一种基于改进自适应卡尔曼滤波的GNSS/INS组合导航算法
发布时间：2022-01-08 06:19
在全球卫星导航系统/惯性导航系统（global navigation satellite system/inertial navigation system,GNSS/INS）组合系统中,状态模型误差和异常扰动的影响严重降低了标准卡尔曼滤波的性能,而基于预测残差自适应的卡尔曼滤波随计算次数的增加滤波效果降低,且使用统一的自适应因子调节不可靠。针对上述问题,提出一种改进算法,利用预测残差建立的统计量调节位置向量和速度向量,避免了其他参数对滤波的平衡作用;通过预测残差的概率密度建立马氏距离进行假设检验,在模型正常时使用标准卡尔曼滤波,模型异常时使用改进滤波算法;采用实测车载数据对标准卡尔曼滤波、单因子自适应滤波和本文的滤波方法进行评估,实验结果表明:改进的自适应卡尔曼滤波的滤波算法效果良好,证明了所提算法的有效性。
【文章来源】：科学技术与工程. 2020,20(03)北大核心
【文章页数】：5 页
【部分图文】：
改进后算法计算程序
使用车载移动测量系统采集一组GNSS和INS数据对算法进行验证。设备为NovAtel ProPak6双系统(GPS和BDS)接收机以及Span-LCI类型的惯导。IMU采样率为200 Hz,GNSS采样率为5 Hz,组合采样率为5 Hz;初始坐标精确已知,观测环境良好。算例中,相应参数由经验设定:陀螺仪相关时间为600 s,初始方差为1.0°/h,加速度计相关时间为600 s,初始方差为50.0 μg;初始位置误差分别为1.0、1.0、1.0 m;初始速度误差分别为0.01、0.01、001 m/s;初始平台失准角误差分别为100.0、100.0、100.0 s;采用商业软件Inertial Explorer 8.6(IE)紧组合解算的位置、速度结果作为真值;临界值c=1.0。行车轨迹如图2所示。为验证改进算法的有效性,提出如下3种方案:① 标准卡尔曼滤波(KF);②单因子自适应卡尔曼滤波(AKF);③改进的自适应卡尔曼滤波(MAKF)。
图3～图5所示为利用KF、AKF和MAKF在东方向、北方向和天方向位置误差对比,由图3～图5可知,在整个滤波过程中,相对于KF,AKF和MAKF稳定性更好,这是因为KF采用固定的系统噪声阵和量测噪声阵,当其与实际系统有较大差异时会导致误差增大,甚至发散。AKF利用预测残差构造自适应因子,当载体处于非平衡状态时,利用自适应因子调节状态预报向量和观测向量的权阵,平衡二者对状态估值的贡献,可较好的控制动力学模型扰动的影响。表1所示为3种方案的均方根,可以更直观地比较滤波的性能。与KF相比,AKF在东北天方向位置估计精度分别提高了0.168、0.148 2、0.175 7 m,而MAKF在东北天方向位置估计精度分别提高了0.173 3、0.153 6、0.186 4 m。由此可见,AKF和MAKF精度均高于KF,其中MAKF略有优势。
【参考文献】：
期刊论文
[1]抗差与自适应组合的卡尔曼滤波算法在动态导航中的研究[J]. 李刚,蔡成林,李思敏,王亮亮. 重庆邮电大学学报(自然科学版). 2015(01)
[2]基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法[J]. 马龙,李晓明. 科学技术与工程. 2013(33)
[3]改进的Sage-Husa滤波在精确空投组合导航系统中的应用[J]. 牛振中,李岁劳,王青青,任鸿飞. 科学技术与工程. 2012(25)
[4]组合导航系统新息自适应卡尔曼滤波算法[J]. 卞鸿巍,金志华,王俊璞,田蔚风. 上海交通大学学报. 2006(06)
[5]动态定位自适应滤波解的性质[J]. 杨元喜. 测绘学报. 2003(03)
本文编号：3576047
【文章来源】：科学技术与工程. 2020,20(03)北大核心
【文章页数】：5 页
【部分图文】：
改进后算法计算程序
使用车载移动测量系统采集一组GNSS和INS数据对算法进行验证。设备为NovAtel ProPak6双系统(GPS和BDS)接收机以及Span-LCI类型的惯导。IMU采样率为200 Hz,GNSS采样率为5 Hz,组合采样率为5 Hz;初始坐标精确已知,观测环境良好。算例中,相应参数由经验设定:陀螺仪相关时间为600 s,初始方差为1.0°/h,加速度计相关时间为600 s,初始方差为50.0 μg;初始位置误差分别为1.0、1.0、1.0 m;初始速度误差分别为0.01、0.01、001 m/s;初始平台失准角误差分别为100.0、100.0、100.0 s;采用商业软件Inertial Explorer 8.6(IE)紧组合解算的位置、速度结果作为真值;临界值c=1.0。行车轨迹如图2所示。为验证改进算法的有效性,提出如下3种方案:① 标准卡尔曼滤波(KF);②单因子自适应卡尔曼滤波(AKF);③改进的自适应卡尔曼滤波(MAKF)。
图3～图5所示为利用KF、AKF和MAKF在东方向、北方向和天方向位置误差对比,由图3～图5可知,在整个滤波过程中,相对于KF,AKF和MAKF稳定性更好,这是因为KF采用固定的系统噪声阵和量测噪声阵,当其与实际系统有较大差异时会导致误差增大,甚至发散。AKF利用预测残差构造自适应因子,当载体处于非平衡状态时,利用自适应因子调节状态预报向量和观测向量的权阵,平衡二者对状态估值的贡献,可较好的控制动力学模型扰动的影响。表1所示为3种方案的均方根,可以更直观地比较滤波的性能。与KF相比,AKF在东北天方向位置估计精度分别提高了0.168、0.148 2、0.175 7 m,而MAKF在东北天方向位置估计精度分别提高了0.173 3、0.153 6、0.186 4 m。由此可见,AKF和MAKF精度均高于KF,其中MAKF略有优势。
【参考文献】：
期刊论文
[1]抗差与自适应组合的卡尔曼滤波算法在动态导航中的研究[J]. 李刚,蔡成林,李思敏,王亮亮. 重庆邮电大学学报(自然科学版). 2015(01)
[2]基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法[J]. 马龙,李晓明. 科学技术与工程. 2013(33)
[3]改进的Sage-Husa滤波在精确空投组合导航系统中的应用[J]. 牛振中,李岁劳,王青青,任鸿飞. 科学技术与工程. 2012(25)
[4]组合导航系统新息自适应卡尔曼滤波算法[J]. 卞鸿巍,金志华,王俊璞,田蔚风. 上海交通大学学报. 2006(06)
[5]动态定位自适应滤波解的性质[J]. 杨元喜. 测绘学报. 2003(03)
本文编号：3576047
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3576047.html
