CN109341690B - 一种鲁棒高效的组合导航自适应数据融合方法 - Google Patents

一种鲁棒高效的组合导航自适应数据融合方法 Download PDF

Info

Publication number
CN109341690B
CN109341690B CN201811114577.XA CN201811114577A CN109341690B CN 109341690 B CN109341690 B CN 109341690B CN 201811114577 A CN201811114577 A CN 201811114577A CN 109341690 B CN109341690 B CN 109341690B
Authority
CN
China
Prior art keywords
updating
state
sampling point
data fusion
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811114577.XA
Other languages
English (en)
Other versions
CN109341690A (zh
Inventor
崔冰波
魏新华
李晋阳
李林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201811114577.XA priority Critical patent/CN109341690B/zh
Publication of CN109341690A publication Critical patent/CN109341690A/zh
Application granted granted Critical
Publication of CN109341690B publication Critical patent/CN109341690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种鲁棒高效的组合导航自适应数据融合方法，属于组合导航与信息融合领域。本发明基于采样点误差变换和变分贝叶斯构造新型自适应采样点更新框架，其特点在于采用迭代量测更新实现滤波信息的非线性更新，并提出采样点误差线性变换矩阵的迭代求解形式，将上述采样点更新策略融入到高斯滤波框架，易实现基于高效非线性更新的组合导航自适应数据融合。本发明所提出的数据融合方法满足非线性量测更新中量测质量较好时的高效滤波估计，改善非线性滤波的一致性和精度。

