基于改进ESKF的植保无人机时延位姿补偿算法

为解决全球导航卫星系统和惯性测量单元融合时间不同步问题,提高植保无人机位姿估计精度,本文根据植保无人机大惯性、强振动的特性提出一种基于改进误差状态卡尔曼的时延位姿补偿算法。首先对名义状态变量线性预测,引入渐消因子提高强振动环境下的系统稳定性;接着采用互补滤波对角速度补偿,对姿态误差状态变量修正;最后结合测量的延迟时间,使用互补滤波外推数据,提高大惯性特性下的速度位置精度。实验结果表明,相较于误差状态卡尔曼算法,横滚角和俯仰角均方根误差减少0.2669°和0.2414°,偏航角均方根误差减少0.0764°;正常航迹植保作业下,东北天方向速度均方根误差减少0.2105、0.1849、0.2388 m/s;东北天方向位置均方根误差分别减少0.21、0.19、0.23 m,有效提高位姿估计精度。

GNSS/MEMS IMU车载组合导航中IMU比例因子误差的影响分析

从系统状态模型出发,分析比例因子误差对组合导航精度和计算量的影响,同时基于车载运动的特点分析比例因子误差的观测性,提出一种仅保留航向陀螺仪和水平加速度计比例因子误差的降维状态模型。实验结果表明,当比例因子误差大于6×10^(-3)时,增广比例因子误差有助于提高导航精度,但计算量增加约170%;降维模型能够达到高维模型的导航精度,与不增广比例因子误差相比,计算量仅增加约70%。

误差状态卡尔曼滤波的视觉惯性自适应融合定位方法研究

头盔瞄准具(HMS)是近年来新一代战斗机飞行员的辅助瞄准设备,能够帮助飞行员增强战场态势感知能力,对敌方目标进行快速、精准打击。其能正常工作的关键是获取飞行员头部相对于运动飞机的姿态参数。本文结合头盔瞄准具这一应用场景研究了视觉组合姿态测量关键技术。视觉惯性组合定位能够实现目标位姿测量方法的优势互补,而由于标称噪声矩阵无法绝对准确预测,融合算法的鲁棒性、精度有待进一步提升。针对这一问题,本文提出一种误差状态卡尔曼滤波框架下基于变分贝叶斯推断的视觉惯性自适应融合方法。首先,对于过程噪声使用逆威沙特(Wishart)分布进行建模,之后通过引入隐变量分解一步预测协方差,并结合变分贝叶斯推断实现了对过程噪声协方差矩阵的在线估计。试验证明,在复杂运动及标称噪声协方差矩阵偏移较大的测量条件下,所提位姿测量算法具有较高的精度与鲁棒性,能够完成对靶标的快速、高精度跟踪。

基于变结构ESKF的航姿参考系统噪声处理方法

针对航姿参考系统(AHRS)易受到环境与传感器自身噪声干扰,导致姿态估计精度下降的问题,提出了一种基于变结构误差状态卡尔曼滤波(VS-ESKF)的噪声数据处理方法。首先,通过分析AHRS传感器观测数据与新息序列统计特征,设计了基于加速度范数与遗忘序贯概率比检验(F-SPRT)的方法,分别检测加速度计与陀螺仪的噪声数据。其次,基于噪声检测结果,将平滑变结构滤波(SVSF)策略引入到误差状态卡尔曼滤波(ESKF),以提高ESKF对噪声模型不确定性的处理能力。然后,结合磁场强度与磁倾角参数特征,利用马氏距离法评估磁干扰并实时调整磁力计补偿权重,获取准确的AHRS修正数据。最后,基于自主搭建独轮机器人平台进行实验验证,结果表明所设计的VS-ESKF算法可以及时、准确地检测AHRS噪声数据,并有效地抑制噪声干扰,相比于ESKF算法,对横滚角、俯仰角和偏航角的估计精度分别提升了31.05%、32.32%和40.07%,提高了姿态估计的准确性和稳定性。

基于自适应Kalman滤波的汽车横摆角速度软测量算法

利用参数软测量技术,提出了基于自适应Kalman滤波和汽车两自由度动力学模型的横摆角 速度软测量算法.该算法实现了横摆角速度的线性最小均方误差估计,且可对汽车行驶过程中的系 统噪声和观测噪声统计特性进行在线估计.仿真与场地试验结果对比验证了该算法的有效性,同时 软测量技术的采用也为汽车状态参数测量提供了一条可行的、准确且低成本的研究思路.

