CN113376672A - 基于模糊卡尔曼滤波的北斗伪距定位算法 - Google Patents
基于模糊卡尔曼滤波的北斗伪距定位算法 Download PDFInfo
- Publication number
- CN113376672A CN113376672A CN202110628632.2A CN202110628632A CN113376672A CN 113376672 A CN113376672 A CN 113376672A CN 202110628632 A CN202110628632 A CN 202110628632A CN 113376672 A CN113376672 A CN 113376672A
- Authority
- CN
- China
- Prior art keywords
- kalman filtering
- fuzzy
- estimation
- variance
- robust
- 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.)
- Withdrawn
Links
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
- G01S19/42—Determining position
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Navigation (AREA)
Abstract
针对最小二乘无法对观测数据中的粗差进行处理以及扩展卡尔曼滤波对初始位置敏感且量测噪声方差不变的问题,提出一种结合抗差M估计和模糊卡尔曼滤波的定位算法来提高北斗导航的伪距定位精度。该算法首先利用抗差M估计对用户端的初始位置进行定位解算,然后将解算出的位置坐标作为模糊卡尔曼滤波的初始值,最后通过模糊推理系统(FIS)得到的修正值在线调整模糊卡尔曼滤波的量测噪声,进而提高北斗导航系统的定位精度。仿真结果表明所提算法相比扩展卡尔曼滤波精度大约提高了60%。
Description
技术领域
本发明涉及一种模糊卡尔曼伪距定位算法,特别是一种基于抗差M估计的模糊卡尔曼伪距定位算法。
背景技术
北斗卫星导航系统是我国自主创建研发的卫星导航系统,不仅在交通运输、农业林业、水力监测等领域都得到普遍应用,还可以为用户端提供全天候、全天时的高精度定位服务。但提高北斗定位精度仍然受到很多因素的限制。如:复杂的信道环境,导致信号无法传播;系统误差和随机误差对伪距测量的干扰导致定位精度不高。
目前已经提出大量关于伪距定位的算法,如牛顿迭代法、极大似然估计、最小二乘法、卡尔曼滤波算法等。这些算法在提高北斗导航伪距定位精度上得到了广泛的应用。
发明内容
本发明主要针对解决最小二乘无法对观测数据中的粗差无法进行处理以及卡尔曼滤波对初始位置敏感且量测噪声方差不变的问题,提出一种基于模糊卡尔曼滤波算法进行伪距定位。
本发明一种基于模糊卡尔曼滤波的北斗伪距定位算法算法由两部分构成,即抗差M估计以及模糊卡尔曼滤波。抗差M估计基于Huber影响函数抑制观测值粗差;模糊卡尔曼滤波基于扩展卡尔曼滤波加入模糊控制系统实时调节滤波增益,进而提高定位精度。
所述抗差M估计算法考虑到粗差对定位精度的影响,在最小二乘法的基础上加入Hunber影响函数自动为含有粗差的观测值分配小的加权值,达到抑制粗差的目的。
所述模糊卡尔曼滤波算法考虑到量测噪声具有随机性,但扩展卡尔曼滤波中的量测噪声的方差从始自终都采用初始计算时的先验值,因此引入模糊控制系统调节量测噪声的协方差矩阵来减小滤波发散。
附图说明
图1是模糊逻辑控制器的隶属度函数示意图;
图2是扩展卡尔曼滤波算法在X、Y、Z三个方向的误差对比图;
图3是模糊卡尔曼滤波在X、Y、Z三个方向的误差对比图;
图4是扩展卡尔曼滤波与模糊卡尔曼滤波运动轨迹与接收机真实轨迹对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明,本发明一种基于模糊卡尔曼滤波的北斗伪距定位算法由两部分构成,即抗差M估计以及模糊卡尔曼滤波。抗差M估计基于Huber影响函数抑制观测值粗差;模糊卡尔曼滤波基于扩展卡尔曼滤波加入模糊控制系统实时调节滤波增益,进而提高定位精度。
抗差M估计基于最二乘法实现的。在北斗导航系统中,最小二乘法是伪距定位系统的观测方程。初始值处线性化得到的系统观测模型为:,为m×l的矢量,其表示状态残差,即真实位置与初始化后得到的位置之间的差值, m为当前历元下的卫星个数。为m×l的矢量,其表示伪距残差即伪距的观测值与估计值之间的差值;矩阵是一个的观测矩阵;表示m×l的误差矢量,其元素一般假设为相互独立的高斯随机过程。首先用最小二乘法解算此线性方程,目标函数为:
