基于加速度补偿的惯性行人导航非零速区间姿态估计CKF算法

姿态估计是导航解算的基础,在基于足绑式惯性测量单元的行人导航系统中,由于足部运动加速度变化频繁且剧烈,使得常见的姿态融合算法精度下降。为了减小运动加速度对姿态解算的影响,通过数据分析定义了可以进行加速度补偿的拟合区间,在零速检测的基础上给出了拟合区间的判定方法,提出了对加速度计的输出进行一阶拟合补偿的方案,并设计了能完成后续行人导航姿态估计任务的容积卡尔曼滤波(cubature Kalman filter,CKF)算法,在非拟合区间则采用三子样旋转矢量法进行姿态更新。在数值仿真中,将所提算法与纯三子样旋转矢量法进行了对比分析,对算法精度进行了测试,在行人导航试验中验证了算法的有效性。试验结果表明,在行走过程中及出现较大运动加速度的情况下,加入加速度补偿的CKF姿态估计精度平均提高了35.3%。在矩形闭合路径试验中,起终点水平误差降低了56.3%,起终点高度误差降低了20.3%。

WSNs下移动机器人HuberM-CKF离散滤波定位

针对传统移动机器人定位算法精度不高的问题,提出一种基于无线传感器网络Hurb M-CKalman滤波(HCKF)算法的移动机器人定位算法。利用Hurb M极大似然估计代价函数,求解线性化后CKF观测矩阵,从而解决CKF滤波算法在未知非高斯白噪声干扰下估计精度不高的问题。然后,在体育馆基于WSNs构建了移动机器人定位实验环境,并结合移动机器人动力学模型,对HCKF、CKF算法的定位精度进行对比。结果显示,在不含噪声干扰和含未知噪声干扰两种情况下,HCKF算法定位精度分别比CKF算法提高7%和15%。

5阶CKF在捷联惯导非线性对准中的应用研究

为了提高动基座下车载捷联惯导系统(strapdown inertial navigation system,SINS)的初始对准精度和缩短对准时间,在不进行粗对准的前提下,利用5阶容积卡尔曼滤波(cubature Kalman filter,CKF)完成非线性对准。针对3阶CKF滤波精度不高、5阶高斯厄密特滤波器计算量过大的问题,基于多项式逼近的思想详细推导了5阶球面径向容积规则,继而提出了5阶CKF并分析了该算法的滤波精度、采样量和数值稳定性,利用奇异值分解代替Cholesky分解来增强滤波稳定性。实验结果表明,该方法能够有效完成大失准角下的非线性对准,精度高于3阶CKF。

基于Sage-Husa算法的自适应平方根CKF目标跟踪方法

在目标跟踪中,噪声的统计特性未知可能会引起滤波精度下降甚至发散,针对该问题,提出了一种新的自适应平方根容积卡尔曼滤波算法。所提方法在常规Sage-Husa算法的基础上采用容积规则,推导出了一种适用于非线性系统的自适应噪声统计估计器。仿真结果显示,相对于标准的平方根容积卡尔曼,所提方法在噪声统计特性未知或时变的情况下滤波精度有显著提高。

基于贝叶斯估计噪声相关下的CKF设计

针对常规容积卡尔曼滤波(cubature Kalman filter,CKF)要求系统噪声和量测噪声必须互不相关的局限性,提出了一种带相关噪声的非线性离散系统CKF设计方法。基于贝叶斯估计准则,给出了系统噪声和量测噪声相关时CKF滤波递推公式,并采用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差。当系统噪声和量测噪声相关时,常规CKF不适用,本文设计的噪声相关下的CKF可以有效地对状态进行估计,拓展了CKF的应用范围。数值仿真验证了算法的有效性。

基于自适应CKF的恒模盲波束形成算法

针对均匀线阵,利用信号的恒模特性,与容积卡尔曼滤波相结合,提出一种新的盲自适应波束形成算法。通过对恒模算法的优化代价函数进行变换,使其满足系统状态空间模型。利用容积卡尔曼滤波算法进行自适应滤波,以实现抑制干扰和消除噪声。所提算法对状态空间模型中的系统噪声和过程噪声进行了自适应处理,免除滤波噪声参数的设置,增强了算法的通用性,并引入了收敛因子,加速系统的收敛速度。仿真结果表明了该算法的正确性和有效性。

