改进的CKF算法及其在BDS/INS中的应用
发布时间:2021-01-13 09:36
针对标准容积卡尔曼滤波(CKF)在组合导航系统模型不确定情况下滤波精度下降甚至发散的问题,将奇异值分解(SVD)与CKF算法相结合,并引入强跟踪滤波(STF)理论,提出一种改进的强跟踪SVD—CKF算法。为提高数值计算的稳定性,采用SVD代替标准CKF中的Cholesky分解;引入STF理论框架,通过渐消因子对预测误差协方差阵进行在线修正,在系统模型不确定或系统发生大的突变时,能够提高系统的强鲁棒性。通过仿真结果验证了改进算法的有效性。
【文章来源】:传感器与微系统. 2016,35(12)
【文章页数】:5 页
【部分图文】:
飞机理想飞行航迹Fig1Idealflighttrajectoryofaircraft
(X(t),w(t))(38)式中f(·)为非线性函数,由捷联惯导力学编排方程和姿态误差方程得到,w(t)为系统噪声。系统的量测向量z为BDS输出的速度VEB,VNB,VUB和位置λB,LB,hB如式(39)z=[VEB,VNB,VUB,LB,λB,hB](39)BDS/INS组合的量测方程如下zk+1=Hk+1xk+1+vk+1(40)式中Hk+1=[I6×6,O6×6],vk+1为量测噪声。对两种滤波算法进行解算。图1为飞机理想飞行航迹图。图1飞机理想飞行航迹Fig1Idealflighttrajectoryofaircraft图2为两种算法对比仿真解果。图2两种算法位置误差比较Fig2Comparisonofpositionerroroftwoalgorithms从仿真结果可知,对比两种算法,本文提出的改进的强跟踪SVD-CKF算法比标准CKF算法具有较高的精度。从图3中可以看出,两种算法在姿态角的比较上,改进的算法具有明显优势,系统在658~728s时间内由于出现大的转弯加爬坡的强非线性飞行状态,对于系统的真实状态,CKF算法并不能及时跟踪,导致出现较大幅度的波动,对比改进的图3两种算法姿态角误差比较Fig3Comparisonofattitudeangleerroroftwoalgorithms图4两种算法速度误差比较Fig4Comparisonoftwoalgorithmsforspeederror算法,则不难看出,在此时间段内,采用改进算法的姿态角度误差较小,依然保持平稳的状态,在系统发生突变状况时,改进的算法在强跟踪能力上优于CKF算法;有效提高了滤波的精度。从图2中可以看出,在50~850s时间段内,CKF算法得到的天向位置误差[-5.5,4.4]m,北向位置误差在[-6,4.4]m内,东向误差在[-15.7,12.5]m内;而本文提出的改进算法得到的天向位置误差[-4.1,3.2]m,北向位置误差在[-4.1,2.9]m内,东向误?
z=[VEB,VNB,VUB,LB,λB,hB](39)BDS/INS组合的量测方程如下zk+1=Hk+1xk+1+vk+1(40)式中Hk+1=[I6×6,O6×6],vk+1为量测噪声。对两种滤波算法进行解算。图1为飞机理想飞行航迹图。图1飞机理想飞行航迹Fig1Idealflighttrajectoryofaircraft图2为两种算法对比仿真解果。图2两种算法位置误差比较Fig2Comparisonofpositionerroroftwoalgorithms从仿真结果可知,对比两种算法,本文提出的改进的强跟踪SVD-CKF算法比标准CKF算法具有较高的精度。从图3中可以看出,两种算法在姿态角的比较上,改进的算法具有明显优势,系统在658~728s时间内由于出现大的转弯加爬坡的强非线性飞行状态,对于系统的真实状态,CKF算法并不能及时跟踪,导致出现较大幅度的波动,对比改进的图3两种算法姿态角误差比较Fig3Comparisonofattitudeangleerroroftwoalgorithms图4两种算法速度误差比较Fig4Comparisonoftwoalgorithmsforspeederror算法,则不难看出,在此时间段内,采用改进算法的姿态角度误差较小,依然保持平稳的状态,在系统发生突变状况时,改进的算法在强跟踪能力上优于CKF算法;有效提高了滤波的精度。从图2中可以看出,在50~850s时间段内,CKF算法得到的天向位置误差[-5.5,4.4]m,北向位置误差在[-6,4.4]m内,东向误差在[-15.7,12.5]m内;而本文提出的改进算法得到的天向位置误差[-4.1,3.2]m,北向位置误差在[-4.1,2.9]m内,东向误差在[-11,5.5]m内。通过在位置上的比较来看,改进的算法和标准的算法相差不是太大,但是改进的算法的精度略高。对于速度误差来说,从图4中可以看出,改进算法对于标准算法精度略高,但是优势并不明显?
