CN110375731A - 一种混合交互式多模型滤波方法 - Google Patents
一种混合交互式多模型滤波方法 Download PDFInfo
- Publication number
- CN110375731A CN110375731A CN201910583501.XA CN201910583501A CN110375731A CN 110375731 A CN110375731 A CN 110375731A CN 201910583501 A CN201910583501 A CN 201910583501A CN 110375731 A CN110375731 A CN 110375731A
- Authority
- CN
- China
- Prior art keywords
- model
- moment
- matrix
- state
- noise
- 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.)
- Pending
Links
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种混合交互式多模型滤波方法,包括:首先建立应用对象的系统模型与观测模型,根据外信息噪声统计特性变化情况,建立总模型集并采用临近的三个模型描述当前噪声特性;采用滑动窗口对历史序列中鲁棒滤波实时噪声方差阵进行存储,根据平滑后的噪声统计特性自适应选择合适的模型;设置各模型的初始概率及各滤波器的混合初始状态、协方差矩阵,根据系统模型、观测模型进行状态估计与协方差矩阵更新过程,并采用贝叶斯假设检验方法进行模型更新;根据权重进行输出交互过程,输出最终滤波结果。以惯性/多普勒组合导航系统为例,本发明能有效地缓解多普勒测速信息中存在的噪声突变型误差及野值的干扰。
Description
技术领域
本发明是一种混合交互式多模型滤波方法,属于多传感器信息融合技术,特别适用于水下INS/DVL(惯导/多普勒)组合导航领域。
背景技术
随着科学技术的发展,依靠单传感器提供的信息已无法满足控制需要,面向复杂应用背景的多传感器系统的信息融合技术应运而生,已渗透到现代信息社会的各个角落,它的重要性越来越突出。多传感器信息融合技术就是利用计算机技术将来自多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需要的决策和估计而进行的信息处理过程。由于各个分散的传感器获得的数据会不可避免地受到许多因素制约,因此需要一种可靠的信息融合算法。
以水下INS/DVL组合导航为例,由于水下环境复杂多变,多普勒测速仪测量噪声的统计特性会随着环境的变化而变化。一个单一的观测方差矩阵不能适应长航程的积分系统。在未知水域航行时,很难得到测量噪声方差矩阵的经验值。缓解复杂水下环境下单一滤波参数对导航精度的影响成为水下导航技术的难点之一。针对以上情况亟需一种更有效的滤波方法。
发明内容
发明目的:为了更可靠更精确地信息融合,本发明提出了一种混合交互式多模型滤波方法。
技术方案:本发明所述的一种混合交互式多模型滤波方法,包括以下步骤:
S1:建立应用对象的系统模型与观测模型,根据外信息噪声统计特性变化情况,设置总模型集M={m1 m2 ... mn}并采用临近的三个模型{ms-1 ms ms+1}描述当前噪声特性;
S2:采用滑动窗口对前n时刻鲁棒滤波实时噪声方差阵Rk进行存储,根据平滑后的噪声统计特性选择合适的模型;
S3:计算各模型的初始概率,并给出各滤波器的混合初始状态及协方差矩阵;
S4:根据系统模型和各个模型采用的滤波模型,分别进行模型滤波,得到每个模型当前时刻的状态估计和协方差矩阵;
S5:采用贝叶斯假设检验方法进行模型更新;
S6:根据权重,将各模型的估计值进行加权融合,计算联合状态估计与协方差矩阵,输出交互式多模型最终滤波结果。
进一步地,所述步骤S1包括:建立系统模型与观测模型后,根据外信息噪声统计特性变化情况,设置总模型集M={m1 m2 ... mn},分别由小到大对应不同的噪声方差阵Rk,并采用临近的三个模型{ms-1 ms ms+1}描述当前噪声特性,ms-1与ms+1对应滤波更新过程为普通卡尔曼滤波,主模型ms对应鲁棒滤波。
所述步骤S2具体包括:
S2.1、根据鲁棒滤波的残差r2(k)计算实时方差阵R2(k):
其中为鲁棒滤波的状态估计向量,φ2(k,k-1)为状态转移矩阵,为k-1时刻状态向量,G2(k)为k时刻系统噪声输入矩阵,P2(k,k-1)为一步预测估计方差阵,H2(k)为k时刻的量测矩阵,PO2(k-1)为k-1时刻误差方差阵,Q2(k)为k时刻状态方差阵,r2(k)为残差,Z2(k)为k时刻的量测向量;
