基于UKF的车载GPSDR组合导航系统滤波算法研究石连东.pptVIP

* 基于UKF的车载GPS/DR 组合导航系统滤波算法研究 报 告 人：石连东 指导教师：井元伟 教授 二○○九年月 主要内容 结论与展望 仿真结果与分析 UKF算法组合导航系统 EKF算法组合导航系统 建立数学模型 引言 引言 随着科学技术的不断发展和人们生活水平的不断提高，汽车作为一种主要的交通工具在人们的日常生活中发挥着越来越重要的作用，但同时随着人类对汽车的过分依赖和汽车数量的不断增加，由此产生了如交通拥挤、能源浪费、环境污染、交通事故和行车安全性等一系列问题。而车载导航定位系统会有效的解决很大问题。 随着我国经济的快速发展和人民生活水平的提高，汽车已不再是一种奢侈品。我国的汽车保有量在不断增加，而配备有车辆定位和导航设备的车辆数量很少，这是一个亟待开发的巨大市场。 引言 因此研究开发低成本、高定位精度的定位导航系统，必将产生巨大的经济效益，同时在改善我国交通状况，提高行车安全性和防止盗车等犯罪率等方面都将发挥重要的作用。对于车辆定位导航系统，一个关键性的问题就是要能够准确、实时的获取车辆的位置信息，即采用何种定位方法成为关键。 目前，最为常用定位方法有全球定位系统(Global Positioning System, GPS)和航位推算(Dead Reckoning, DR)两种。 引言 GPS具有全球、全天候、高精度、实时三维的测定位置和速度的能力，容易受到高楼或者隧道等障碍物的遮挡。DR系统在短时间内这些传感器精度较高且成本低；但对于长时间的定位需要采取措施避免误差累积，需要给定初始位置信息，无法单独定位。 选用一种良好的数据融合方式，来提高数据融合的精度且能够满足系统实时性的要求也就成为研究的重点。EKF(Extended Kalman Filtering, EKF)和UKF (Unscented Kalman Filtering, UKF)是两种比较理想的处理非线性系统数据融合的滤波方法。 建立数学模型 GPS系统建模 其中 (2.1) 建立数学模型 DR系统的建模 其中 (2.2) 建立数学模型 DR系统的建模 (2.3) (2.4) EKF 卡尔曼滤波的基本方程 EKF算法组合导航系统 (3.1a) (3.1b) (3.1c) (3.1d) (3.1e) 联合卡尔曼滤波 EKF算法组合导航系统 (3.2) (3.3) 针对DR系统的非线性数学模型式(2.2)进行泰勒级数展开 EKF算法组合导航系统 最终可得到非线性系统的线性干扰方程： (3.4) 扩展卡尔曼滤波流程如下 设置初始值 令 计算一步预测值 计算量测值的偏差 EKF算法组合导航系统 线性干扰方程卡尔曼滤波 求得状态最优估计值 令 ，返回第(2)步，进行 时刻滤波 。 UKF算法组合导航系统 UKF是利用非线性变换之前的概率分布知识进行采样，然后将各采样点进行非线性变换，与EKF相比摆脱了线性化过程，也就不用求取雅可比矩阵。基于UKF的GPS/DR联合滤波器仍然应用DR系统的非线性方程式(2.2)的数学模型进行滤波处理。 本文应用对称采样策略、扩展对称采样策略、偏度简化采样策略、超球体的简化采样策略以及四阶矩精度采样策略五种采样策略的UKF对GPS/DR组合导航系统进行滤波，以适应不同技术指标的要求。 UKF算法组合导航系统 扩展对称采样策略UKF在GPS/DR组合导航系统中的应用 基于扩展对称sigma点采样策略UKF的GPS/DR联合滤波算法流程如下： 设置初始值 计算采样点 UKF算法组合导航系统 扩展对称采样策略UKF在GPS/DR组合导航系统中的应用 非线性变换 预测方程 UKF算法组合导航系统 扩展对称采样策略UKF在GPS/DR组合导航系统中的应用 更新方程 令 ，返回第(2)步，进行 时刻滤波 。 其中所得 即是最优估计值。 与EKF相比，UKF的至少能够达到到变换后的二阶精度，而EKF只能够达到一阶精度。UKF不需要计算雅克比矩阵 ，且计算复杂度与EKF相当。 UKF算法组合导航系统 通用采样策略 在UKF算法中，最重要的是确定sigma采样点样策略，也就是确定使用sigma点的个数、位置以相应权值。sigma点的选择应确保其抓住非线性变换前的最重要的特征。假设