共查询到10条相似文献，搜索用时 15 毫秒
1.
航天器姿态确定的模型具有严重的非线性性。而采样卡尔曼滤波(UKF)通过采用一组确定性采样得到的Sigma点比扩展卡尔曼滤波(EKF)能够更准确地近似初始分布,使滤波在不准确的初始条件下更快地收敛。利用修正罗德里格参数(MRPs)表示姿态,用动力学方程进行角速率的传播,利用UKF的改进算法迭代采样卡尔曼滤波(IUKF)对航天器的姿态进行估计。在分析IUKF性能的基础上进一步对IUKF算法作了改进,通过仿真算例将3种方法进行了比较。结果表明:IUKF及改进IUKF算法姿态参数的滤波精度比UKF更高,同时改进IUKF算法比IUKF的滤波能更快趋于稳定。 相似文献
2.
将UKF(Unscented Kalman Filter)方法用于惯性/重力组合导航系统.UKF方法设计了少量的呈高斯分布的σ点,在每个更新过程中,σ点随着非线性状态方程和测量方程传播,从而获得滤波值及较高的计算精度,而且避免了对非线性方程的线性化过程.仿真结果表明:UKF方法比传统卡尔曼滤波及其改进的滤波模型都有更高的估计精度,并能有效的克服非线性严重时出现的滤波发散问题. 相似文献
3.
从统计线性回归的角度对无味变换(unscented transformation,UT)进行分析,推导了迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)。针对IUKF计算量大的问题,结合弦线迭代法和IUKF,得到了一种新的混合迭代无味卡尔曼滤波器。数值仿真的结果表明,新滤波算法的精度优于扩展卡尔曼滤波、迭代扩展卡尔曼滤波和无味卡尔曼滤波,并可以有效降低IUKF的计算量。 相似文献
4.
无味卡尔曼滤波(UKF)是一种通过采样来近似非线性分布,从而对非线性问题进行次优估计的滤波方法。利用实时观测得到的重力异常以及航行区域参考重力异常图,可以建立基于重力异常的UKF滤波匹配导航算法,以此校正惯性导航系统的漂移误差。针对选取与UT变换相同权系数来求取预测观测值而可能导致求得的预测观测值为伪观测值的问题,提出了利用关联概率密度函数对采样观测值进行加权的重力异常UKF滤波匹配导航算法。通过对某实验区域的实验进行计算分析,结果表明,基于关联概率密度加权重力异常UKF滤波算法能够克服传统加权预测观测值带来伪观测信息的问题,将惯性导航系统经纬向漂移误差降低至1.1 n mile以内,均优干传统加权算法和纯惯性导航系统的定位精度。 相似文献
5.
6.
在GPS/INS组合导航中,传统UKF(Unscented Kalman Filter)计算量大,无法满足实时性要求。而且当动力学模型受到异常扰动误差影响时,其精度与稳定性易受到影响。针对以上问题,利用最小偏度单形采样策略降低UKF计算量以提高精度;通过自适应调整过程噪声以降低动态异常扰动误差对UKF精度与稳定性的影响。由此提出了一种改进UKF算法,用于GPS/INS组合导航。仿真实验结果表明,改进UKF算法用于GPS/INS组合导航的精度要优于UKF算法。 相似文献
7.
研究伪距定位中衰减记忆无迹卡尔曼滤波(MAUKF)方法,针对衰减记忆UKF滤波器可能因衰减因子引入造成滤波精度降低、滤波收敛速度并没有得到改善的问题,本文依据预测残差的统计量,对衰减记忆UKF滤波算法进行了改进。仿真结果表明,该算法相比衰减记忆UKF算法提高了定位精度和收敛速度。 相似文献
8.
9.
针对无迹卡尔曼滤波(UKF)在非高斯噪声或统计特性不准确时滤波精度会下降甚至发散等问题,提出了一种基于Huber-M估计的无迹卡尔曼滤波导航算法。首先采用奇异值分解(SVD)迭代计算代替协方差矩阵的迭代变换;然后将Huber方法用于UKF框架中,使先验信息和量测信息进行重构;最终以达到克服传统UKF滤波器稳定性差的问题,提高滤波抗差能力。对提出算法进行GPS/UWB组合导航仿真验证,并与EKF和UKF进行了比较。实验结果表明,加入M估计的SVD-UKF在噪声统计特性不准确时和加入随机观测异常状态下都可以将滤波器性能提高25%～40%,与其他两种算法相比,本文所提算法的定位误差能快速收敛,并保持较高滤波精度。 相似文献