Description

一种鲁棒高效的组合导航自适应数据融合方法
技术领域
本发明属于组合导航及其它多传感器信息融合领域，具体涉及一种鲁棒高效的组合导航自适应数据融合方法。
背景技术
组合导航是运载体复杂工作环境下常用的导航方法，通过将异质异构的传感器数据进行耦合，可充分挖掘载体的动态信息，优势互补，其中尤以GNSS与惯性导航系统(INS)组合应用较为广泛。组合导航系统的状态模型可分为直接模型和间接模型两种，前者一般需要用非线性滤波方法进行状态估计，而后者在小角度误差假设不成立时也需要建立系统的非线性状态模型。严格意义上的线性系统在实际工程中不存在，且随着量测融合层次的提高，各子系统的观测量与状态量的非线性逐渐增强。目前广泛采用的组合导航系统非线性滤波方法包括扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)以及容积卡尔曼滤波(CKF)等等，由于三者均基于噪声的高斯假设以及完整的状态先验信息进行状态量的迭代估计，实际使用时需要建立自适应的噪声估计策略。
在处理卡尔曼滤波结构的不确定性上，研究人员做了大量的工作。徐定杰等在《时变有色观测噪声下基于变分贝叶斯学习的自适应卡尔曼滤波》(电子与信息学报,2013,35(7):1593-1598)中提出一种针对有色量测噪声的变分贝叶斯自适应滤波方法，仅对线性模型进行推导与验证。黄玉龙等在《一种改进的高斯近似滤波方法》(自动化学报,2016,42(3):385-401)中提出了一种新型的高斯近似滤波方法，消除了非高斯噪声对求积点生成过程的影响。上述方法均对卡尔曼滤波的产生不确定性的某一因素进行了分析和讨论，然而实际工程中的不确定性是多因素耦合的结果，此外，上述方法没有改善非线性滤波量测更新过程中存在的线性信息更新问题。
发明内容
为克服现有技术中的不足，本发明提出一种鲁棒高效的组合导航自适应数据融合方法，实现高效的量测更新和鲁棒非线性滤波。
为实现上述目的，本发明采用的技术方案为：
一种鲁棒高效的组合导航自适应数据融合方法，基于采样点误差变换和变分贝叶斯构造自适应采样点更新框架，将采样点更新框架融入到高斯滤波框架，实现基于高效非线性更新的组合导航自适应数据融合。
进一步，所述自适应采样点更新框架的构造过程为：采用迭代量测更新实现滤波信息的非线性更新，并求解采样点误差线性变换矩阵的迭代形式。
进一步，所述非线性更新过程中的系统模型包括系统方程xk＝f(xk-1)+wk-1、量测方程zk＝h(xk)+vk，其中
Figure BDA0001810183360000021
为k时刻的状态和量测向量，
Figure BDA0001810183360000022
为实数集、n为状态维数、p为量测维数，wk-1、vk为零均值的系统噪声和量测噪声，噪声对应的方差阵为Qk-1、Rk；设k-1时刻状态
Figure BDA0001810183360000023
即xk-1满足均值为
Figure BDA0001810183360000024
方差为Pk-1|k-1的高斯分布，
Figure BDA0001810183360000025
表示高斯分布；设m＝2n，经采样点逼近后k时刻的先验状态
Figure BDA0001810183360000026
则高斯框架下用于求解xk均值和方差的采样点初始化为：
Figure BDA0001810183360000027
Figure BDA0001810183360000028
其中i＝1,…,m，m＝2n为采样点个数，Sk-1|k-1＝chol(Pk-1|k-1)、Sk|k-1＝chol(Pk|k-1)，chol(·)为乔列斯基分解运算，当
Figure BDA0001810183360000029
时，扰动点向量的第i个元素
Figure BDA00018101833600000210
当
Figure BDA00018101833600000211
时，
Figure BDA00018101833600000212
为基本单位向量，表示基本单位向量中的元素除第i个之外均为0；ξi为扰动点向量的第i个元素；基于系统方程、量测方程、
Figure BDA00018101833600000213
及
Figure BDA00018101833600000214
采用特定数值积分求解规则可求得k时刻的后验状态
Figure BDA00018101833600000215
为匹配采样点传播过程的前两阶矩有：
Figure BDA00018101833600000216
Figure BDA00018101833600000217
其中
Figure BDA00018101833600000218
表示状态先验分布逼近过程的采样点误差矩阵、W＝diag(ω)表示用元素个数为m的权值向量ω＝[1/m … 1/m]构造的对角矩阵，类似地，状态后验匹配也必须满足条件：
Figure BDA00018101833600000219
Figure BDA0001810183360000031
其中
Figure BDA0001810183360000032
表示状态后验逼近过程中采样点误差矩阵，ΔEk为量测更新中存在的不确定度；设存在变换使得
Figure BDA0001810183360000033
其中g(·)为
Figure BDA0001810183360000034
的函数，取
Figure BDA0001810183360000035
则有：
Figure BDA0001810183360000036
进而可求得
Figure BDA0001810183360000037
其中Ξ为正交矩阵满足ΞΞT＝I，I为维数匹配的单位阵，
Figure BDA0001810183360000038
此外
Figure BDA0001810183360000039