【参考文献】:
期刊论文
[1]自适应高阶容积卡尔曼滤波在目标跟踪中的应用[J]. 崔乃刚,张龙,王小刚,杨峰,卢宝刚. 航空学报. 2015(12)
[2]自适应CKF强跟踪滤波器及其应用[J]. 丁家琳,肖建,赵涛. 电机与控制学报. 2015(11)
[3]抗野值强跟踪Kalman滤波在风场估计中的应用[J]. 李阳,孔毅,赵现斌. 传感器与微系统. 2015(07)
[4]强跟踪自适应平方根容积卡尔曼滤波算法[J]. 徐树生,林孝工,李新飞. 电子学报. 2014(12)
[5]非线性系统确定采样型滤波算法综述[J]. 王小旭,潘泉,黄鹤,高昂. 控制与决策. 2012(06)
[6]基于抗差EKF的GNSS/INS紧组合算法研究[J]. 王坚,刘超,高井祥,许长辉. 武汉大学学报(信息科学版). 2011(05)
[7]自适应SVD-UKF算法及在组合导航的应用[J]. 高社生,王建超,焦雅林. 中国惯性技术学报. 2010(06)
[8]双重自适应联邦滤波在SINS-卫星组合中的应用研究[J]. 王春霞,赵伟,刘瑞华. 传感器与微系统. 2008(03)
[9]基于强跟踪滤波器的多目标跟踪方法[J]. 徐毓,金以慧,杨瑞娟. 传感器技术. 2002(03)
本文编号:2974651
【文章来源】:传感器与微系统. 2016,35(12)
【文章页数】:5 页
【部分图文】:
飞机理想飞行航迹Fig1Idealflighttrajectoryofaircraft
(X(t),w(t))(38)式中f(·)为非线性函数,由捷联惯导力学编排方程和姿态误差方程得到,w(t)为系统噪声。系统的量测向量z为BDS输出的速度VEB,VNB,VUB和位置λB,LB,hB如式(39)z=[VEB,VNB,VUB,LB,λB,hB](39)BDS/INS组合的量测方程如下zk+1=Hk+1xk+1+vk+1(40)式中Hk+1=[I6×6,O6×6],vk+1为量测噪声。对两种滤波算法进行解算。图1为飞机理想飞行航迹图。图1飞机理想飞行航迹Fig1Idealflighttrajectoryofaircraft图2为两种算法对比仿真解果。图2两种算法位置误差比较Fig2Comparisonofpositionerroroftwoalgorithms从仿真结果可知,对比两种算法,本文提出的改进的强跟踪SVD-CKF算法比标准CKF算法具有较高的精度。从图3中可以看出,两种算法在姿态角的比较上,改进的算法具有明显优势,系统在658~728s时间内由于出现大的转弯加爬坡的强非线性飞行状态,对于系统的真实状态,CKF算法并不能及时跟踪,导致出现较大幅度的波动,对比改进的图3两种算法姿态角误差比较Fig3Comparisonofattitudeangleerroroftwoalgorithms图4两种算法速度误差比较Fig4Comparisonoftwoalgorithmsforspeederror算法,则不难看出,在此时间段内,采用改进算法的姿态角度误差较小,依然保持平稳的状态,在系统发生突变状况时,改进的算法在强跟踪能力上优于CKF算法;有效提高了滤波的精度。从图2中可以看出,在50~850s时间段内,CKF算法得到的天向位置误差[-5.5,4.4]m,北向位置误差在[-6,4.4]m内,东向误差在[-15.7,12.5]m内;而本文提出的改进算法得到的天向位置误差[-4.1,3.2]m,北向位置误差在[-4.1,2.9]m内,东向误?
