简介:以SINSiGPS组合导航系统为背景,在对Kalman滤波原理和工程应用进行深入分析的基础上,总结了该方法的不足,提出了应用神经网络和模糊推理技术对系统噪声、观测噪声和其相关阵进行直接调控的方法。该方法根据新息和新息方差的变化,实时调整自适应因子,间接改变Kalman滤波器的当前观测量和过去信息的比例关系。仿真结果表明,该算法对模型和噪声干扰有较强的自适应性,能够有效抑制滤波发散,在不损失原有精度的前提下,提高了系统的鲁棒性。
简介:车道线检测是智能驾驶系统的重要组成部分,它提供了车辆与车道位置关系的信息.针对智能车辆驾驶系统在视觉导航过程中车道线检测的精确性和鲁棒性的问题,提出一种有效的车道线检测方法.首先对原始RGB图像分别进行感兴趣区域设定、逆透视变换、灰度化和阈值处理;然后进行霍夫变换处理,利用斜率和中心点位置筛选检测结果;最后利用卡尔曼滤波对检测到的线段进行跟踪,预测当前车道线位置.实验结果表明,该算法能够有效解决图像中车道线不清晰以及一些干扰遮挡的问题,车道线检测准确率可达94%,具有较好的准确性、鲁棒性和较低的计算复杂度,有利于实时性检测系统的构建.
简介:地下采煤引起的地表沉陷是一个时间和空间的过程,据此提出了观测站动态数据处理模型Kalman滤波和自适应Kalman滤波,通过实例验证了自适应Kalman滤波比普通Kalman滤波在观测站数据滤波和预测中具有优越性。
简介:针对传统基于g信息的粗对准的捷联惯导系统中,受传感器噪声的影响,存在效视运动无法提取和双向量共线的缺点,提出了一种基于改良Kalman滤波的参数辨识粗对准方法。该方法通过构建视在重力在初始载体系中的映射模型,利用改良Kalman滤波进行模型参数辨识,然后通过识别参数重新构建视在重力在初始载体系中的映射,解决了由于传感器噪声导致有效视运动无法正常提取的缺点。利用识别参数具有随估计次数增多得到优化的特点,构造初始时刻和最终时刻向量,避免双向量共线问题。利用改良Kalman滤波算法的自适应特点,优化参数识别精度与速度。转台实验表明,采用改良Kalman滤波方法航向对准精度为-0.0414°,标准差为0.041°,而传统RLS方法得到的航向精度为-0.0738°,标准差为0.128°。由此可知,本文提出的方法性能更优。
简介:一般的Kalman滤波器要求有准确的动态和统计模型,而低成本的MEMS-IMU性能随着温度急剧变化,故在MEMS-IMU/GPS组合导航系统中使用一般的Kalman滤波器存在很多的局限性。针对低成本的MEMS-IMU/GPS组合导航系统,提出了多模态自适应滤波算法在MEMS-IMU/GPS组合导航系统中的应用;针对普通的多模态算法中的问题,采用修正的多模态自适应滤波算法来提高MEMS-IMU/GPS组合导航系统的性能。使用静态实时测试数据,验证了所提出的算法。测试结果表明,与普通Kalman滤波器相比,修正的多模态滤波算法提高了MEMS-IMU/GPS组合导航系统的性能;采用所提出的算法,MEMS-IMU/GPS组合导航系统的短时间静态位置精度小于5m(标准差),速度精度小于0.1m/s(标准差),姿态角精度小于0.5°(标准差)。
简介:基于Krein空间的鲁棒Kalman滤波器与通过其它方法建立的鲁棒Kalman滤波器相比有较高稳态精度。文中将基于Krein空间的鲁棒Kalman滤波方法用于导弹捷联惯导系统动基座传递对准,并与标准Kalman滤波进行了比较。仿真结果表明,在垂直比力参数存在摄动的情况下,如果基于Krein空间的鲁棒Kalman滤波器的参数选取适当,它的精度鲁棒性优于标准Kalman滤波。
简介:借助基于二阶高斯-马尔可夫异常位模型的重力异常协方差函数,得到了海洋重力测量中重力异常信号的状态方程.结合实际重力仪的系统状态方程和系统量测方程,提出了级联卡尔曼滤波方法,并将其应用于重力异常畸变信号的校正处理中.在信号处理过程中,首先采用卡尔曼逆滤波恢复含高频干扰的重力异常,然后采用自适应卡尔曼滤波,以重力异常状态方程为系统方程估计实际重力异常值,并与单一卡尔曼逆滤波器的处理结果进行了对比分析.仿真和试验表明,级联卡尔曼滤波方法和单一卡尔曼逆滤波都能在一定程度上减小重力异常信号的畸变,但在相同背景条件下,级联卡尔曼滤波方法的性能优于单一逆卡尔曼滤波.
简介:Recentlytherehavebeenresearchesaboutnewefficientnonlinearfilteringtechniques[1]~[3]inwhichthenonlinearfiltersgeneralizeelegantlytononlinearsystemswithouttheburdensomelinearizationsteps.Thus,truncationerrorsduetolinearizationcanbecompensated.ThesefiltersincludetheunscentedKalmanfilter(UKF),thecentraldifferencefilter(CDF)andthedivideddifferencefilter(DDF),andtheyarealsocalledSigmaPointFilters(SPFs)inaunifiedway[4].Forhigherorderapproximationofthenonlinearfunction.ItoandXiong[6]introducedanalgorithmcalledtheGaussHermiteFilter,whichisrevisitedin[5].TheGaussHermiteFiltergivesbetterapproximationattheexpenseofhighercomputationburden,althoughit’slessthantheparticlefilter.TheGaussHermiteFilterisusedasintroducedin[5]withadditionalpruningstepbyaddingthresholdfortheweightstoreducethequadraturepoints.
简介:AnewmethodofunscentedextendedKalmanfilter(UEKF)fornonlinearsystemispresented.ThisnewmethodisacombinationoftheunscentedtransformationandtheextendedKalmanfilter(EKF).TheextendedKalmanfilterissimilartothatinaconventionalEKF.However,ineveryrunningstepoftheEKFtheunscentedtransformationisrunning,thedeterministicsampleiscaughtbyunscentedtransformation,thenposteriormeanofnonlinearityiscaughtbypropagating,buttheposteriorcovarianceofnonlinearityiscaughtbylinearizing.TheaccuracyofnewmethodisalittlebetterthanthatoftheunscentedKalmanfilter(UKF),however,thecomputationaltimeoftheUEKFismuchlessthanthatoftheUKF.