S2.2、对前n次实时噪声方差阵R2(k)取平均,计算平滑后的噪声方差阵
S2.3、根据平滑后的噪声方差阵与当前模型集方差阵的关系选择模型,当超过当前模型集覆盖的范围时,令s=s+1,即将Rk最小的模型ms-1去除,引入模型ms+2;当小于当前模型集覆盖的范围时,令s=s-1,即将Rk最大的模型ms+1去除,引入模型ms-2。
所述步骤S3具体包括:
S3.1、模型转换概率遵循马尔可夫过程,从k-1时刻到k时刻,模型mi(k-1)到模型mj(k)的转移概率P{mj(k)|mi(k-1)}为马尔可夫转移概率,记为Pi→j,模型mi(k-1)在时刻k的模型匹配概率为μi(k-1),根据Pi→j和μi(k-1),求得模型预测概率为:
S3.2、给出各滤波器的混合初始状态及协方差矩阵:
其中为上个时刻第i个滤波器的状态估计,Pi(k-1)为其对应的协方差矩阵,为此时刻滤波器j的状态输入,POj(k-1)为其对应的状态误差协方差矩阵。
所述步骤S4具体包括:
S4.1、根据状态方程与观测方程列写系统方程:
其中j=1~3,Xj(k)为k时刻第j个滤波器状态向量,Xj(k-1)为k-1时刻状态向量,Gj(k)为k时刻系统噪声输入矩阵,Wj(k)为k时刻系统噪声,Zj(k)为k时刻量测向量,Hj(k)为k时刻量测矩阵,Vj(k)为k时刻量测噪声;
S4.2、计算卡尔曼滤波一步预测状态向量及误差方差阵:
其中,为滤波器j的状态估计,φj(k,k-1)为状态转移矩阵,Pj(k,k-1)为一步预测估计方差阵,POj(k-1)为误差方差阵,Qj(k)为状态方差阵;
S4.3、计算卡尔曼滤波残差及其协方差:
其中,rj(k)为残差,Aj(k)为残差方差阵;
S4.4、计算卡尔曼滤波增益矩阵:
S4.5、计算卡尔曼滤波状态估计及其协方差阵:
Pj(k)=(I-Kj(k)Hj(k))Pj(k,k-1)
S4.6、在主模型中,根据卡尔曼滤波方程递推出结合k时刻的观测量Zk,得到残差:
S4.7、根据异常函数判别是否存在野值:
其中,λk为异常函数,TD为预先设定的门限;无野值时进行正常滤波,有野值时剔除此时刻的观测量,采用残差修正补偿的方法,用一个长度为l的滑动数据窗,将前l时刻的残差信息保存:
r2(k)=(r2(k-1)+r2(k-2)+...+r2(k-l))/l
若k时刻的量测量被判断为野值,则利用滑动数据窗中存储的前l时刻的残差序列平滑值替代此时刻的残差值,之后根据卡尔曼滤波方程计算最优状态向量。
所述步骤S5具体包括:
采用贝叶斯假设检验方法进行模型更新,在获取各滤波器在k时刻的残差与残差协方差矩阵后,计算该模型的似然函数:
其中m为量测向量的维数;
并计算模型在模型集中的权重,进行模型概率更新:
所述步骤S6具体包括:
根据权重,将各模型的估计值进行加权融合,计算联合状态估计与协方差矩阵,输出交互式多模型最终结果:
有益效果:
1、本发明采用多模型参数覆盖噪声协方差阵的方法,解决了单一观测噪声协方差阵在复杂环境下滤波精度下降的问题;
2、本发明在交互式多模型滤波器主模型中采用基于残差χ2检测的鲁棒滤波,有效抑制了野值干扰,同时采用残差修正补偿的方法保证了系统在野值点导航不间断;
3、本发明采用滑动窗对残差序列等信息进行存储,实时估计外信息噪声统计特性,自适应地选择模型集,提高了融合系统的可适性。本发明适用于所有信息融合系统,包括但不限于惯性/多普勒组合导航系统,惯性/卫星组合导航系统等。
附图说明
图1为本发明的混合交互式多模型滤波方法流程图;
图2为应用于INS/DVL系统时本发明的多模型滤波方法与传统方法姿态误差对比图;
图3为应用于INS/DVL系统时本发明的多模型滤波方法与传统方法速度误差对比图;
图4为应用于INS/DVL系统时本发明的多模型滤波方法与传统方法位置误差对比图。
具体实施方式
下面结合附图以水下INS/DVL组合导航为例对本发明的技术方案作进一步说明。应当了解,以下提供的实施例仅是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的技术构思,本发明还可以用许多不同的形式来实施,并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
本发明提供的一种混合交互式多模型滤波方法,实现原理如图1所示。以水下INS/DVL组合导航为例,其流程主要包括以下步骤:
步骤S1,根据INS和DVL的误差特性,建立INS/DVL组合系统模型。具体包括以下过程:
S1.1、建立INS姿态、速度、位置微分方程:
其中:
