动最小实现特点,建立了主、子惯导系统传递对准MRP非线性误差模型.根据四元数加权均值计算方法以及MRP与四元数关系,实现MRP的间接加权均值计算;根据MRP乘法定义实现MRP预测误差方差矩阵求解,进而建立修正Rodrigues参数-中心差分卡尔曼滤波(MRP-CDKF)算法.利用该算法对MRP非线性传递对准误差模型进行研究,结果表明:该算法的姿态失准角估计误差都能在10s之内收敛到0′附近;考虑杆臂向量与不考虑杆臂向量时的系统速度误差在±0.1m/s内.