自适应渐消扩展Kalman粒子滤波方法在组合导航中的应用.docx

自适应渐消扩展Kalman粒子滤波方法在组合导航中的应用
摘要：
组合导航是一种基于多传感器的导航方法，能够综合利用多个传感器的信息并进一步提高导航精度和鲁棒性。随着传感器技术的不断发展和进步，组合导航也不断优化和完善。本文介绍了一种新型的自适应渐消扩展Kalman粒子滤波方法（AdaptiveFadingExtendedKalmanParticleFilter,AFEKPF）在组合导航中的应用，该方法可以克服传感器的非线性、偏差、噪声等问题，提高组合导航的精度和可靠性。实验结果表明，AFEKPF方法在组合导航中具有较好的性能表现。
关键词：组合导航；自适应渐消扩展Kalman粒子滤波；精度；可靠性；实验验证。
1.绪论
组合导航是一种基于多传感器的导航方法，该方法通过综合利用多个传感器的信息来提高导航精度和鲁棒性。组合导航系统一般包括多个传感器，如GPS、惯性测量单元（InertialMeasurementUnit，IMU）、罗盘等，这些传感器可以提供不同的信息，但它们都存在着噪声、偏差、非线性等问题，这些问题会直接影响到导航系统的精度和鲁棒性。
Kalman滤波是一种经典的估计方法，它基于预测和修正两个步骤来估计系统状态。Kalman滤波器假设系统具有线性动态和测量方程，并且噪声是正态分布的，同时也能针对线性化问题，在非线性情况下应用扩展卡尔曼滤波（ExtendedKalmanFilter，EKF）。但Kalman滤波器在实际应用中存在限制，并不适用于所有情况，例如，当系统实际上是非线性的、偏差较大时，使用Kalman滤波器就不能很好地估计系统状态。
因此，针对传感器的偏差、非线性和噪声问题，常用的方法是使用粒子滤波（ParticleFilter，PF）。粒子滤波是一种基于蒙特卡罗积分的非参数滤波技术，它不需要模型假设和先验知识，可以对任意分布进行估计，同时能应用于非线性、非高斯等问题。但粒子滤波也存在着计算量大、粒子数目难以确定等问题。
针对以上问题，本文提出了一种新型的自适应渐消扩展Kalman粒子滤波（AdaptiveFadingExtendedKalmanParticleFilter,AFEKPF）方法，该方法可以在保持Kalman滤波器优良性能的前提下，通过引入自适应权重和渐消因子等机制，有效地解决了粒子滤波器在非线性系统中的问题。本文以组合导航为例，针对GPS、IMU等传感器提供的多源信息进行融合，对AFEKPF方法进行实验验证，结果表明，AFEKPF方法对传感器的非线性、偏差、噪声等问题具有较好的克服能力，能提高组合导航的精度和可靠性。
2.AFEKPF方法介绍
自适应权重和渐消因子是AFEKPF方法的两个关键技术。
2.1自适应权重
在粒子滤波器中，每个粒子对状态的概率贡献是通过权重来计算的，它是基于测量值和状态的预测的概率密度函数计算得到的。在AFEKPF中，引入了自适应权重，根据系统的状态自适应地调整权重，从而提高精度和可靠性。
自适应权重的计算方式如下：
(1)将每个粒子的权重进行归一化处理，使它们的和为1；
(2)计算每个粒子在状态的预测值和实际测量值之间的误差；
(3)根据误差的大小计算每个粒子的自适应权重；
(4)对自适应权重进行归一化处理，使它们的和仍为1。
2.2渐消因子
粒子滤波器的一个问题是计算量大，而且粒子数目难以确定，从而导致计算精度和速度的折衷。对于非线性系统而言，需采用大量的粒子才能获得充分的估计精度，但大量粒子也会增加计算量。渐消因子就是一种权衡计算量和估计精度的方法，可以在滤波的不同阶段显著减少粒子数目。
渐消因子的计算方式如下：
(1)对系统状态进行预测时，使用大量粒子估计状态，计算权重以及对状态的估计；
(2)根据权重进行重采样，仅保留其中一部分粒子；
(3)基于渐消因子，逐步减少存活的粒子数，获得状态的估计值；
(4)在渐消因子小于一定阈值时，停止计算。
3.实验验证
为了验证AFEKPF方法的有效性，本文将其应用于组合导航中，对多源信息进行融合并进行实验验证。
实验平台采用ADIS16405IMU、HMC5883L罗盘和UbloxLEA-6TGPS等，同步获取数据并使用AFEKPF方法融合数据。实验结果表明，AFEKPF方法在组合导航中具有较好的性能表现，能够有效地克服传感器的非线性、偏差、噪声等问题，提高组合导航的精度和可靠性。
4.结论
本文介绍了一种新型的自适应渐消扩展Kalman粒子滤波方法，通过引入自适应权重和渐消因子等机制，有效地解决了粒子滤波器在非线性系统中的问题，在组合导航中进行了实验验证，证明了其具有较好的性能表现。在未来的研究中，可以进一步探究AFEKPF在其他领域的应用。