CN110632629A - 一种适用于高动态非平稳系统的自适应卡尔曼滤波方法 - Google Patents
一种适用于高动态非平稳系统的自适应卡尔曼滤波方法 Download PDFInfo
- Publication number
- CN110632629A CN110632629A CN201910877933.1A CN201910877933A CN110632629A CN 110632629 A CN110632629 A CN 110632629A CN 201910877933 A CN201910877933 A CN 201910877933A CN 110632629 A CN110632629 A CN 110632629A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- receiver
- kalman filtering
- high dynamic
- carrier
- 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.)
- Granted
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000036461 convulsion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,包括步骤:S1:建立接收机高动态状态模型;S2:对接收机建立高动态观测模型;S3:对非平稳噪声进行自适应估计;S4:钟差闭环反馈校正。用自适应卡尔曼滤波算法对高动态、非平稳噪声场景中对载体的位置、速度、加速度、钟差和钟漂进行最优估计。
Description
技术领域
本发明涉及钟差闭环校正的自适应卡尔曼滤波定位解算算法领域,尤其涉及一种适用于高动态非平稳系统的自适应卡尔曼滤波方法。
背景技术
定位解算是卫星导航(GNSS)中核心模块之一,该模块根据基带观测量和星历数据求解出用户的速度、位置、接收机钟差和钟漂等信息,其性能指标直接反映接收机的整体性能水平,是RNSS接收机重要组成部分。由于载体在高动态运动时使接收机环路跟踪难度变大、观测量噪声加大且其统计特性具有时变性,传统的卡尔曼滤波算法在这种高动态、非平稳噪声场景中存在误差增大甚至发散的缺点。
发明内容
本发明的目的在于克服现有技术的缺点,提供一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,用自适应卡尔曼滤波算法对高动态、非平稳噪声场景中对载体的位置、速度、加速度、钟差和钟漂进行最优估计。
本发明的目的是通过以下技术方案来实现的:一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,包括以下步骤:
S1:建立接收机高动态状态模型;
S2:对接收机建立高动态观测模型;
S3:对非平稳噪声进行自适应估计;
S4:钟差闭环反馈校正;
S5:得出卡尔曼滤波最优估计。
进一步的,步骤S1包括以下子步骤:
S11:对高动态载体的运动学模型为:
将运动学模型在ECEF坐标系中表示为向量形式:
Xs=(x,xv,xa,y,yv,ya,z,zv,za)T
其中x,y,z表示三个方向上的位置,xv,yv,zv表示三个方向上的速度,z,zv,za表示接收机三个方向上的加速度;
系统状态模型为:
Ws(t)=[0 0 ωx 0 0 ωy 0 0 ωz]T;
S12:对接收机钟差和钟漂建模为为:
进一步的,步骤S2包括以下子步骤:
S21:对接收机可见卫星的伪距ρi观测量建模为:
其中xsi,ysi,zsi分别代表对应卫星的坐标位置,τ,分别为接收机的钟差和钟漂;
进一步的,步骤S3包括以下子步骤:
S31:采用修正瑞利概率密度表示当前加速度,当前加速度为正时,概率密度为:
其中amax>0为已知用户加速度正上限,a为用户的瞬时加速度,μ>0为一常数。a的均值和方差分别为:
当前加速度为负时,概率密度为:
其中amax>0为已知用户加速度正上限,a为用户的瞬时加速度,μ>0为一常数。a的均值和方差分别为:
自适应计算过程噪声方程矩阵
其离散化表达式为:
其中:
采用当前统计模型,由预测的加速度状态值计算得到加速度方差:
进一步的,卡尔曼滤波最优估计包括载体的位置、速度、加速度、钟差和钟漂。
本发明的有益效果是:
(1)本发明在误差二范数最小的准则下最优;
(2)现有卡尔曼滤波技术不能适用于高动态载体运动场景,本发明在载体高动态运动时可以最优估计载体的位置、速度、加速度、钟差和钟漂;
(3)本发明在非平稳噪声环境中可以自适应调节卡尔曼滤波参数,可以在载体高动态运动中实时准确估计运动参数。
附图说明
图1为本发明流程框图;
图2为本发明实施例流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1-2所示,一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,包括以下步骤:
S1:建立接收机高动态状态模型;
S2:对接收机建立高动态观测模型;
S3:对非平稳噪声进行自适应估计;
S4:钟差闭环反馈校正;
S5:最优估计载体的位置、速度、加速度、钟差和钟漂。
步骤S1包括以下子步骤:
S11:对高动态载体的运动学模型为:
将运动学模型在ECEF坐标系中表示为向量形式:
Xs=(x,xv,xa,y,yv,ya,z,zv,za)T
其中x,y,z表示三个方向上的位置,xv,yv,zv表示三个方向上的速度,z,zv,za表示接收机三个方向上的加速度;
系统状态模型为:
Ws(t)=[0 0 ωx 0 0 ωy 0 0 ωz]T;
S12:对接收机钟差和钟漂建模为为:
WT(t)=[ωτ,ωτ]T。
步骤S2包括以下子步骤:
S21:对接收机可见卫星的伪距ρi观测量建模为:
步骤S3包括以下子步骤:
S31:采用修正瑞利概率密度表示当前加速度,当前加速度为正时,概率密度为:
其中amax>0为已知用户加速度正上限,a为用户的瞬时加速度,μ>0为一常数。a的均值和方差分别为:
当前加速度为负时,概率密度为:
其中amax>0为已知用户加速度正上限,a为用户的瞬时加速度,μ>0为一常数。a的均值和方差分别为:
自适应计算过程噪声方程矩阵
其离散化表达式为:
其中:
采用当前统计模型,由预测的加速度状态值计算得到加速度方差:
本发明所提出的一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,用自适应卡尔曼滤波算法对高动态、非平稳噪声场景中对载体的位置、速度、加速度、钟差和钟漂进行最优估计。
Claims (5)
1.一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,其特征在于:包括以下步骤:
S1:建立接收机高动态状态模型;
S2:对接收机建立高动态观测模型;
S3:对非平稳噪声进行自适应估计;
S4:钟差闭环反馈校正;
S5:得出卡尔曼滤波最优估计。
2.根据权利要求1所述的一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,其特征在于:所述步骤S1包括以下子步骤:
S11:对高动态载体的运动学模型为:
将运动学模型在ECEF坐标系中表示为向量形式:
Xs=(x,xv,xa,y,yv,ya,z,zv,za)T
其中x,y,z表示三个方向上的位置,xv,yv,zv表示三个方向上的速度,z,zv,za表示接收机三个方向上的加速度;
系统状态模型为:
Ws(t)=[0 0 ωx 0 0 ωy 0 0 ωz]T;
S12:对接收机钟差和钟漂建模为为:
4.根据权利要求1所述的一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,其特征在于:所述步骤S3包括以下子步骤:
S31:采用修正瑞利概率密度表示当前加速度,当前加速度为正时,概率密度为:
其中amax>0为已知用户加速度正上限,a为用户的瞬时加速度,μ>0为一常数。a的均值和方差分别为:
当前加速度为负时,概率密度为:
其中amax>0为已知用户加速度正上限,a为用户的瞬时加速度,μ>0为一常数。a的均值和方差分别为:
自适应计算过程噪声方程矩阵
其离散化表达式为:
其中:
采用当前统计模型,由预测的加速度状态值计算得到加速度方差:
5.根据权利要求1所述的一种适用于高动态非平稳系统的自适应卡尔曼滤波方法,其特征在于:所述卡尔曼滤波最优估计包括载体的位置、速度、加速度、钟差和钟漂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877933.1A CN110632629B (zh) | 2019-09-17 | 2019-09-17 | 一种适用于高动态非平稳系统的自适应卡尔曼滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877933.1A CN110632629B (zh) | 2019-09-17 | 2019-09-17 | 一种适用于高动态非平稳系统的自适应卡尔曼滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110632629A true CN110632629A (zh) | 2019-12-31 |
CN110632629B CN110632629B (zh) | 2023-12-08 |
Family
ID=68971147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877933.1A Active CN110632629B (zh) | 2019-09-17 | 2019-09-17 | 一种适用于高动态非平稳系统的自适应卡尔曼滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632629B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070218931A1 (en) * | 2006-03-20 | 2007-09-20 | Harris Corporation | Time/frequency recovery of a communication signal in a multi-beam configuration using a kinematic-based kalman filter and providing a pseudo-ranging feature |
US20130249733A1 (en) * | 2012-03-21 | 2013-09-26 | Apple Inc. | GNSS Navigation Solution Using Inequality Constraints |
WO2018014602A1 (zh) * | 2016-07-19 | 2018-01-25 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN109425876A (zh) * | 2017-08-22 | 2019-03-05 | 北京自动化控制设备研究所 | 一种提高定位精度的改进卡尔曼滤波方法 |
CN110109162A (zh) * | 2019-03-26 | 2019-08-09 | 西安开阳微电子有限公司 | 一种gnss接收机自适应的卡尔曼滤波定位解算方法 |
-
2019
- 2019-09-17 CN CN201910877933.1A patent/CN110632629B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070218931A1 (en) * | 2006-03-20 | 2007-09-20 | Harris Corporation | Time/frequency recovery of a communication signal in a multi-beam configuration using a kinematic-based kalman filter and providing a pseudo-ranging feature |