其中Kk、Rk分别为k时刻的滤波增益和量测噪声方差，为提高变换函数g(·)求解的可靠性，采用变分贝叶斯实时在线估计Rk，求得k时刻状态后验的采样点误差矩阵后，可更新k+1时刻状态先验逼近过程的采样点为
Figure BDA00018101833600000310
进一步，所述非线性更新采用采样点误差线性变换矩阵的迭代求解实现，设存在
Figure BDA00018101833600000311
及
Figure BDA00018101833600000312
则对j＝1,…,N有：
步骤1)，预测状态似然函数
Figure BDA00018101833600000313
Figure BDA00018101833600000314
Figure BDA00018101833600000315
步骤2)，计算迭代更新增益
Figure BDA00018101833600000316
Figure BDA00018101833600000317
Figure BDA00018101833600000318
Figure BDA00018101833600000319
步骤3)，更新后验状态
Figure BDA0001810183360000041
Figure BDA0001810183360000042
Figure BDA0001810183360000043
步骤4)，计算后验状态采样点误差变换参数
Figure BDA0001810183360000044
Figure BDA0001810183360000045
其中
Figure BDA0001810183360000046
步骤5)，输出结果
Figure BDA0001810183360000047
及
Figure BDA0001810183360000048
状态后验采样点误差阵
Figure BDA0001810183360000049
满足
Figure BDA00018101833600000410
其中B(j)、
Figure BDA00018101833600000411
对应第j次迭代量测更新计算结果，N为迭代更新的次数，并进一步计算k+1时刻采样点为
Figure BDA00018101833600000412
本发明提供一种鲁棒高效的组合导航自适应数据融合方法，相比现有技术，具有以下有益效果：
(1)采用变分贝叶斯和采样点误差线性变换构造了一种自适应采样点更新框架，能在高斯框架内精确匹配随机变量的前两阶矩；
(2)基于非线性系统动态过程的实例化采样点改善非线性量测更新的鲁棒性，使得量测异常时状态估计器仍能跟踪状态变化，如用于GNSS短期失锁时的组合滤波；
(3)基于迭代量测的自适应采样点更新框架改善了生成采样点的质量，使得量测信息以非线性更新的方式补偿当前时刻状态预测误差，是一种高效的数据融合方法。
附图说明
图1为新型自适应采样点更新框架示意图；
图2为基于误差线性变换的高效数据融合示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种鲁棒高效的组合导航自适应数据融合方法，基于采样点误差变换和变分贝叶斯构造自适应采样点更新框架，采用迭代量测更新实现滤波信息的非线性更新，并将非线性更新效果反映到采样点误差线性变换矩阵的求解中，将上述采样点更新框架融入到高斯滤波框架，实现基于高效非线性更新的组合导航自适应数据融合。
具体过程如下：
步骤1)：建立滤波模型
组合导航离散非线性系统模型包括系统方程xk＝f(xk-1)+wk-1、量测方程zk＝h(xk)+v，其中
Figure BDA0001810183360000051
分别为k时刻的状态向量和量测向量，
Figure BDA0001810183360000052
为实数集、n为状态维数、p为量测维数，wk-1、vk为零均值的系统噪声和量测噪声，其对应的方差阵为Qk-1、Rk。
步骤2)：采样点误差阵的线性变换
设k-1时刻状态
Figure BDA0001810183360000053
即xk-1满足均值为
Figure BDA0001810183360000054
方差为Pk-1|k-1的高斯分布，设经采样点逼近k时刻的先验状态
Figure BDA0001810183360000055
则高斯框架下用于求解xk均值和方差的采样点初始化为：
Figure BDA0001810183360000056
Figure BDA0001810183360000057
其中i＝1,…,m，m＝2n为采样点个数，Sk-1|k-1＝chol(Pk-1|k-1)、Sk|k-1＝chol(Pk|k-1)，chol(·)为乔列斯基分解运算。当
Figure BDA0001810183360000058
时，扰动点向量的第i个元素
Figure BDA0001810183360000059
当
Figure BDA00018101833600000510
时，
Figure BDA00018101833600000511
为基本单位向量，表示基本单位向量中的元素除第i个之外均为0。基于系统方程、量测方程、
Figure BDA00018101833600000512
及
Figure BDA00018101833600000513
采用特定数值积分求解规则可求得k时刻的后验状态
Figure BDA00018101833600000514
将其作为下一时刻新型采样点更新框架的输入变量。
基于变分贝叶斯和采样点误差变换的新型采样点更新框架如下：为匹配采样点传播过程的前两阶矩有：
Figure BDA00018101833600000515
Figure BDA00018101833600000516
其中
Figure BDA00018101833600000517
