强跟踪自适应CKF及其在动力定位中应用.docx

强跟踪自适应CKF及其在动力定位中应用
随着船舶、飞机等运动平台的发展，精确的运动状态估计变得越来越重要。在这一过程中，动力定位技术成为了一项关键技术。动力定位是基于海底信标组成的基站系统，对运动平台进行控制和定位，以确保其瞬时定位精度和力学性能。基于卡尔曼滤波的估计方法已被广泛应用于这些平台的定位。而在实践中，可能面临噪声状况下不准确的传感器数据和环境不稳定的情况。为了在这样的情况下提高定位精度，本文提出了一种强跟踪自适应扩展卡尔曼滤波（ExtendedKalmanFilter,EKF）的方法，或称为QCKF(Quasi-continuousKalmanfilter)。
本文的主要贡献在于利用自适应滤波方式，使得该滤波器的动力学参数逐步逼近实际运动的模型参数。QCKF能够跟踪滤波器的动态变化，而且与运动系统的动力学先验知识相融合。因此，QCKF在无需重复试验中，保证了较高的精度，可以改善在环境不断地变化、传感器性能发生不确定的情况下的定位精度。此外，该方法相比传统的基于EKF的动力定位方法，在计算速度、跟踪误差、计算效率等方面都有很好的表现。
QCKF主要包括两个步骤：扩展卡尔曼滤波和模型自适应。首先，QCKF使用扩展卡尔曼滤波器来估计运动系统的状态，并使用运动系统的瞬时状态来指导更新过程。其次，采用模型自适应方法，使得QCKF逐步逼近真实运动系统的状态。这种自适应方法基于LQR算法，使用目前最好的参数预估观测向量和系统的状态变量。因此，在运动系统动态参数调整的同时，QCKF可以保持高精度的跟踪性能。
QCKF方法已验证对于不稳定环境下无需添加传感器，可以跟踪运动模型的状态。实验结果表明，该方法对于传感器误差、测量噪声的影响要小于EKF。从实验结果中可以看出，QCKF在真实动力定位应用中，可以有效提高系统精度和鲁棒性。
总的来说，本文将自适应滤波与动态定位相融合，提出了一种适用于动力定位的强跟踪自适应扩展卡尔曼滤波器（QCKF）方法。该算法不仅能够适应不同的环境，而且具有高的计算效率和跟踪性能，因此在实际应用中具有很大的潜力。