US20130249733A1 (en) * | 2012-03-21 | 2013-09-26 | Apple Inc. | GNSS Navigation Solution Using Inequality Constraints |
WO2018014602A1 (zh) * | 2016-07-19 | 2018-01-25 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN109425876A (zh) * | 2017-08-22 | 2019-03-05 | 北京自动化控制设备研究所 | 一种提高定位精度的改进卡尔曼滤波方法 |
CN110109162A (zh) * | 2019-03-26 | 2019-08-09 | 西安开阳微电子有限公司 | 一种gnss接收机自适应的卡尔曼滤波定位解算方法 |
Non-Patent Citations (6)
Title |
---|
刘红光等: ""自适应非相干矢量跟踪环路设计"", 《中国惯性技术学报》 * |
刘红光等: ""自适应非相干矢量跟踪环路设计"", 《中国惯性技术学报》, vol. 26, no. 3, 30 June 2018 (2018-06-30) * |
滕云龙等: "提高GPS定位精度的改进卡尔曼滤波算法研究", 《现代电子技术》 * |
滕云龙等: "提高GPS定位精度的改进卡尔曼滤波算法研究", 《现代电子技术》, no. 03, 29 February 2008 (2008-02-29) * |
贺瑞: ""高动态GNSS接收机跟踪技术研究"", 《CNKI优秀硕士学位论文全文库,基础科学》 * |
贺瑞: ""高动态GNSS接收机跟踪技术研究"", 《CNKI优秀硕士学位论文全文库,基础科学》, no. 3, 15 March 2013 (2013-03-15), pages 2 - 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN110632629B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11466990B2 (en) | Square-root multi-state constraint Kalman filter for vision-aided inertial navigation system | |
CN109459019B (zh) | 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法 | |
US10907971B2 (en) | Square root inverse Schmidt-Kalman filters for vision-aided inertial navigation and mapping | |
CN110595466B (zh) | 轻量级的基于深度学习的惯性辅助视觉里程计实现方法 | |
CN105593877A (zh) | 基于动态地构建的环境地图数据进行物体追踪 | |
CN104501814A (zh) | 一种基于视觉和惯性信息的姿态与位置估计方法 | |
CN112285676A (zh) | 激光雷达与imu外参标定方法及装置 | |
CN107807069B (zh) | 一种海面溢油的自适应跟踪控制方法及其系统 | |
CN106896824A (zh) | 一种基于目标函数的多auv编队控制方法 | |
CN112556696B (zh) | 一种对象定位方法、装置、计算机设备以及存储介质 | |
CN113740871A (zh) | 一种在高动态环境下的激光slam方法、系统设备及存储介质 | |
CN110989682A (zh) | 基于单基站的无人机精准降落方法 | |
CN108829123A (zh) | 一种四旋翼飞行器控制方法、系统和装置 | |
CN116309731A (zh) | 一种基于自适应卡尔曼滤波的多目标动态跟踪方法 | |
CN110751266A (zh) | 一种无人机轨迹预测模块及其预测方法 | |
CN114370878B (zh) | 一种基于stackf的多auv协同定位方法 | |
Bai et al. | Enhancing localization of mobile robots in distributed sensor environments for reliable proximity service applications | |
CN110632629A (zh) | 一种适用于高动态非平稳系统的自适应卡尔曼滤波方法 | |
CN113608534A (zh) | 一种无人艇跟踪控制方法及系统 | |
CN111290008A (zh) | 一种动态自适应扩展卡尔曼滤波容错算法 | |
KR101483549B1 (ko) | 입자 생성 및 선별을 통한 카메라 위치 추정 방법 및 이동 시스템 | |
CN107679016B (zh) | 一种基于lms算法的船用捷联惯导系统水平阻尼方法 | |
CN116295414A (zh) | 基于鲸鱼算法优化的AUV-UFastSLAM算法 | |
CN114018250B (zh) | 惯性导航方法、电子设备、存储介质和计算机程序产品 | |
CN111338347B (zh) | 一种基于单目视觉的水面航行器有限时间连续控制方法 |
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 |