表示状态先验分布逼近过程的采样点误差矩阵、W＝diag(ω)表示用元素个数为m的向量ω＝[1/m … 1/m]构造的对角矩阵，类似的对状态后验匹配也必须满足条件：
Figure BDA0001810183360000061
Figure BDA0001810183360000062
其中
Figure BDA0001810183360000063
表示状态后验逼近过程中采样点误差矩阵，ΔEk为量测更新中存在的不确定度。设存在变换使得
Figure BDA0001810183360000064
其中g(·)为
Figure BDA0001810183360000065
的函数，取
Figure BDA0001810183360000066
则有：
Figure BDA0001810183360000067
进而可求得k时刻采样点误差变换矩阵
Figure BDA0001810183360000068
其中Ξ为正交矩阵，满足ΞΞT＝I，I为维数匹配的单位阵；
Figure BDA0001810183360000069
此外
Figure BDA00018101833600000610
其中Kk、Rk分别为k时刻的滤波增益和量测噪声方差；为提高变换函数g(·)求解的可靠性，采用变分贝叶斯实时在线估计Rk，求得k时刻状态后验的采样点误差矩阵后，可更新k+1时刻状态先验逼近过程的采样点为
Figure BDA00018101833600000611
步骤3)：基于迭代量测更新计算采样点误差阵
Figure BDA00018101833600000612
和状态后验分布
初始化非线性信息更新的参数，包括迭代次数N、
Figure BDA00018101833600000613
及
Figure BDA00018101833600000614
对j＝1,…,N，有迭代量测更新如下：
①预测状态似然函数
Figure BDA00018101833600000615
Figure BDA00018101833600000616
Figure BDA00018101833600000617
②计算迭代更新增益
Figure BDA0001810183360000071
Figure BDA0001810183360000072
Figure BDA0001810183360000073
Figure BDA0001810183360000074
③更新后验状态
Figure BDA0001810183360000075
Figure BDA0001810183360000076
Figure BDA0001810183360000077
④计算后验状态采样点误差变换参数
Figure BDA0001810183360000078
Figure BDA0001810183360000079
其中
Figure BDA00018101833600000710
⑤输出结果
Figure BDA00018101833600000711
及
Figure BDA00018101833600000712
并进一步计算k+1时刻采样点为
Figure BDA00018101833600000713
状态后验采样点误差阵
Figure BDA00018101833600000714
满足
Figure BDA00018101833600000715
其中B(j)、
Figure BDA00018101833600000716
对应第j次迭代量测更新计算结果，N为迭代更新的次数。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种鲁棒高效的组合导航自适应数据融合方法，其特征在于，基于采样点误差变换和变分贝叶斯构造自适应采样点更新框架，将采样点更新框架融入到高斯滤波框架，实现基于高效非线性更新的组合导航自适应数据融合；
所述自适应采样点更新框架的构造过程为：采用迭代量测更新实现滤波信息的非线性更新，并求解采样点误差线性变换矩阵的迭代形式；
所述非线性更新过程中的系统模型包括系统方程xk＝f(xk-1)+wk-1、量测方程zk＝h(xk)+vk，其中
Figure FDA0003460819200000011
为k时刻的状态和量测向量，
Figure FDA0003460819200000012
为实数集、n为状态维数、p为量测维数，wk-1、vk为零均值的系统噪声和量测噪声，噪声对应的方差阵为Qk-1、Rk；设k-1时刻状态
Figure FDA0003460819200000013
即xk-1满足均值为
Figure FDA0003460819200000014
方差为Pk-1|k-1的高斯分布，
Figure FDA0003460819200000015
表示高斯分布；设m＝2n，经采样点逼近后k时刻的先验状态
Figure FDA0003460819200000016
则高斯框架下用于求解xk均值和方差的采样点初始化为：
Figure FDA0003460819200000017
Figure FDA0003460819200000018
其中i＝1,…,m，m＝2n为采样点个数，Sk-1|k-1＝chol(Pk-1|k-1)、Sk|k-1＝chol(Pk|k-1)，chol(·)为乔列斯基分解运算，ξi为扰动点向量的第i个元素；基于系统方程、量测方程、
Figure FDA0003460819200000019
及
Figure FDA00034608192000000110
采用数值积分求解规则求得k时刻的后验状态
Figure FDA00034608192000000111
为匹配采样点传播过程的前两阶矩有：
Figure FDA00034608192000000112
Figure FDA00034608192000000113
其中
