基于車載組合導(dǎo)航系統(tǒng)的信息融合算法研究.pdf

1、隨著應(yīng)用環(huán)境日益復(fù)雜，如何提高車載導(dǎo)航系統(tǒng)的可靠性、自主性和抗干擾性就成為人們十分關(guān)注的一項(xiàng)研究課題。任何單一導(dǎo)航系統(tǒng)或簡單組合的導(dǎo)航系統(tǒng)都難以滿足這一要求，多傳感器信息融合技術(shù)為高質(zhì)量的導(dǎo)航提供了技術(shù)支持。本文以車載組合導(dǎo)航系統(tǒng)為應(yīng)用背景，以有效提高組合導(dǎo)航系統(tǒng)的精度、實(shí)時(shí)性為目的，在Bayes估計(jì)理論的基礎(chǔ)上，提出了幾種基于非線性濾波的多模型信息融合算法，并對(duì)所提出的方法進(jìn)行了有效性仿真驗(yàn)證。主要研究內(nèi)容歸納如下： 1．簡要

2、介紹了課題研究的背景和意義，分析了組合導(dǎo)航系統(tǒng)的發(fā)展現(xiàn)狀和趨勢，綜述了信息融合算法的發(fā)展概況及其在組合導(dǎo)航系統(tǒng)中的應(yīng)用現(xiàn)狀。 2．分別介紹了慣性導(dǎo)航和GPS導(dǎo)航的工作原理，并研究了GPS系統(tǒng)的定位定向原理和算法。依據(jù)GPS和慣性導(dǎo)航系統(tǒng)各自的特點(diǎn)，討論了將二者進(jìn)行組合的優(yōu)勢，建立了GPS/INS組合導(dǎo)航系統(tǒng)的數(shù)學(xué)模型。 3．針對(duì)EKF算法存在的局部線性化模型精度較差的問題，本文將多模型算法和EKF濾波算法相結(jié)合，在狀態(tài)估

3、計(jì)附近的多個(gè)點(diǎn)進(jìn)行線性化得到一組線性化模型，利用擴(kuò)展卡爾曼濾波得到每個(gè)模型的狀態(tài)估計(jì)，然后再對(duì)多個(gè)線性化模型估計(jì)進(jìn)行概率加權(quán)融合得到最終的融合結(jié)果，仿真結(jié)果驗(yàn)證了算法的有效性。 4．由于系統(tǒng)及環(huán)境等因素使系統(tǒng)噪聲和觀測噪聲的變化難以確定，影響了UKF算法的精度，本文將UKF與新息濾波多模型算法相結(jié)合，針對(duì)不同的噪聲建立不同的模型，解決了噪聲環(huán)境復(fù)雜的非線性系統(tǒng)動(dòng)態(tài)濾波問題，提高了UKF適應(yīng)復(fù)雜噪聲的能力。針對(duì)算法的濾波精度和切換

4、速度之間的矛盾，提出了基于馬爾可夫參數(shù)估計(jì)的交互多模型濾波，加快了模型的切換速度，在保證精度的基礎(chǔ)上提高了算法的實(shí)時(shí)性，仿真研究結(jié)果驗(yàn)證了算法的有效性。 5．粒子濾波能處理任意非線性問題，然而卻存在重要性權(quán)退化的問題，針對(duì)粒子濾波的退化現(xiàn)象，本文提出了改進(jìn)的粒子濾波算法，考慮了最新的量測信息，用UD—EKF產(chǎn)生重要性函數(shù)，在一定程度上提高了濾波精度。為應(yīng)對(duì)復(fù)雜噪聲的情況，本文將改進(jìn)粒子濾波與多模型濾波算法，提高了系統(tǒng)的濾波精度，