EKF和UKF在非线性组合导航系统中的对比研究

采用组合导航系统在对目标的位置、航向进行测量时,其状态模型和观测模型中存在非线性问题,采用基于EKF和UKF的非线性滤波算法以改善传统Kalman滤波的估计精度,并保证算法收敛性。通过建立组合导航的状态方程和量测方程,分别采用EKF和UKF对状态方程中的非线性部分进行离散化,仿真实验结果表明,采用基于UKF的非线性导航算法能有效提高导航位置精度和系统稳定性。

精准时空感知赋能数字经济发展

当前数字经济的发展愈发依赖于精准时空信息,分析了通信导航融合感知网络对实现精准时空感知的作用与挑战,介绍了我国在通导融合研究方面取得的突破性进展,阐述了隐嵌信噪定位技术对5G网络定位性能的提升、异构多网多源融合对定位鲁棒性的保障,对北斗与5G深度融合的增量效应进行了讨论。从精准时空感知如何赋能数字经济发展的角度对通信导航融合网络做出进一步规划。

UKF在INS/GPS直接法卡尔曼滤波中的应用

提出将Unscented卡尔曼滤波(UKF)用于INS/GPS组合导航系统的直接法卡尔曼滤波,避免了对非线性的系统状态方程进行线性化.以INS输出的导航参数及平台误差角等作为系统状态,惯导力学编排方程和姿态误差方程作为系统状态方程,GPS输出的导航参数作为量测,采用UKF方法对系统导航参数直接进行估计.仿真结果表明,UKF方法有效地解决了直接法卡尔曼滤波中系统状态方程的非线性问题,并使INS/GPS组合导航系统具有较高的导航定位精度.

基于UKF的GPS/DR组合导航非线性状态估计

GPS/DR组合导航系统是一个非线性系统,以往采用的扩展卡尔曼滤波算法EKF使得函数的整体特性被局部特性所代替,加上噪声的存在使系统的性能进一步下降。为了获得更好的状态估计性能,用无迹卡尔曼滤波算法UKF(Unscented Kalman Fil-ter)实现组合导航系统的非线性状态估计,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和载体的定位精度。仿真结果表明:在非线性状态估计中,UKF滤波方法优于EKF滤波方法。

基于UKF的新型北斗/SINS组合系统直接法卡尔曼滤波

针对传统的间接法卡尔曼滤波在北斗/捷联惯导(serial inertial navigation system,SINS)组合导航系统中无法实现较高的定位精度且计算的冗余度大的缺点,提出一种基于无迹卡尔曼滤波(unscented Kalman filter,UKF)的新型组合系统滤波算法。本算法以SINS输出的导航参数及平台误差角等作为系统状态,无源北斗输出的位置速度参数作为量测,采用改进的UKF方法进行数据融合,并直接计算组合系统导航参数的最优估计。实验结果表明,新算法可以降低对伪距误差模型的精确度要求,同时避免非线性系统状态方程的线性化,简化滤波参数的调整过程,从而有效地缩短组合导航系统的解算时间,提高定位精度。

UKF滤波在INS/无源北斗组合导航系统中的应用

为解决无源北斗量测方程的非线性问题,提出将Unscented卡尔曼滤波(UKF)用于惯性导航系统(INS)/无源北斗组合导航系统,避免了利用传统的泰勒展开式逼近法对量测方程进行线性化处理所带来的截断误差。仿真结果表明,UKF方法有效地解决了卡尔曼滤波中系统量测方程的非线性问题,并使INS/无源北斗组合导航系统的导航精度得到大幅提高。

基于UKF的车辆组合定位

针对车辆全球定位系统与航位推算结合的组合定位系统,建立了系统的模型。由于观测方程的非线性,采用UKF滤波方法,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和车辆定位精度。仿真结果表明:UKF比EKF具有更高的估计精度。

基于UKF的北斗/INS组合导航

扩展卡尔曼滤波(EKF)是工程中常用的滤波算法,然而EKF是次优的贝叶斯估计,这会影响到估计的精度;用不敏卡尔曼滤波算法(UKF)取代EKF构建了北斗/INS组合导航系统,实验结果表明:UKF相对于EKF,各项参数的误差均有10%以上的减少量。