Figure FDA00034608192000000114
表示状态先验分布逼近过程的采样点误差矩阵、W＝diag(ω)表示用元素个数为m的权值向量ω＝[1/m…1/m]构造的对角矩阵，类似地，状态后验匹配也必须满足条件：
Figure FDA00034608192000000115
Figure FDA00034608192000000116
其中
Figure FDA00034608192000000117
表示状态后验逼近过程中采样点误差矩阵，ΔEk为量测更新中存在的不确定度；设存在变换使得
Figure FDA0003460819200000021
其中g(·)为
Figure FDA0003460819200000022
的函数，取
Figure FDA0003460819200000023
则有：
Figure FDA0003460819200000024
进而求得
Figure FDA0003460819200000025
其中Ξ为正交矩阵满足ΞΞT＝I，I为维数匹配的单位阵，
Figure FDA0003460819200000026
此外
Figure FDA0003460819200000027
其中Kk、Rk分别为k时刻的滤波增益和量测噪声方差，为提高变换函数g(·)求解的可靠性，采用变分贝叶斯实时在线估计Rk，求得k时刻状态后验的采样点误差矩阵后，更新k+1时刻状态先验逼近过程的采样点为
Figure FDA0003460819200000028
2.如权利要求1所述的一种鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述
Figure FDA0003460819200000029
时，
Figure FDA00034608192000000210
时，
Figure FDA00034608192000000211
其中
Figure FDA00034608192000000212
为基本单位向量，表示基本单位向量中的元素除第i个外均为0。
3.如权利要求1所述的鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述非线性更新采用采样点误差线性变换矩阵的迭代求解实现，包括以下步骤：
步骤1)，预测状态似然函数，
步骤2)，计算迭代更新增益，
步骤3)，更新后验状态，
步骤4)，计算后验状态采样点误差变换参数，
步骤5)，输出结果。
4.如权利要求3所述的鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述预测状态似然函数为：
设存在
Figure FDA00034608192000000213
及
Figure FDA00034608192000000214
则对j＝1,…,N有：
Figure FDA00034608192000000215
Figure FDA00034608192000000216
Figure FDA00034608192000000217
其中：N为迭代更新的次数，j为第j次迭代。
5.如权利要求4所述的鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述迭代更新增益的计算公式为：
Figure FDA0003460819200000031
Figure FDA0003460819200000032
Figure FDA0003460819200000033
Figure FDA0003460819200000034
6.如权利要求5所述的鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述更新后验状态的过程有：
Figure FDA0003460819200000035
Figure FDA0003460819200000036
Figure FDA0003460819200000037
7.如权利要求6所述的鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述后验状态采样点误差变换参数的计算公式为：
Figure FDA0003460819200000038
Figure FDA0003460819200000039
其中
Figure FDA00034608192000000310
8.如权利要求7所述的鲁棒高效的组合导航自适应数据融合方法，其特征在于，所述输出结果包括
Figure FDA00034608192000000311
及
Figure FDA00034608192000000312
状态后验采样点误差阵
Figure FDA00034608192000000313
满足
Figure FDA00034608192000000314
其中B(j)、
Figure FDA00034608192000000315
对应第j次迭代量测更新计算结果，并进一步计算k+1时刻采样点为
Figure FDA00034608192000000316
CN201811114577.XA 2018-09-25 2018-09-25 一种鲁棒高效的组合导航自适应数据融合方法 Active CN109341690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811114577.XA CN109341690B (zh) 2018-09-25 2018-09-25 一种鲁棒高效的组合导航自适应数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811114577.XA CN109341690B (zh) 2018-09-25 2018-09-25 一种鲁棒高效的组合导航自适应数据融合方法