初始值处的最小二乘解和伪距残差矢量为:
当测量噪声为高斯分布时,最小二乘估计为最优估计。但北斗导航系统中观测量中含有粗差会直接影响最小二乘定位精度,因此采用M估计抑制粗差。其目标函数为:
采用Huber函数给含有粗差的观测值赋予小的权值:
扩展卡尔曼滤波有两个系统模型:系统观测模型以及系统状态模型。
xk和 xk-1分别表示为历元k和历元k-1下的系统状态向量;Ak,k-1表示为历元 k-1到历元k的状态转移矩阵;yk表示为历元k的观测量;Bk表示为状态量和观测量之间的关系矩阵;和表示高斯白噪声,均值为零,且相互独立。
扩展卡尔曼滤波包含预测和更新两个过程,其预测方程为:
状态先验估计值
求解先验估计值的协方差
Qk是系统噪声序列的方差阵,其更新方程为:
滤波增益矩阵
Rk为测量噪声序列的方差阵
对状态更新
对协方差阵更新
量测噪声具有随机性,但扩展卡尔曼滤波中的量测噪声的方差从始自终都采用初始计算时的先验值,因此采用模糊卡尔曼滤波调整量测噪声的协方差矩阵来减小滤波发散。
新息(rk)是观测量估计值与观测量真实值的差,公式为:
由扩展卡尔曼滤波递推公式可以看出,Kk决定了对新息利用程度。因此当外部量测噪声增大时通过减少Kk来降低对新息使用。而Kk本身由Rk、决定,则通过可以增加Rk来减少Kk。 tk为测量噪声调整因子。则式改写为
由模糊推理系统(FIS)可以计算出调整因子tk。tk可以对量测噪声方差进行调整。模糊推理系统采用单输入单输出Mamdani模糊逻辑控制器,将每一步的残差实测方差与理论方差的比值作为输入,输出为tk。模糊规则为:
Fk是残差的实测方差阵,它受新息影响公式为:
N为统计数。Dk是残差的理论方差阵,其公式为:
Ck是残差的实测方差矩阵和残差的理论方差矩阵的商,其公式为:
每进行一次滤波FIS更新一次输出值即tk,对量测噪声方差矩阵进行在线调整。
为了验证本发明一种基于模糊卡尔曼滤波的北斗伪距定位算法的精度,使用MATLAB仿真工具,与扩展卡尔曼滤波算法进行比较分析,仿真误差对比结果如表1所述。
表1仿真误差对比结果
表1 误差对比
实验方案 | X平均误差/m | Y平均误差/m | Z平均误差/m |
扩展卡尔曼滤波 | 14.45 | 27.46 | 18.72 |
模糊卡尔曼滤波 | -3.96 | -17.75 | -12.21 |
仿真结果表明扩展卡尔曼滤波在X、Y、Z 三个方向的平均误差为14.45m、27.46m、18.72m,定位误差较大,滤波不平滑。
仿真结果表明模糊卡尔曼滤波算法的误差更小,滤波结果也更加平滑。模糊卡尔曼滤波的定位解算结果相较于扩展卡尔曼滤波的定位精度有了明显提高,且收敛过程也明显缩短,实现了更加精确的定位。
最后将本发明将扩展卡尔曼滤波运动轨迹、真实轨迹以及模糊卡尔曼滤波进行误差对比。仿真表明扩展卡尔曼滤波与真实值之间存在的误差较大且拟合度不高; 而模糊卡尔曼滤波运动轨迹更加集中而且均匀的分布在真实轨迹四周,拟合程度较好。故模糊卡尔曼滤波对定位误差具有极好的改进。
Claims (1)
1.基于模糊卡尔曼滤波的北斗伪距定位算法,其特征在于:抗差M估计以及模糊卡尔曼滤波两个部分,抗差M估计通过采用Huber函数给含有粗差的观测值分配小的权值,有
其中为等价权矩阵;表示伪距残差矢量;是方差的估计值,而模糊卡尔曼滤波算法是基于扩展卡尔曼滤波引入模糊控制系统(FIS),利用模糊推理系统得到的调整因子tk对量测噪声方差实时调整,进而提高定位精度,因为滤波增益Kk本身由测量噪声序列的方差Rk、先验估计值的协方差决定,通过可以增加来减少Kk ,具体步骤为:
其中Bk表示为状态量和观测量之间的关系矩阵,因此当外部量测噪声增大时通过减少Kk来降低对新息使用,进而提高定位精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110628632.2A CN113376672A (zh) | 2021-06-07 | 2021-06-07 | 基于模糊卡尔曼滤波的北斗伪距定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110628632.2A CN113376672A (zh) | 2021-06-07 | 2021-06-07 | 基于模糊卡尔曼滤波的北斗伪距定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113376672A true CN113376672A (zh) | 2021-09-10 |