为从载体坐标系到导航坐标系的转换矩阵,为从导航坐标系到载体坐标系的转换矩阵,(×)为叉乘,Vn为导航坐标系下的载体速度,Gn为导航坐标系下重力矢量的投影,为在载体坐标系下从载体坐标系到导航坐标系的角速度,为导航坐标系下地球旋转矢量的投影,为导航坐标系下载体从地球坐标系到导航坐标系的角速度,L为纬度,λ为经度,RM和RN分别为子午圈与卯酉圈半径,和fb为IMU输出,代表相对于惯性系的角速度与比力信息,Ω为地球旋转角速度,VN和VE分别为北向与东向速度。
S1.2、建立INS误差模型:
其中φn为失准角, 为从载体坐标系到导航坐标系的转换矩阵,εb为陀螺仪误差,Vn为速度矢量,δ为相关量误差,为导航坐标系下地球旋转矢量的投影,为加速度计误差,fb为加速度计输出,L为纬度,λ为经度,h为高度,VN VE VU分别为北向、东向与天向速度,RM和RN分别为子午圈与卯酉圈半径。
S1.3、建立DVL对地测速模型:
其中为DVL对地速度测量值,为DVL对地速度真值,δK为标度因子误差,vd-G为量测噪声。
S1.4、根据前三步建立的INS和DVL模型,选取状态变量:
其中δVE δVN δVU为东北天方向的速度误差,φx,φy,φz为各轴向的失准角,为各轴向的加速度误差,εx,εy,εz为各轴向的陀螺仪误差,δK为DVL的标度因子误差。
S1.5根据INS和DVL各自的误差模型,建立INS/DVL组合系统的状态方程:
其中,X为状态向量,F为系统矩阵,W为系统噪声。FINS矩阵中Cij(i,j=1,2,3)为的元素,fE,fN,fU分别为东北天方向的比力测量值。其余如下:
F37=2VEΩsinL
F57=-ΩsinL
S1.6、选取INS载体系速度和DVL测得的外信息差值作为观测量,建立观测方程:
其中为载体坐标系下INS计算速度,为DVL对地速度测量值,为失准角对应的方向余弦矩阵。
略去小量项,得到组合系统的量测方程:
Z=HX+Vd-G
其中,Z为量测向量,X为状态向量,H为量测方程,Vd-G为量测噪声。
步骤S2,根据组合系统外信息噪声统计特性变化情况,设置总模型集M={m1 m2... mn}并采用临近的三个模型{ms-1 ms ms+1}描述当前噪声特性。
具体包括以下过程:
根据外信息噪声统计特性变化情况,如图1中模型池模块所示,设置总模型集M={m1 m2 ... mn},分别由小到大对应不同的噪声方差阵Rk。采用临近的三个模型{ms-1 msms+1}描述当前噪声特性,ms-1模型与ms+1模型对应的滤波更新过程是普通的卡尔曼滤波,ms为主模型对应鲁棒滤波。
步骤S3,采用滑动窗口对前n时刻鲁棒滤波实时噪声方差阵R2(k)进行存储,根据平滑后的噪声统计特性选择合适的模型。
具体包括以下过程:
S3.1、如图1中自适应模型选择模块,根据上一时刻鲁棒滤波的残差r2(k)计算实时方差阵R2(k):
其中为鲁棒滤波的状态估计向量,φ2(k,k-1)为状态转移矩阵,为k-1时刻状态向量,G2(k)为k时刻系统噪声输入矩阵,P2(k,k-1)为一步预测估计方差阵,H2(k)为k时刻的量测矩阵,PO2(k-1)为k-1时刻误差方差阵,Q2(k)为k时刻状态方差阵,r2(k)为残差,Z2(k)为k时刻的量测向量。
S3.2、对前n次实时噪声方差阵R2(k)取平均,计算平滑后的噪声方差阵
S3.3、根据平滑后的噪声方差阵与当前模型集方差阵的关系滑动选择模型,当超过当前模型集覆盖的范围时,令s=s+1,即将Rk最小的模型ms-1去除,引入模型ms+2。当小于当前模型集覆盖的范围时,令s=s-1,即将Rk最大的模型ms+1去除,引入模型ms-2。
步骤S4,计算各模型的初始概率,并给出各滤波器的混合初始状态及协方差矩阵。
具体包括以下过程:
S4.1、模型转换概率遵循马尔可夫过程,从k-1时刻到k时刻,模型mi(k-1)到模型mj(k)的转移概率P{mj(k)|mi(k-1)}为马尔可夫转移概率,记为Pi→j,一般采用预先设置的常数。模型mi(k-1)在时刻k的模型匹配概率为μi(k-1)。如图1中初始模型预测概率模块,根据Pi→j和μi(k-1),可以推导出模型预测概率为:
S4.2、如图1中输入交互模块,给出各滤波器的混合初始状态及协方差矩阵:
其中为上个时刻第i个滤波器的状态估计,Pi(k-1)为其对应的协方差矩阵。为此时刻滤波器j的状态输入,POj(k-1)为其对应的状态误差协方差矩阵。
步骤S5,根据步骤一建立的系统模型和各个模型采用的滤波模型(卡尔曼滤波、鲁棒滤波等),分别进行模型滤波,得到每个模型当前时刻的状态估计和协方差矩阵。
如上对当前模型集建立相应的滤波模型,从小到大依次为:ms-1模型对应的普通卡尔曼滤波(副模型)、ms模型对应的鲁棒滤波(主模型)、ms+1模型对应的普通卡尔曼滤波(副模型)。应当了解,此处采用的滤波模型仅是举例说明,而不是限制本发明的模型集中必须使用这样的滤波模型,其他不同的卡尔曼、自适应、鲁棒滤波器组合排列也在本发明保护范围之内。分别进行模型滤波,得到每个模型当前时刻的状态估计和协方差矩阵。具体包括以下过程:
S5.1、根据步骤S1建立的状态方程与观测方程列写离散化系统方程:
其中j=1~3,Xj(k)为k时刻第j个滤波器状态向量,Xj(k-1)为k-1时刻状态向量,Gj(k)为k时刻系统噪声输入矩阵,Wj(k)为k时刻系统噪声,Zj(k)为k时刻量测向量,Hj(k)为k时刻量测矩阵,Vj(k)为k时刻量测噪声;
S5.2、计算卡尔曼滤波一步预测状态向量及误差方差阵:
S5.3、计算卡尔曼滤波残差及其协方差:
其中,rj(k)为残差,Aj(k)为残差方差阵;
S5.4、计算卡尔曼滤波增益矩阵:
S5.5、计算卡尔曼滤波状态估计及其协方差阵:
Pj(k)=(I-Kj(k)Hj(k))Pj(k,k-1)
S5.6、在主模型中j=2,根据卡尔曼滤波方程递推出结合k时刻的观测量Zk,得到残差:
S5.7、根据异常函数判别是否存在野值:
其中,λk为异常函数,TD为预先设定的门限。TD决定了检测的性能,选取时要兼顾误警率和漏检率两个因素。无野值时进行正常滤波,有野值时剔除此时刻的观测量,采用残差修正补偿的方法。用一个长度为l的滑动数据窗,将前l时刻的残差信息保存:
r2(k)=(r2(k-1)+r2(k-2)+...+r2(k-l))/l
当k时刻的量测量被判断为野值,则利用滑动数据窗中存储的前l时刻的残差序列平滑值替代此时刻的残差值,之后根据卡尔曼滤波方程计算最优状态向量。
步骤S6,采用贝叶斯假设检验方法进行模型更新。
如图1中模型概率更新模块,采用贝叶斯假设检验方法进行模型更新。在获取各滤波器在k时刻的残差与残差协方差矩阵后,计算该模型的似然函数:
其中m为量测向量的维数。
计算模型在模型集中的权重,进行模型概率更新:
步骤S7,根据权重,将各模型的估计值进行加权融合,计算联合状态估计与协方差矩阵,输出交互式多模型最终结果。
如图1中输出交互模块,根据权重将各模型的估计值进行加权融合,计算联合状态估计与协方差矩阵,输出交互式多模型最终滤波结果。
图2至图4为应用于INS/DVL系统时(DVL信息中包含噪声突变型误差和野值),本发明所述方法与传统交互式多模型滤波方法的姿态、速度、位置误差对比图。从图中可以看出,与传统交互式多模型滤波方法相比,本发明提出的混合交互式多模型滤波的姿态、速度、位置误差性能均更优,本发明能有效地缓解多普勒测速信息中存在的噪声突变型误差及野值的干扰。最后应当说明的是,以上仅是本发明的较佳实施例例示,本发明适用于所有信息融合系统,包括但不限于惯性/多普勒组合导航系统,惯性/卫星组合导航系统等。
Claims (7)
1.一种混合交互式多模型滤波方法,其特征在于,所述方法包括以下步骤:
S1:建立应用对象的系统模型与观测模型,根据外信息噪声统计特性变化情况,设置总模型集M={m1 m2 ... mn}并采用临近的三个模型{ms-1 ms ms+1}描述当前噪声特性;
S2:采用滑动窗口对前n时刻鲁棒滤波实时噪声方差阵Rk进行存储,根据平滑后的噪声统计特性选择合适的模型;
S3:计算各模型的初始概率,并给出各滤波器的混合初始状态及协方差矩阵;
S4:根据系统模型和各个模型采用的滤波模型,分别进行模型滤波,得到每个模型当前时刻的状态估计和协方差矩阵;
S5:采用贝叶斯假设检验方法进行模型更新;
S6:根据权重,将各模型的估计值进行加权融合,计算联合状态估计与协方差矩阵,输出交互式多模型最终滤波结果。
2.根据权利要求1所述的混合交互式多模型滤波方法,其特征在于,所述步骤S1包括:建立系统模型与观测模型后,根据外信息噪声统计特性变化情况,设置总模型集M={m1 m2... mn},分别由小到大对应不同的噪声方差阵Rk,并采用临近的三个模型{ms-1 ms ms+1}描述当前噪声特性,ms-1与ms+1对应滤波更新过程为普通卡尔曼滤波,主模型ms对应鲁棒滤波。
3.根据权利要求2所述的混合交互式多模型滤波方法,其特征在于,所述步骤S2具体包括:
S2.1、根据鲁棒滤波的残差r2(k)计算实时方差阵R2(k):
其中为鲁棒滤波的状态估计向量,φ2(k,k-1)为状态转移矩阵,为k-1时刻状态向量,G2(k)为k时刻系统噪声输入矩阵,P2(k,k-1)为一步预测估计方差阵,H2(k)为k时刻的量测矩阵,PO2(k-1)为k-1时刻误差方差阵,Q2(k)为k时刻状态方差阵,r2(k)为残差,Z2(k)为k时刻的量测向量;
S2.2、对前n次实时噪声方差阵R2(k)取平均,计算平滑后的噪声方差阵
S2.3、根据平滑后的噪声方差阵与当前模型集方差阵的关系选择模型,当超过当前模型集覆盖的范围时,令s=s+1,即将Rk最小的模型ms-1去除,引入模型ms+2;当小于当前模型集覆盖的范围时,令s=s-1,即将Rk最大的模型ms+1去除,引入模型ms-2。