z=[VEB,VNB,VUB,LB,λB,hB](39)BDS/INS组合的量测方程如下zk+1=Hk+1xk+1+vk+1(40)式中Hk+1=[I6×6,O6×6],vk+1为量测噪声。对两种滤波算法进行解算。图1为飞机理想飞行航迹图。图1飞机理想飞行航迹Fig1Idealflighttrajectoryofaircraft图2为两种算法对比仿真解果。图2两种算法位置误差比较Fig2Comparisonofpositionerroroftwoalgorithms从仿真结果可知,对比两种算法,本文提出的改进的强跟踪SVD-CKF算法比标准CKF算法具有较高的精度。从图3中可以看出,两种算法在姿态角的比较上,改进的算法具有明显优势,系统在658~728s时间内由于出现大的转弯加爬坡的强非线性飞行状态,对于系统的真实状态,CKF算法并不能及时跟踪,导致出现较大幅度的波动,对比改进的图3两种算法姿态角误差比较Fig3Comparisonofattitudeangleerroroftwoalgorithms图4两种算法速度误差比较Fig4Comparisonoftwoalgorithmsforspeederror算法,则不难看出,在此时间段内,采用改进算法的姿态角度误差较小,依然保持平稳的状态,在系统发生突变状况时,改进的算法在强跟踪能力上优于CKF算法;有效提高了滤波的精度。从图2中可以看出,在50~850s时间段内,CKF算法得到的天向位置误差[-5.5,4.4]m,北向位置误差在[-6,4.4]m内,东向误差在[-15.7,12.5]m内;而本文提出的改进算法得到的天向位置误差[-4.1,3.2]m,北向位置误差在[-4.1,2.9]m内,东向误差在[-11,5.5]m内。通过在位置上的比较来看,改进的算法和标准的算法相差不是太大,但是改进的算法的精度略高。对于速度误差来说,从图4中可以看出,改进算法对于标准算法精度略高,但是优势并不明显?
【参考文献】:
期刊论文
[1]自适应高阶容积卡尔曼滤波在目标跟踪中的应用[J]. 崔乃刚,张龙,王小刚,杨峰,卢宝刚. 航空学报. 2015(12)
[2]自适应CKF强跟踪滤波器及其应用[J]. 丁家琳,肖建,赵涛. 电机与控制学报. 2015(11)
[3]抗野值强跟踪Kalman滤波在风场估计中的应用[J]. 李阳,孔毅,赵现斌. 传感器与微系统. 2015(07)
[4]强跟踪自适应平方根容积卡尔曼滤波算法[J]. 徐树生,林孝工,李新飞. 电子学报. 2014(12)
[5]非线性系统确定采样型滤波算法综述[J]. 王小旭,潘泉,黄鹤,高昂. 控制与决策. 2012(06)
[6]基于抗差EKF的GNSS/INS紧组合算法研究[J]. 王坚,刘超,高井祥,许长辉. 武汉大学学报(信息科学版). 2011(05)
[7]自适应SVD-UKF算法及在组合导航的应用[J]. 高社生,王建超,焦雅林. 中国惯性技术学报. 2010(06)
[8]双重自适应联邦滤波在SINS-卫星组合中的应用研究[J]. 王春霞,赵伟,刘瑞华. 传感器与微系统. 2008(03)
[9]基于强跟踪滤波器的多目标跟踪方法[J]. 徐毓,金以慧,杨瑞娟. 传感器技术. 2002(03)
本文编号:2974651
本文链接:https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2974651.html