基于序贯自适应滤波的SINS/GPS组合导航方法

作者:王毓珺; 刊名:电子设计工程 上传者:黄益平

【摘要】针对SINS/GPS组合导航系统中,Kalman滤波由于模型不够准确,观测噪声不规则变化等容易发散的问题,采用了一种基于序贯结构的Sage-Husa自适应滤波算法,通过量测输出实时估计系统的噪声参数,以解决因先验知识不足而引起滤波发散的问题,抑制异常量测对导航解算的影响。通过对SINS/GPS组合导航系统的仿真,验证了该算法具有较好的自适应性和稳定性,提高了滤波精度。

全文阅读

现有的组合导航技术里,应用得较为广泛的是SINS/GPS组合导航技术。而Kalman滤波算法是拥有最完整理论体系信息融合技术,一经提出便得到了广泛应用[1]。该算法在理论上说是关于量测序列最小方差的线性无偏估计。但是标准的Kalman滤波要求准确已知系统的结构参数和噪声统计特性参数。实际情况下,由于系统本身元器件的不稳定性,且GPS量测信号极易受到周围环境如无线电和强磁场等多种因素影响而产生较大误差,准确描述系统噪声和观测噪声是有一定困难的,这对滤波产生了不利影响,从而导航定位的精度和准确性也下降[2]。为了防止滤波器的发散,出现了不同形式的自适应卡尔曼滤波,其中由学者A. P. Sage和G. W.Husa于1969年提出的Sage-Husa自适应滤波是一种比较常见的滤波算法。该方法能通过量测输出对系统噪声均值和方差,量测噪声均值和方差进行自适应估计。但是Sage-Husa自适应滤波对初值的选择比较敏感,并且如果噪声方差阵是负定的,滤波就会发散。除了Sage-Husa自适应滤波外,文献[3]采用了模糊自适应卡尔曼滤波技术,根据量测预测误差(新息)的实际方差和理论方差的之比,实时自适应调整量测噪声方差阵。但是在隶属度函数的选择上需要根据环境的噪声特性来进行调整。文献[4]采用了神经网络辅助的自适应滤波算法,通过神经网络对状态方程进行在线修正。但是神经网络需要大量的训练样本,比较复杂。文献[5-7]采用了衰减记忆卡尔曼滤波,利用渐消因子来抑制滤波器的长度,但是渐消因子的选取和计算比较复杂。针对以上的问题,文中采用了一种序贯结构的Sage-Husa自适应滤波方法,该方法改善了常规Husa自适应滤波方法,该方法改善了常规Sage-Husa滤波对初值较敏感,容易发散的问题,减滤波对初值较敏感,容易发散的问题,减小了陈旧量测噪声的影响,当GPS信号出现异常时,该方法能修正量测噪声方差阵,具有一定的容错性。1 SINS组合导航系统数学模型SINS/GPS的数学模型为非线性的,如下所示[8-9]:ìí?Xk=f(Xk-1)+Γk-1Wk-1Zk=h(Xk)+VkZk=h(Xk)+Vk(1)式中,f (Xk)=[f1(Xk)f2(Xk)...fn(Xk)]T是n维非线]1(Xk)f2(Xk)...fn(Xk)T是n维非线性向量函数,h(Xk)=[h1(Xk)h2(Xk)...hm(Xk)]T是m维]1(Xk)h2(Xk)...hm(Xk)T是m维非线性向量函数;Wk-1和Vk分别为l维系统噪声向量和m维量测噪声向量,满足:ìí???E[Vk]=0, E[VkVjT]=Rkδkj??E[WkVjT]=0E[Wk]=0, E[WkWjT]=QkδkjE[Vk]=0, E[VkVjT]=RkδkjE[WkVjT]=0(2)式中,δkj为Kronecker符号,Qk和Rk分别为系统噪声协方差阵和量测噪声协方差阵。系统的量测残差向量(新息)为:Zk?|k-1=Zk-Zk?|k-1=h(Xk)+Vk-h(Xk?|k-1)(3)h(Xk)+Vk-h(Xk?|k-1)=HkXk?|k-1+VkHkXk?|k-1+Vk(3)式中,Xk?|k-1=Xk-Xk?|k-1是状态一步预测误差,H为量测方程对x求偏导以后的Jacobian矩阵,对上式两边同时求方差,得到新息协方差的理论值:E[Zk?|k-1ZkT?|k-1]=HkPk|k-1HkT+Rk(4)(4)2 Sage-Husa自适应滤波器设计2.1常规的Sage-Husa自适应滤波算法由于SINS/GPS组合导航系统中,系统噪声

参考文献

引证文献

问答

我要提问