Publications (2)

Publication Number Publication Date
CN109341690A CN109341690A (zh) 2019-02-15
CN109341690B true CN109341690B (zh) 2022-03-22

Family

ID=65306656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811114577.XA Active CN109341690B (zh) 2018-09-25 2018-09-25 一种鲁棒高效的组合导航自适应数据融合方法

Country Status (1)

Country Link
CN (1) CN109341690B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109724599B (zh) * 2019-03-12 2023-08-01 哈尔滨工程大学 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法
CN110702095B (zh) * 2019-09-30 2022-09-16 江苏大学 一种数据驱动的高精度组合导航数据融合方法
CN116608863B (zh) * 2023-07-17 2023-09-22 齐鲁工业大学(山东省科学院) 基于Huber滤波更新框架的组合导航数据融合方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102252681A (zh) * 2011-04-18 2011-11-23 中国农业大学 基于gps和机器视觉的组合导航定位系统及方法
CN102654406A (zh) * 2012-04-11 2012-09-05 哈尔滨工程大学 基于非线性预测滤波与求容积卡尔曼滤波相结合的动基座初始对准方法
CN103778320A (zh) * 2013-12-30 2014-05-07 杭州电子科技大学 一种基于变分贝叶斯多传感器量化融合目标跟踪方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007044671B4 (de) * 2007-09-18 2013-02-21 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren zur Schätzung von Parametern eines in einer dynamischen Mehrwegeumgebung empfangenen GNSS-Navigationssignals
US8924337B2 (en) * 2011-05-09 2014-12-30 Nokia Corporation Recursive Bayesian controllers for non-linear acoustic echo cancellation and suppression systems
US9348898B2 (en) * 2014-03-27 2016-05-24 Microsoft Technology Licensing, Llc Recommendation system with dual collaborative filter usage matrix
CN104112079A (zh) * 2014-07-29 2014-10-22 洛阳理工学院 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法
US10310068B2 (en) * 2014-12-08 2019-06-04 Northrop Grumman Systems Corporation Variational track management
CN106291645B (zh) * 2016-07-19 2018-08-21 东南大学 适于高维gnss/ins深耦合的容积卡尔曼滤波方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102252681A (zh) * 2011-04-18 2011-11-23 中国农业大学 基于gps和机器视觉的组合导航定位系统及方法
CN102654406A (zh) * 2012-04-11 2012-09-05 哈尔滨工程大学 基于非线性预测滤波与求容积卡尔曼滤波相结合的动基座初始对准方法
CN103778320A (zh) * 2013-12-30 2014-05-07 杭州电子科技大学 一种基于变分贝叶斯多传感器量化融合目标跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improved Cubature Kalman Filter for GNSS/INS Based on Transformation of Posterior Sigma-Points Error;崔冰波等;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20170601;第65卷(第11期);第2975-2987页 *
Nonlinear Bayesian Estimation:From Kalman Filtering to a Broader Horizon;Huazhen Fang.et al;《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》;20180331;第5卷(第2期);第401-417页 *
基于变分贝叶斯的DR/UTP组合导航滤波方法;徐健等;《仪器仪表学报》;20161231;第37卷(第12期);第2743-2749页 *
非线性系统确定采样型滤波算法综述;王小旭等;《控制与决策》;20120630;第27卷(第6期);第801-812页 *

Also Published As

Publication number Publication date
CN109341690A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN110702095B (zh) 一种数据驱动的高精度组合导航数据融合方法
CN109341690B (zh) 一种鲁棒高效的组合导航自适应数据融合方法
CN104392136B (zh) 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法
CN104020480B (zh) 一种带自适应因子的交互式多模型ukf的卫星导航方法
CN104112079A (zh) 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法
CN110275193B (zh) 一种基于因子图的集群卫星协同导航方法
CN107727097B (zh) 基于机载分布式位置姿态测量系统的信息融合方法和装置
CN111291471B (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN114199248B (zh) 一种基于混合元启发算法优化anfis的auv协同定位方法
CN107547067A (zh) 一种多模型自校准扩展卡尔曼滤波方法
CN110132287A (zh) 一种基于极限学习机网络补偿的卫星高精度联合定姿方法
CN114626307B (zh) 一种基于变分贝叶斯的分布式一致性目标状态估计方法
CN112083457A (zh) 一种神经网络优化的imm卫星定位导航方法
Wang et al. A compensation method for gyroscope random drift based on unscented Kalman filter and support vector regression optimized by adaptive beetle antennae search algorithm
Zhao et al. Fusing vehicle trajectories and GNSS measurements to improve GNSS positioning correction based on actor-critic learning
CN114239796A (zh) 一种基于扩展卡尔曼滤波的电力系统状态估计方法
CN107562837B (zh) 一种基于道路网的机动目标跟踪算法
CN111310110B (zh) 一种高维耦合不确定系统混合状态估计方法
CN106871905B (zh) 一种非理想条件下高斯滤波替代框架组合导航方法
CN117521006A (zh) 一种基于增量学习的因子图多源信息融合方法
CN109582915B (zh) 应用于纯方位跟踪的改进非线性可观测度自适应滤波方法
CN107632959A (zh) 一种多模型自校准卡尔曼滤波方法
CN109655057B (zh) 一种六推无人机加速器测量值的滤波优化方法及其系统
CN109151760B (zh) 基于平方根容积量测加权一致的分布式状态滤波方法
CN114611068A (zh) 一种高机动目标跟踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant