GPS/INS组合导航的变分贝叶斯自适应卡尔曼滤波

发布时间：2022-01-27 03:35

　　为解决GPS/INS组合导航的数据融合问题中卡尔曼滤波器因噪声统计特性会发生变化而性能严重退化的问题,针对组合导航的系统模型提出并推导了一种基于变分贝叶斯学习的自适应卡尔曼滤波算法.该方法从概率角度将系统状态与噪声的统计矩一起作为待估计的随机变量,在每次递推地对状态进行估计之前,用变分贝叶斯学习迭代逼近得到噪声的后验分布.仿真结果证明:在组合导航系统中,该自适应算法能够较好地跟踪变化的噪声方差,并对速度、位置等系统状态进行估计. 

【文章来源】：哈尔滨工业大学学报. 2014,46(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

变分贝叶斯卡尔曼滤波3仿真实验仿真实验主要从两方面来验证算法的性能与

Ｒ=diagr1r2r3([])=diag(槡2×10－2rad)2(槡5×10－2rad)2(槡500m)2([])．其中diag为对角阵函数．然后在251～700s，701～1000s内分别设为Ｒ=diag(［10r110r22r3］)，Ｒ=diag(［5r15r21．5r3］)．!"#$"%$"##"%#&%&&&’&!&$$$($!#$!$$!!$!’!"#)*$%"#)*$"&)$#&+图2飞行器运动轨迹图3与图4给出了上述假设条件下，基于变分贝叶斯的自适应卡尔曼滤波器的滤波误差图，并与单独使用INS时的情形做比较．图3实线为滤波后飞行器位置误差的估计值，图4实线为滤波后飞行器速度误差的估计值．发现无论是位置误差估计，还是速度误差估计，由于惯导误差的积累，未经滤波的状态估计(虚线表示)在一定时刻后均出现发散．考察本文设计的组合模型的滤波器，其观测量的噪声统计特性未知，且随时间发生变化，但却有着较好的滤波精度，误差值较小，依然能对位置误差与速度误差进行良好的估计．更进一步，图5与图6比较了噪声变化条件下卡尔曼滤波与自适应滤波的误差．如图所示，250s时刻之前，由于噪声没有发生变化，卡尔曼滤波器与自适应滤波器有着相当的滤波误差．而250s时刻之后，噪声开始发生变化，由于卡尔曼滤波器自身的局限性，并不能够在线调整，以至于在之后750s的时间里，总体估计误差显著增大，相比自适应滤波的曲线，滤波精度较差，尤以250～700s间变化波动最为剧烈．!"#$%&"#!"""#"""$#"""%""&""’""(""!""""%""&""’""(""!""""%""&""’""(""!"""!)*%"""$%""$&""!"""#"""$#""()*’)+()*+)+()*,)+图3滤波前后位置误差对比!"!!#!!$!!%!!&

Ｒ=diagr1r2r3([])=diag(槡2×10－2rad)2(槡5×10－2rad)2(槡500m)2([])．其中diag为对角阵函数．然后在251～700s，701～1000s内分别设为Ｒ=diag(［10r110r22r3］)，Ｒ=diag(［5r15r21．5r3］)．!"#$"%$"##"%#&%&&&’&!&$$$($!#$!$$!!$!’!"#)*$%"#)*$"&)$#&+图2飞行器运动轨迹图3与图4给出了上述假设条件下，基于变分贝叶斯的自适应卡尔曼滤波器的滤波误差图，并与单独使用INS时的情形做比较．图3实线为滤波后飞行器位置误差的估计值，图4实线为滤波后飞行器速度误差的估计值．发现无论是位置误差估计，还是速度误差估计，由于惯导误差的积累，未经滤波的状态估计(虚线表示)在一定时刻后均出现发散．考察本文设计的组合模型的滤波器，其观测量的噪声统计特性未知，且随时间发生变化，但却有着较好的滤波精度，误差值较小，依然能对位置误差与速度误差进行良好的估计．更进一步，图5与图6比较了噪声变化条件下卡尔曼滤波与自适应滤波的误差．如图所示，250s时刻之前，由于噪声没有发生变化，卡尔曼滤波器与自适应滤波器有着相当的滤波误差．而250s时刻之后，噪声开始发生变化，由于卡尔曼滤波器自身的局限性，并不能够在线调整，以至于在之后750s的时间里，总体估计误差显著增大，相比自适应滤波的曲线，滤波精度较差，尤以250～700s间变化波动最为剧烈．!"#$%&"#!"""#"""$#"""%""&""’""(""!""""%""&""’""(""!""""%""&""’""(""!"""!)*%"""$%""$&""!"""#"""$#""()*’)+()*+)+()*,)+图3滤波前后位置误差对比!"!!#!!$!!%!!&


本文编号：3611679