基于自适应H_∞滤波的组合导航方法研究

作者:刘晓光;胡静涛;王鹤 刊名:仪器仪表学报 上传者:黄漪

【摘要】针对常规鲁棒滤波参数由初始设定而使滤波具有较大保守性的问题,提出了一种基于自适应鲁棒滤波的多传感器组合导航方法。该方法能够自动调节鲁棒滤波器参数,从而兼顾系统的精度和鲁棒性。通过运动学分析,建立了试验车的二维运动学模型,基于所建立的运动学模型,采用自适应鲁棒滤波的方法,能够实现对试验车位置、速度和航向角的精确估计。最后对实验车实际行走的数据进行了仿真对比实验,实验结果表明该方法能够紧密地跟踪滤波器的性能,自适应地调整滤波器参数的取值。与卡尔曼滤波相比,在系统噪声统计特性未知的情况下,该方法能够提供优于卡尔曼滤波的导航精度。

全文阅读

1引言导航定位技术是实现农用机械自动导航和变量作业的关键技术之一。目前应用较多的导航系统有GPS导航系统、惯性导航系统(inertialnavigationsystem,INS)和视觉导航系统等。虽然GPS导航系统能够提供高精度的定位信息,但容易受周围地形和遮挡物的影响,从而干扰GPS的定位精度。惯性导航系统在较短时间内能够提供较高的定位精度和更新频率,但长时间工作后,惯性导航系统的误差会非常大,已经不能满足应用的需要。因此,为了有效地提高导航系统的定位精度和稳定性,目前组合导航技术成为相关研究的热点。常见的组合导航方法有Kalman滤波方法、粒子滤波方法、鲁棒滤波方法和智能滤波方法等。组合导航系统中最常用的估计理论就是Kalman滤波,早期的有关组合导航系统的研究大多采用卡尔曼滤波,但由于常规Kal-man滤波只适用于线性系统,从而限制了Kalman滤波的应用范围。为此研究人员又提出了各种非线性估计方法,如扩展Kalman滤波(extendedKalmanfilteringEKF)、粒子滤波、鲁棒滤波以及各种智能方法等,可以说关于数据融合算法的研究已经成为组合导航系统研究的重点。EKF是目前应用很广泛的最优状态估计滤波器[1-4]。宋国东等人提出了矩阵加权融合稳态Kalman滤波器。该滤波加权融合算法精度高于各单传感器局部滤波器,低于集中式融合滤波器。Monte-Carlo仿真,实验证明了该滤波融合算法的有效性与可行性[1]。徐梓皓等人设计了一种基于MEMS惯性器件的姿态角测量系统。该系统采用Kalman滤波器实现了加速度计、陀螺仪和磁强计的数据融合[2]。张良等人提出了一种UKF改进算法,该方法将平方根滤波与UKF相结合,避免了高动态下的滤波发散问题,具有更好的精度及鲁棒性[3]。但EKF利用泰勒级数对非线性系统进行一阶线性化,从而引入了模型线性化误差,同时EKF需要准确的系统噪声统计特性。鉴于EKF在应用中的局限性,很多研究人员开始研究其他的数据融合方法。YafeiRen等人采用粒子滤波将GPS和INS数据融合,与扩展Kalman滤波器相比,该方法具有更好的定位精度、稳定性和鲁棒性[5-6]。高社生等人提出了一种新的渐消自适应粒子滤波算法,该方法能够更合理地利用有效信息,保证粒子的多样性,从而使改善滤波器的性能[7]。JacquesGeorgy提出了一种混合粒子滤波算法,并进行了路面车载试验,试验结果表明该方法具有较好的应用效果[8]。张博等人提出了基于粒子滤波的水下机器人组合导航方法,试验结果表明该方法能够获得较好的导航精度但计算复杂度较高[9]。赵琳等人针对粒子滤波计算量较大的问题提出了一种边沿化粒子滤波算法,该方法能够有效降低系统状态的维数,从而达到降低粒子滤波计算量的目的[10]。上述研究表明虽然粒子滤波在处理非线性非高斯系统的参数估计和状态滤波问题方面有独到的优势,但粒子滤波需要大量的样本数据,才能保证滤波的有效性。在智能算法方面,很多学者将模糊控制、神经网络等方法引入组合导航中,并取得了一定的研究成果。WANGJH等人提出了基于人工智能的低成本INS/GPS组合导航数据融合算法。该方法分别针对GPS数据、罗盘模型以及惯性导航误差设计了智能算法来改善组合导航系统的性能[11]。高为广等人基于神经网络和不符值原理提出了一种GPS/INS组合导航自适应滤波算法,该方法不仅计算量较小,而且能有效地抑制观测量异常和状态干扰对估计结果的影响[12]。周建军等人引入模糊逻辑,提出了一种模糊自适应卡尔曼滤波算法,该方法实现了观测噪声方差的实时在

参考文献

引证文献

问答

我要提问