基于先验地图/GNSS/IMU融合的自动驾驶车辆定位系统

针对仅依靠单一的传感器无法提供持续稳定的位置信息的问题,利用误差卡尔曼滤波(ESKF)算法,融合全球卫星导航系统(GNSS)、惯性测量单元(IMU)和先验地图点云数据,构建了高精度定位系统,并通过引入矩阵校正方法,避免GNSS失效或先验地图匹配延迟等情况下系统无法获取有效观测值以修正位姿的问题,使系统保持稳定并处于高精度状态。试验结果表明:在观测值失效等情况下,该方法仍然能够保持高精度的定位状态;相较于传统的单一传感器定位方法以及常见的GNSS/IMU组合定位方法,所提出的方法具有更高的鲁棒性和可靠性,能够更好地满足自动驾驶汽车在复杂环境中的定位需求。

停车场环境下的视觉惯性里程计

为解决自动驾驶汽车在停车场环境下停车过程中的定位问题,本文针对停车场环境设计了基于惯性测量单元和环视图像的视觉惯性里程计。利用逆透视变换拼接多个相机传回的图像组成环视图像,并提取所需的视觉特征,之后配准估计车辆位姿;将视觉特征拼接成局部地图后,再将局部地图与全局地图拼接,构建停车场的地面点云地图;融合惯性测量单元测量数据和位姿构建了基于误差状态卡尔曼滤波器的松耦合视觉惯性里程计。在机器人操作系统下实现算法并设计仿真环境进行了在线仿真,验证了算法可以为自主泊车这种行驶过程中转弯多、行驶距离不大的任务提供较为精确的位置信息。

多传感器标量加权最优信息融合稳态Kalman滤波器

提出一种新的标量加权多传感器线性最小方差意义下的最优信息融合准则.该准则考虑了局部估计误差之间的相关性,只需计算加权标量系数,避免了加权矩阵的计算,明显减小了计算量,便于实时应用.运用稳态Kalman滤波理论,基于该融合准则,给出了多传感器最优信息融合稳态Kalman滤波器.在所有局部滤波器达到稳态时,只需一次融合便可获得信息融合稳态滤波器,算法简单.仿真例子验证了其有效性.

具有随机状态转移矩阵的Kalman滤波

讨论状态转移矩阵为随机性矩阵时的Kalman滤波方法,并给出滤波的具体算法及分析滤波的收敛特性和参数的取值范围。通过实际算例证实了该滤波方法的有效性。

异步CDMA系统中多用户检测的Kalman状态转换模型

本文根据Kalman滤波的状态转换思想 ,初步提出一种多用户检测的模型 ,不同于传统的FIRMMSE检测器仅适用于同步系统 ,它也可适用于异步CDMA系统中 ,是一种理论上最佳的MMSE检测器结构。文中主要介绍了这个模型的结构 ,并对该模型的算法进行了初步探讨。

基于多源定位的机器人导航地图融合研究

针对激光雷达(LiDAR)的传统建图方式在精度和地图完整性上存在不足的问题,提出一种以多源定位数据实现创建融合栅格地图的方法。利用误差状态卡尔曼滤波(ESKF)算法将惯性测量单元(IMU)与轮式编码器(WE)的融合数据中添加视觉里程计(VO)的位姿信息进行校正,并作为里程计输出。根据贝叶斯估计,将深度相机与激光雷达各自生成的局部栅格地图逐帧进行融合,生成全局地图。研究结果表明:融合地图与实际环境中的对应参考点在x与y方向的RMSE比传统方法分别下降了58.88%,56.19%,有效提高了地图的精度和丰富性。

基于时间序列匹配的过山车定位法

针对过山车难以精准定位的问题,本文提出了一种基于时间序列匹配的过山车定位方法。该方法首先使用动态时间规整(DTW)对惯性测量单元(IMU)的实测与仿真数据进行序列匹配,得到位置估计结果。之后将估计结果作为观测量,在误差状态卡尔曼滤波器(ESKF)中修正IMU预测结果,得到精准的定位结果。为了提高估计结果的准确度,本文提出了分段重组动态时间规整(SRDTW)算法,解决了DTW的匹配失真问题。使用本文方法对过山车进行了定位实验,结果表明,使用Z向加速度和俯仰角进行序列匹配可得到较为准确的估计结果;ESKF滤波后的平均定位误差可达0.24 m,较估计结果的定位误差减小45.6%。