高超声速强机动目标改进IMM-CKF跟踪算法

高超声速强机动目标的运动具有复杂性、突变性和强非线性特点,针对单模型算法难以实现对此类目标的精确跟踪,提出一种改进的交互多模型(IMM)算法,克服了单模型算法跟踪强机动目标的缺陷和标准IMM算法对似然函数计算不准确的问题,实现了不同子模型之间的变维交互;采用容积卡尔曼滤波(CKF)算法实现了雷达观测数据与目标状态量之间的高精度非线性转换。仿真结果表明:改进的IMM算法相比单模型算法和标准的IMM-CKF算法,明显提高了高超声速强机动目标的跟踪精度。

基于QCKF的大失准角快速传递对准

提出了一种机载武器捷联惯导系统大失准角情况下快速传递对准QCKF(Quaternion Cubature Kalman Filter)算法.采用乘性四元数表示失准角,建立了基于四元数的速度加姿态匹配传递对准模型.将噪声扩维为状态思想应用到CKF(Cubature Kalman Filter)中以解决非线性过程噪声和量测噪声问题.考虑到表示旋转的四元数具有规范化以及符号相反的四元数表示相同旋转的性质,对CKF算法中关于四元数部分加权求均值转变为约束条件下基于投影长度的加权求均值,对CKF算法中关于四元数部分求方差进行符号预处理.仿真结果表明算法能在大失准角情况下提高对准精度.

改进的容积卡尔曼滤波(CKF)算法在短期负荷预测中的应用

电力系统短期负荷可视为非线性系统的输出,为了准确地预测电力系统短期负荷,引入了容积卡尔曼滤波(CKF)方法,并通过估计和修正模型中的状态转移矩阵,得到改进的自适应CKF算法,以适应非线性系统的时变性.用某地秋季22d的历史负荷数据建模对未来9d负荷进行预测,仿真结果证明改进的CKF算法预测电力系统短期负荷是实用而有效的.

降维CKF算法及其在SINS初始对准中的应用

针对常规容积卡尔曼滤波(cubature Kalman filter,CKF)算法在捷联惯导系统(strapdown inertialnavigation system,SINS)大方位失准角初始对准中采样点个数与状态向量维数成正比、计算量较大的问题,提出了降维CKF算法。与常规CKF算法相比,该算法只对离散化后的SINS非线性误差模型中的大方位失准角进行采样,再利用三阶球面-相径容积规则计算后验均值和协方差,从而将采样向量从10维降低到1维,采样点数量从20个下降到2个,减小了计算量。仿真实验结果表明,该算法与常规CKF算法具有相同的对准精度,计算时间仅为常规CKF算法的1/3,是一种较为实用的方法。

基于CKF的非线性船体变形惯性测量方法

船体变形的精确测量对于优化大型船体结构设计、不同部位的刚度设计以及提高舰船传递对准精度都有很现实的意义,而基于惯性传感器的角速率匹配法是测量船体变形的研究热点。针对大型船体中惯性测量单元存在大安装误差角的情况,建立非线性的船体变形模型以及光纤陀螺的漂移模型,采用CKF滤波方法进行估计;理论推导了UKF与CKF两种非线性滤波的估计精度,并进行了理论比较分析与仿真验证。结果表明随着航向安装误差角从30°增加到50°,静态误差角和动态误差角的估计精度始终保持在20″以内。与UKF相比,随着系统非线性程度的增强,CKF的性能优势更加明显。

单站无源定位中的抗野值鲁棒CKF算法

单站无源定位系统的测量噪声中如果出现野值,会影响滤波器的估计精度和稳定性,严重时还会导致滤波器发散。针对这一问题,基于Bayes定理并结合归一化受污染正态模型,提出了一种抗野值鲁棒容积卡尔曼滤波算法。该算法采用球面径向积分原则直接计算非线性函数的均值和方差,并对测量误差建立一个归一化的受污染正态模型,然后根据野值出现的后验概率来自适应调整测量预测残差的方差阵。结合空频域单站无源定位模型进行仿真实验表明,该算法可以较好地抑制测量噪声中的离散或成片连续野值的不利影响,具有较强的鲁棒性。

多源信息融合的飞行器大气数据估计算法

针对飞行器在高速飞行时受气流干扰、惯性高度易发散等问题,从传感器数据融合角度出发,提出了容积卡尔曼滤波(Cubature Kalman filter,CKF)融合嵌入式大气数据观测系统和惯性导航系统(Inertial navigation system,INS)估计飞行器实时大气数据的算法。算法使用非线性方程对惯性系统、卫星定位系统和大气系统间的关系建模,结合传感器的数据,计算飞行器速度和高度,进而估算出迎角和侧滑角等参数。实验结果显示:本文所提出的方法在估计气流角和马赫数方面具有较高的精度和较强的稳定性。