Family
ID=77575944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110628632.2A Withdrawn CN113376672A (zh) | 2021-06-07 | 2021-06-07 | 基于模糊卡尔曼滤波的北斗伪距定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-06-07 CN CN202110628632.2A patent/CN113376672A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN108304612B (zh) | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 | |
CN108255791B (zh) | 基于分布式传感器一致性的机动目标跟踪方法 | |
CN110061716B (zh) | 一种基于最小二乘和多重渐消因子的改进kalman滤波方法 | |
CN106599368A (zh) | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 | |
CN111181529B (zh) | 一种应用于非线性高斯模型的平滑约束扩展卡尔曼滤波方法 | |
CN107607972A (zh) | 一种基于实数编码自适应遗传算法的整周模糊度快速获取方法 | |
CN107515414B (zh) | 一种电离层闪烁下基于矢量跟踪的自适应卡尔曼滤波方法 | |
CN113376672A (zh) | 基于模糊卡尔曼滤波的北斗伪距定位算法 | |
CN112986906A (zh) | 一种半正定规划的rss-toa联合定位方法 | |
CN116520380A (zh) | 一种基于自适应卡尔曼滤波的动态目标组合定位方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN109115228B (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN110532517A (zh) | 基于改进的arukf的燃气管道参数估计方法 | |
CN104407366B (zh) | 一种对伪距进行平滑处理的方法 | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
CN112986977A (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
CN115047505B (zh) | 基于载波相位差分辅助的gnss定位方法及导航方法 | |
CN110940999A (zh) | 一种基于误差模型下的自适应无迹卡尔曼滤波方法 | |
CN113835064B (zh) | 一种协同校正源观测信息的加权多维标度tdoa定位方法 | |
Gao et al. | Improved innovation-based adaptive estimation for measurement noise uncertainty in SINS/GNSS integration system | |
CN112954637B (zh) | 一种锚节点位置不确定情况下的目标定位方法 | |
CN113671551B (zh) | Rtk定位解算方法 | |
CN110649911B (zh) | 一种基于α散度的分布式非线性卡尔曼滤波方法 | |
Ou et al. | An improved node localization based on adaptive iterated unscented Kalman filter for WSN | |
CN110572875A (zh) | 一种基于改进的机器学习算法的无线定位方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210910 |
|
WW01 | Invention patent application withdrawn after publication |