基于IESKF的激光惯性里程计实现方法研究

针对主流的激光里程计方案存在精度较低和计算耗时严重的问题,提出一种基于迭代误差状态卡尔曼滤波器的IMU与LiDAR紧耦合的里程计方案,将IMU预积分结果与特征点云匹配结果融合得到高精度位姿,并且使用等效卡尔曼增益公式,降低计算维度,提高系统运行效率。对比分析了主流里程计方案与本方案在位姿估计精度和时效性上的表现,结果表明,本方案在满足系统实时性的前提下,能有效提高里程计的精度。

基于卡尔曼滤波的再入飞行器气动参数辨识

再入飞行器的制导系统易受气动参数扰动的影响,为此研究气动参数在线辨识方法可以为再入制导系统提供服务,有效提高制导的精度。以卡尔曼滤波理论作为基础,推导了再入飞行器气动参数辨识的数学模型。为增强卡尔曼滤波方法对气动参数的辨识效果,气动参数误差模型采用一阶高斯马尔科夫过程描述,并增广到状态方程组中,根据获得的带有测量误差的惯导信息,对气动参数进行估计。最后,进行了数学仿真研究。仿真结果表明,该方法都能够在10个采样周期内收敛,且估计精度在1%以内。

基于平方根容积卡尔曼滤波的目标状态与传感器偏差扩维联合估计算法

针对传感器存在系统偏差条件下的三维目标跟踪问题,基于高斯求积规则与三阶球面-径向容积规则,设计了基于平方根容积卡尔曼滤波的目标状态与传感器系统偏差扩维联合估计算法(Augmented state squared-root cubature Kalman filter,ASSRCKF)。仿真分析表明,ASSRCKF不仅避免了扩维扩展卡尔曼滤波算法因模型线性化误差易导致滤波发散的问题,且克服了扩维不敏卡尔曼滤波算法在高维系统中数值不稳定的缺点,算法实时性好,能更加有效地解决带有系统误差的非线性状态估计问题。

基于状态反馈的卡尔曼滤波组合导航算法

在卡尔曼滤波算法的基础上,提出一种导航误差状态估计的新方法。该方法选取SINS和GPS三个方向上的速度差和位置差作为观测量,根据惯性器件和GPS的精度确定噪声强度,同时建立反馈控制与卡尔曼滤波相结合的滤波器,最终得到误差状态的估计值。仿真结果表明,新型滤波器不仅解决了卡尔曼滤波发散的问题,而且使得误差估计精度得到了极大的提高,从而为组合导航系统的误差估计技术找到了更有工程应用价值的方法。

基于卡尔曼/状态反馈滤波的SINS/DR导航算法研究

针对SINS/GPS组合导航系统在GPS信号出现故障时不能正常工作的问题,提出了利用里程计与SINS组合的导航系统。在分析组合系统数学模型的基础上,设计了基于卡尔曼/状态反馈算法的新型滤波器。该滤波器基于最优控制的思想对卡尔曼滤波算法进行了改进,最终得到误差状态的估计值。仿真结果表明,改进后的卡尔曼滤波算法用于估计导航系统误差能够取得更加满意的效果。

基于系统误差和状态联合估计的目标跟踪算法

针对线性系统中系统误差对状态估计精度造成的不利影响,在卡尔曼滤波算法框架下提出一种基于系统误差和状态联合估计的目标跟踪算法。在算法实现过程中,首先定量分析了系统误差对目标状态估计及其估计误差协方差矩阵的影响,进而结合状态扩维技术构建系统误差配准的实现过程,最终依据标准卡尔曼滤波迭代流程设计了算法实现步骤。仿真实验结果表明:在系统误差恒定和时变两种情况下,新算法在系统误差配准和状态估计上具有可行性和有效性。

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。

无味卡尔曼滤波算法分析及其应用仿真研究

无人水下航行器(UUV)进入匹配区时捷联惯导系统(SINS)已积累了一定的误差,采用适当的信息融合策略对误差进行估计和补偿,可提高后续航行精度。通常认为,当系统噪声与量测噪声为加性时,是否将噪声扩展为状态量并不影响无味卡尔曼滤波(UKF)算法性能。针对这种观点,利用变尺度对称集无味变换,在复杂加性噪声模型下,推导并证明了两者的差异,说明了上述观点的不全面性。通过建立水下地形匹配辅助导航系统非线性误差模型,基于扩展状态UKF算法设计了误差估计滤波器,仿真研究其估计效果,并与非扩展状态UKF算法进行对比研究。结果表明,状态扩展有利于提高UKF算法性能,从而证明了理论分析的正确性。