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。

改进的CKF在SINS/GPS组合导航中的应用

为了降低动态扰动误差对容积卡尔曼滤波(Cubature Kalman Filter,CKF)精度的影响,采用新息自适应估计(Innovation-based Adaptive Estimation,IAE)理论构造改进的CKF滤波模型,利用新息序列在线估计和修正噪声统计特性,自适应地调整量测噪声。通过SINS/GPS组合导航系统对标准CKF与改进的CKF进行仿真验证,结果表明,改进的CKF算法能够在一定程度上提高组合导航系统对不同随机噪声的适应能力,有效地降低了滤波误差,提高了解算精度。

自适应混合阶SSRCKF及其在组合导航中的应用

传统的容积卡尔曼滤波(CKF)在处理强非线性系统时存在精度低甚至发散的问题,高阶容积卡尔曼滤波(HCKF)提高精度的同时也会大幅度提高计算复杂度,同时在高维系统中存在负权值影响算法的稳定性。针对以上问题提出了一种自适应混合阶球面最简相径容积卡尔曼滤波(AMSSRCKF),该算法采用混合阶最简相径容积规则(MSSR)采样获得了比CKF更高的精度,同时结合了多重渐消因子强跟踪滤波算法,提高了算法的鲁棒性。最后,将该算法应用于组合导航系统仿真,结果表明,AMSSRCKF可以有效抑制系统状态突变的影响,提高了组合导航系统的定位精度和鲁棒性。

矩阵对角化变换鲁棒QCKF在视觉和惯性融合姿态测量中的应用

视觉和惯性融合姿态测量系统,可以发挥视觉测量重复性、稳定性好和惯性测量输出频率高、不受环境光干扰的特点。针对融合测量中,系统噪声和观测噪声的统计特性不完全可知及在出现异常测量值时融合测量鲁棒性较差的问题,提出一种基于矩阵对角化变换的鲁棒四元数容积卡尔曼滤波(quaternion cubature Kalman filter,QCKF)算法,分析了鲁棒滤波参数对测量系统鲁棒性和测量准确度的影响,使用矩阵对角化变换代替标准CKF中的Cholesky分解以改善数值计算的稳定性。结合搭建的视觉和惯性融合姿态测量系统平台,实验结果表明与标准CKF算法相比,具有更高的准确度、鲁棒性以及稳定性。

基于SVD的多终端实时定轨自适应鲁棒CKF算法

针对多终端实时定轨过程中难以精确获得量测噪声统计特性及存在异常测速值导致滤波精度降低的问题,提出一种基于奇异值分解(SVD)的自适应鲁棒容积卡尔曼滤波(CKF)算法。使用欧拉预测校正法离散带J2项摄动的轨道动力学方程以得到状态方程。将H∞鲁棒滤波思想应用于CKF算法,建立了非线性条件下约束水平与滤波信息的反比关系,实现对约束水平的自适应调整,并使用SVD代替传统的Cholesky分解以提高数值计算的稳定性。仿真结果表明,欧拉预测校正法可以有效提高轨道动力学方程离散精度;相比标准CKF算法,自适应鲁棒CKF算法具有更高的定轨精度及鲁棒性。

基于多重渐消因子的强跟踪SVDCKF组合导航算法

针对标准容积卡尔曼滤波(cubature Kalman filter, CKF)在载体状态突变时滤波精度下降的问题,提出了一种基于多重渐消因子的强跟踪SVDCKF组合导航(strong tracking SVDCKF integrated navigation algorithm based on multiple fading factors, MST-SVDCKF)算法。该算法引入SVD代替标准CKF中的Cholesky分解,提高了状态协方差阵分解迭代时的数值稳定性;通过卡方检验对系统状态进行评估,当系统出现状态突变时,采用多重渐消因子对预测状态协方差阵进行调节,使得不同滤波通道具有不同的渐消能力,以实现对载体真实状态的强跟踪。仿真结果表明,与标准CKF和传统STCKF相比,该算法调节能力更强,滤波精度更高。

基于航向角辅助的IMM-CKF雷达/红外跟踪算法

针对传统雷达传感器在非线性机动目标跟踪中,采样信息误差大和目标机动性强等原因造成的跟踪性能低等问题,提出基于航向角辅助的IMM-CKF雷达/红外跟踪算法。该算法构建了雷达和红外传感器组合的复合探测系统,利用红外探测器的测量信息作为首层辅助信息传递给雷达,实现二者的信息互补;利用复合探测器的量测数据来计算航向角,将航向角信息作为第二层辅助信息与测量信息组成全新复合测量信息,使得跟踪精度明显提高。仿真实验结果表明,该算法能够显著提高对目标的跟踪精度,也有效地提高了对航向角的估计精度和系统的稳定性。