4.根据权利要求2所述的混合交互式多模型滤波方法,其特征在于,所述步骤S3具体包括:
S3.1、模型转换概率遵循马尔可夫过程,从k-1时刻到k时刻,模型mi(k-1)到模型mj(k)的转移概率P{mj(k)|mi(k-1)}为马尔可夫转移概率,记为Pi→j,模型mi(k-1)在时刻k的模型匹配概率为μi(k-1),根据Pi→j和μi(k-1),求得模型预测概率为:
S3.2、给出各滤波器的混合初始状态及协方差矩阵:
其中为上个时刻第i个滤波器的状态估计,Pi(k-1)为其对应的协方差矩阵,为此时刻滤波器j的状态输入,POj(k-1)为其对应的状态误差协方差矩阵。
5.根据权利要求2所述的混合交互式多模型滤波方法,其特征在于,所述步骤S4具体包括:
S4.1、根据状态方程与观测方程列写系统方程:
其中j=1~3,Xj(k)为k时刻第j个滤波器状态向量,Xj(k-1)为k-1时刻状态向量,Gj(k)为k时刻系统噪声输入矩阵,Wj(k)为k时刻系统噪声,Zj(k)为k时刻量测向量,Hj(k)为k时刻量测矩阵,Vj(k)为k时刻量测噪声;
S4.2、计算卡尔曼滤波一步预测状态向量及误差方差阵:
其中,为滤波器j的状态估计,φj(k,k-1)为状态转移矩阵,Pj(k,k-1)为一步预测估计方差阵,POj(k-1)为误差方差阵,Qj(k)为状态方差阵;
S4.3、计算卡尔曼滤波残差及其协方差:
其中,rj(k)为残差,Aj(k)为残差方差阵;
S4.4、计算卡尔曼滤波增益矩阵:
S4.5、计算卡尔曼滤波状态估计及其协方差阵:
Pj(k)=(I-Kj(k)Hj(k))Pj(k,k-1)
S4.6、在主模型中,根据卡尔曼滤波方程递推出结合k时刻的观测量Zk,得到残差:
S4.7、根据异常函数判别是否存在野值:
其中,λk为异常函数,TD为预先设定的门限;无野值时进行正常滤波,有野值时剔除此时刻的观测量,采用残差修正补偿的方法,用一个长度为l的滑动数据窗,将前l时刻的残差信息保存:
r2(k)=(r2(k-1)+r2(k-2)+...+r2(k-l))/l
若k时刻的量测量被判断为野值,则利用滑动数据窗中存储的前l时刻的残差序列平滑值替代此时刻的残差值,之后根据卡尔曼滤波方程计算最优状态向量。
6.根据权利要求5所述的混合交互式多模型滤波方法,其特征在于,所述步骤S5具体包括:
采用贝叶斯假设检验方法进行模型更新,在获取各滤波器在k时刻的残差与残差协方差矩阵后,计算该模型的似然函数:
其中m为量测向量的维数;
并计算模型在模型集中的权重,进行模型概率更新:
7.根据权利要求6所述的混合交互式多模型滤波方法,其特征在于,所述步骤S6具体包括:
根据权重,将各模型的估计值进行加权融合,计算联合状态估计与协方差矩阵,输出交互式多模型最终结果:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583501.XA CN110375731A (zh) | 2019-07-01 | 2019-07-01 | 一种混合交互式多模型滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583501.XA CN110375731A (zh) | 2019-07-01 | 2019-07-01 | 一种混合交互式多模型滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110375731A true CN110375731A (zh) | 2019-10-25 |
Family
ID=68251408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583501.XA Pending CN110375731A (zh) | 2019-07-01 | 2019-07-01 | 一种混合交互式多模型滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110375731A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110887652A (zh) * | 2019-12-04 | 2020-03-17 | 武汉大学 | 加速度计的振动探测与位移提取的交互多模型检测方法 |
CN112989260A (zh) * | 2021-02-07 | 2021-06-18 | 湖北理工学院 | 一种自动加料称重系统的交互式多模型滤波方法 |
CN113532433A (zh) * | 2021-09-16 | 2021-10-22 | 智道网联科技(北京)有限公司 | Imu噪声标定方法及装置 |