UKF在潜艇对目标跟踪定位中的应用

针对潜艇在隐蔽攻击中利用扩展卡尔曼滤波对敌舰目标进行跟踪定位时存在滤波精度低、误差大甚至出现发散的问题,将无迹卡尔曼滤波(UKF)应用在潜艇对敌舰的跟踪定位中。假设敌舰运行在CV模型下,由仿真实验的结果可以得出,在潜艇对敌舰目标的跟踪定位中无迹卡尔曼滤波与扩展卡尔曼滤波相比较,提高了其定位的精度并且解决了其发散的问题。在仿真实验中,潜艇对敌舰目标跟踪定位12 s后扩展卡尔曼滤波出现了发散的问题无法对敌舰目标进行实时的跟踪,但此时无迹卡尔曼滤波仍然可以实现对敌舰的跟踪与定位。

UKF联合滤波器在车辆定位系统中的应用

传统的应用于GPS/DR组合定位系统中的联合卡尔曼滤波器都是由扩展卡尔曼滤波器(EKF)构成,而EKF具有滤波收敛速度慢、对系统模型误差和噪声统计特性的鲁棒性差和实际中难以实施等缺点,这些对联合卡尔曼滤波器的整体滤波性能和实用性都会产生不利影响。针对这一问题,通过用无迹卡尔曼滤波器(UKF)来替代EKF构成一种新型的基于UKF的联合卡尔曼滤波器,并将这种联合滤波器应用于GPS/DR车辆组合定位系统中。通过详细的计算机仿真和分析后,结果表明与传统的基于EKF的联合卡尔曼滤波器相比,该联合卡尔曼滤波器的滤波精度、收敛速度、鲁棒性、实用性和可靠性都得到了很大的改善,满足了定位系统低成本和高精度的要求,具有一定的应用价值。

UKF滤波技术在车载GPS/INS组合定位系统中的应用研究

Unscented卡尔曼滤波技术(UKF)是一种新的非线性滤波方法,该方法与EKF方法相比更容易实现、滤波精度更高。本文将UKF应用于车载GPS/INS组合导航定位系统,并将UKF与EKF方法进行了仿真比较。结果表明,UKF的位置、航向滤波精度都要优于EKF。

GPS/BDS组合导航系统的精密单点定位模型

为了改善单卫星导航系统由于卫星数量较少,导致定位误差高的问题,设计全球定位系统(GPS)/北斗卫星导航系统(BDS)组合导航系统的精密单点定位模型:线性组合处理GPS与BDS的伪距和载波相位观测值,并构建GPS/BDS组合导航系统的组合观测值;接下来利用协方差成形自适应卡尔曼滤波方法,对组合导航系统导航过程中的卫星钟差、电离层延迟等误差实施滤波;再利用滤波处理后组合导航系统的广播星历,获取卫星轨道以及钟差;然后利用经验模型修正对流层延迟,获取相位观测值与伪距的综合改正数;最后利用综合改正数修正组合导航系统的观测方程,构建精密单点定位模型。实验结果表明,GPS/BDS组合导航系统采用所构建模型进行精密单点定位,不同方向定位误差均低于10 cm,证明了提出模型的有效性。

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归(GPR)增强无迹卡尔曼滤波(UKF)预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。

SINS/GPS全姿态组合导航系统的UKF算法研究

将UKF算法应用于SINS/GPS全姿态组合导航系统,给出了一种GPS测量姿态角的方法,推导了姿态角误差与平台失准角之间的关系,建立了系统的非线性误差模型,设计了UKF滤波器。仿真结果表明,将UKF算法用于SINS/GPS全姿态组合导航系统可以改善系统的可观测性,提高导航精度。

UKF在GPS/INS伪距、伪距率组合导航中的应用

扩展卡尔曼滤波(EKF)是GPS/INS组合导航系统中常用的数据融合方式。但是EKF的线性化会带来截断误差,从而影响系统定位精度。不敏卡尔曼滤波(UKF)是一种新的非线性滤波的方法,它能减少线性化截断误差对系统定位精度的影响。文中在线性状态方程的条件下,主要研究了伪距、伪距率的非线性对系统定位性能的影响。UKF采用非线性观测方程,EKF采用线性观测方程。仿真结果表明UKF能明显改善位置项的定位精度。

