无香卡尔曼滤波器带有非线性传播模型在导航应用中的使用.pdfVIP

1

无香卡尔曼滤波器带有非线性传播模型在导

航应用中的使用

AmitLevy,ItzikKlein

摘要—无香料卡尔曼滤波器是一种常用的导航应用非线性估计确切噪声协方差是一项挑战性任务，但非常重要，因为

算法。均值和协方差矩阵的预测对于滤波器的稳定行为至关重不确定性可能会降低滤波器估计性能甚至导致其发散。

要。这种预测是通过根据手头的动力学模型传播西格玛点来完成因此，在文献中提出了调整过程和测量噪声协方差矩阵

的。在本文中，我们介绍了一种创新的方法，根据导航误差状态

的方法，引入了自适应滤波器的概念。

向量的非线性动态模型传播西格玛点。这提高了滤波器的精度和

本导航性能。我们使用自主水下航行器在几种情况下记录的真实传自适应EKF算法被设计用于在线学习过程噪声协方差

译感器数据演示了我们提出方法的优势。[4–7]。最近，引入了一种自适应神经UKF（ANUKF），

能够动态调整过程噪声矩阵，并因此应对惯性融合问题

中IndexTerms—惯性导航，卡尔曼滤波，非线性滤波，传感器[8]的非线性特性。

2融合无论滤波器是否为自适应类型，UKF都会使用动态模

v

2型来传播状态向量和协方差矩阵。如果动态模型不准

8

0I.介绍确，则会降低性能并可能导致滤波发散。当将UKF应

0用于提高导航系统性能时，一些作者使用导航解作为状

1线性卡尔曼滤波器是一种用于在高斯分布和高斯噪声

.态向量，如[9]和[10]所示。通常还会使用导航误差解

7存在情况下对线性动态系统状态进行估计的最小均方

0误差最优估计器。对于非线性问题，使用扩展卡尔曼滤作为状态向量，以增强未定方程变换的准确性[11]。在

5

2波器（EKF）。EKF使用一阶偏导数（雅可比矩阵）对此处引入了一种用于惯性导航系统/全球导航卫星系统

:

v系统和测量模型进行线性化，同时将卡尔曼滤波传播步（INS/GNSS）融合的模型预测UKF。

i

x骤（或更新步骤）应用于误差状态协方差矩阵[1]。线在本文中，我们介绍了无迹卡尔曼滤波导航误差状态传

r

a播方法（UKF-NESPM），使用导航算法本身精确地传

性化过程在后验均值和协方差中引入了错误，导致次

播Sigma点，使我们能够捕捉到确切的动力学功能。我

优性能，并且有时会导致EKF[2]发散。为了解决这个

们通过自主水下航行器（AUV）在多个场景中记录的真

问题，Julier和Uhlmann[3]引入了无迹卡尔曼滤波器

实传感器数据展示我们的提议方法的好处。

（UKF）。其基本思想是概率分布比任意非线性函数更

本文其余部分组织如下：第II节描述了UKF算法。第

容易近似。为此，UKF使用精心选择的sigma点来捕

III节介绍了我们的建议方法。第IV节展示了我们的

捉状态均