CN114741659A (zh) * | 2022-04-24 | 2022-07-12 | 江苏集萃清联智控科技有限公司 | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 |
CN115790669A (zh) * | 2023-02-08 | 2023-03-14 | 河海大学 | 基于最大熵平滑变结构滤波的dvl误差自适应标定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852615A (zh) * | 2010-05-18 | 2010-10-06 | 南京航空航天大学 | 一种用于惯性组合导航系统中的改进混合高斯粒子滤波方法 |
US20120086606A1 (en) * | 2010-10-08 | 2012-04-12 | Mathews Michael B | Doppler aided inertial navigation |
CN107966143A (zh) * | 2017-11-14 | 2018-04-27 | 济南大学 | 一种基于多窗口的自适应efir数据融合方法 |
CN109459019A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法 |
-
2019
- 2019-07-01 CN CN201910583501.XA patent/CN110375731A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852615A (zh) * | 2010-05-18 | 2010-10-06 | 南京航空航天大学 | 一种用于惯性组合导航系统中的改进混合高斯粒子滤波方法 |
US20120086606A1 (en) * | 2010-10-08 | 2012-04-12 | Mathews Michael B | Doppler aided inertial navigation |
CN107966143A (zh) * | 2017-11-14 | 2018-04-27 | 济南大学 | 一种基于多窗口的自适应efir数据融合方法 |
CN109459019A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法 |
Non-Patent Citations (1)
Title |
---|
YIQING YAO 等: "A Hybrid IMM Based INS/DVL Integration Solution for Underwater Vehicles", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110887652A (zh) * | 2019-12-04 | 2020-03-17 | 武汉大学 | 加速度计的振动探测与位移提取的交互多模型检测方法 |
CN110887652B (zh) * | 2019-12-04 | 2021-06-29 | 武汉大学 | 加速度计的振动探测与位移提取的交互多模型检测方法 |
CN112989260A (zh) * | 2021-02-07 | 2021-06-18 | 湖北理工学院 | 一种自动加料称重系统的交互式多模型滤波方法 |
CN113532433A (zh) * | 2021-09-16 | 2021-10-22 | 智道网联科技(北京)有限公司 | Imu噪声标定方法及装置 |
CN113532433B (zh) * | 2021-09-16 | 2021-11-30 | 智道网联科技(北京)有限公司 | Imu噪声标定方法及装置 |
CN114741659A (zh) * | 2022-04-24 | 2022-07-12 | 江苏集萃清联智控科技有限公司 | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 |
CN115790669A (zh) * | 2023-02-08 | 2023-03-14 | 河海大学 | 基于最大熵平滑变结构滤波的dvl误差自适应标定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110375731A (zh) | 一种混合交互式多模型滤波方法 | |
Heo et al. | Consistent EKF-based visual-inertial odometry on matrix Lie group | |