EKF在SINS/GNSS深组合导航中的应用

为了在卫星较少条件下也能提供连续稳定、精度高的导航,建立了一种基于扩展卡尔曼滤波器(extended Kalman filter,EKF)的捷联惯导系统(strapdown inertial navigation system,SINS)/全球导航卫星系统(global navigation satellite system,GNSS)深组合导航系统,并对该系统所采用的导航结构、状态估计算法等进行研究设计。最后,在战术级条件下,分别对单独的SINS,SINS/GNSS松组合导航系统和SINS/GNSS深组合导航系统进行仿真验证,并对导航结果进行对比分析。从仿真结果可以看出,深组合导航系统位置误差约为0.3 m,速度误差约为0.01 m/s,姿态误差约为0.005°。对比分析可知深组合导航精度更高,且不受卫星个数条件影响,具有很高的实用价值。

UKF在INS/GPS组合导航直接法滤波中的应用

INS/GPS组合导航系统直接法滤波中是直接以导航系统输出的导航参数(位置、速度等)作为状态,所以系统方程为非线性方程。UKF(Unscented Kalman Filter)是一类以UT变换为基础,以卡尔曼线性滤波为框架,采用确定性采样策略逼近非线性分布的非线性滤波算法。由于它是对后验概率密度进行近似来得到滤波估计,所以避免了非线性系统中状态方程的线性化问题,能较好地解决系统方程非线性问题。论文INS/GPS组合导航系统中采取直接法,建立非线性模型进行UKF滤波解算,并与EKF方法比较,实验结果显示UKF方法能更好地解决系统状态方程非线性的问题,并得到更高的导航精度。

基于UKF的MIMU/GPS/DVS组合导航方法研究

提出一种基于UKF的MIMU/GPS/DVS组合导航方法,将其用于无人机等飞行器导航定位;以MIMU和DVS的误差作为组合导航系统状态,根据系统误差模型建立状态方程;利用MIMU与GPS的位置输出、MIMU与DVS的速度输出分别构造量测,建立对应的量测方程;针对状态方程和量测方程的非线性问题,采用UKF设计MIMU/GPS/DVS组合导航的滤波算法;仿真结果表明,MIMU/GPS/DVS组合导航的位置精度达到6.3m,速度精度达0.1m/s,水平姿态精度达到7.2′,航向精度达到18.5′,而且当GPS失效时仍然保持较高的导航精度。

城市环境下视觉惯性里程计辅助PPP定位

针对复杂城市环境下,卫星信号容易受到遮蔽,精密单点定位(PPP)技术无法实现高精度连续定位,而视觉惯性里程计(VIO)可以提供连续的相对位置和速度,但其误差随时间累积,无法长时间独立提供高精度导航等问题,提出半紧组合VIO辅助PPP(VIO-PPP)的定位方法:设计了VIO和PPP 2个滤波器;在VIO滤波器中,使用多状态约束下的卡尔曼滤波器来处理获取的视觉图像和惯性测量单元(IMU)观测数据,以预测位置和速度,并用PPP滤波器来修正预测值;同时根据定位精度因子和卫星的数量,在不同的环境中对PPP和VIO采取不同的加权策略;然后搭建全球卫星导航系统(GNSS)、惯性和视觉多源融合数据采集平台,对各传感器完成参数标定和时间同步,形成一套完整的城市环境下的高精度定位系统;最后在户外复杂环境中进行多组实验,比较VIO、PPP和VIO-PPP不同定位模式的定位结果。实验结果表明,多源融合导航系统可以显著提高导航性能,与PPP相比,VIO-PPP模型的精度能够提高40%以上,平面精度和高程精度分别可达到0.2和0.3 m。

基于因子图优化PPP的GNSS/INS松组合导航

针对全球卫星导航系统(GNSS)容易因建筑物遮挡、多路径效应以及卫星可见数不足导致的GNSS信号失锁问题,提出了一种基于因子图优化(FGO)的精密单点定位(PPP)算法进行GNSS和惯性导航系统(INS)的融合定位方法.首先参照经典PPP双频无电离层模型,构建伪距、载波因子,根据非线性优化理论求解非线性最小二乘问题;再将优化后的PPP位置信息作为PPP因子,与地球自转的精化预积分因子一同构建到GNSS/INS松组合FGO框架中,实现组合导航信息非线性优化.车载实测结果表明:针对PPP,所提算法的定位精度相比扩展卡尔曼滤波(EKF)算法在北(N)方向、东(E)方向、地(D)方向上分别提升37.09%、28.79%、64.59%;针对GNSS/INS组合导航,该算法的定位精度相比EKF算法在三个方向上分别提升了49.08%、41.22%、71.86%.