Davari et al. | An asynchronous adaptive direct Kalman filter algorithm to improve underwater navigation system performance | |
CN111156987B (zh) | 基于残差补偿多速率ckf的惯性/天文组合导航方法 | |
Jiancheng et al. | Study on innovation adaptive EKF for in-flight alignment of airborne POS | |
CN105737823B (zh) | 一种基于五阶ckf的gps/sins/cns组合导航方法 | |
CN106643715A (zh) | 一种基于bp神经网络改善的室内惯性导航方法 | |
CN108225308A (zh) | 一种基于四元数的扩展卡尔曼滤波算法的姿态解算方法 | |
CN105716610B (zh) | 一种地磁场模型辅助的载体姿态和航向计算方法和系统 | |
Kang et al. | A human motion tracking algorithm using adaptive EKF based on Markov chain | |
Qin et al. | Accuracy improvement of GPS/MEMS-INS integrated navigation system during GPS signal outage for land vehicle navigation | |
Huang et al. | Variational Bayesian-based filter for inaccurate input in underwater navigation | |
CN106441291A (zh) | 一种基于强跟踪sdre滤波的组合导航系统及导航方法 | |
de La Parra et al. | Low cost navigation system for UAV's | |
Sabet et al. | Experimental analysis of a low-cost dead reckoning navigation system for a land vehicle using a robust AHRS | |
Zhang et al. | An integrated navigation method for small-sized AUV in shallow-sea applications | |
Du et al. | A hybrid fusion strategy for the land vehicle navigation using MEMS INS, odometer and GNSS | |
Krishnamurthy et al. | A self-aligning underwater navigation system based on fusion of multiple sensors including DVL and IMU | |
Davari et al. | Multirate adaptive Kalman filter for marine integrated navigation system | |
CN113029173A (zh) | 车辆导航方法及装置 | |
Zmitri et al. | Inertial velocity estimation for indoor navigation through magnetic gradient-based EKF and LSTM learning model | |
Roux et al. | Cnn-based invariant extended kalman filter for projectile trajectory estimation using imu only | |
Vertzberger et al. | Adaptive attitude estimation using a hybrid model-learning approach | |
Kaygısız et al. | Enhancing positioning accuracy of GPS/INS system during GPS outages utilizing artificial neural network | |
CN114543793B (zh) | 车辆导航系统的多传感器融合定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |