权值自适应调整Unscented粒子滤波及其在组合导航中的应用.docx

权值自适应调整Unscented粒子滤波及其在组合导航中的应用
引言
组合导航是利用多个不同的传感器，利用它们提供的信息实时计算出导航系统的动态状态信息的技术。通俗来说，在组合导航系统中，需要将多个传感器获取的信息进行综合，以获得更准确的导航解算结果。其中，各类滤波算法是组合导航中必不可少的核心技术，它通过将传感器和导航系统本身误差的概率分布统一到一个基于贝叶斯框架的方法中，实时计算并预测导航系统状态的最优解。
针对传感器的不同特点和精度，组合导航系统中常用的滤波算法有很多，其中，非线性滤波算法在复杂场景的处理中表现优秀。基于此，Unscented粒子滤波(UnscentedParticleFilter,UPF)作为非线性滤波的一种方法，因其无须进行数值微分等数学变换而被广泛使用。然而，UPF在组合导航中依然存在着提高扩散误差和样本退化的缺点，为此，本文针对UPF的权值不易调整的问题，提出了一种权值自适应调整的UPF在组合导航中的应用方法，并进行了对比实验。
1.研究背景与意义
为了提高组合导航的精度和鲁棒性，在UPF中对权值调整研究具有重要意义。目前，在UPF应用中常使用的权值是经验确定的，传统的UPF和其改进型算法同样存在权值的难以确定和调整的问题。而这一问题会导致UPF算法在实际应用中，去除噪声成分的效果不佳，样本出现退化现象。为了提升UPF的性能，相关学者提出了一系列的算法改进方案。其中，权值自适应调整(UnscentedParticleFilterwithAdaptiveWeights,UPAW)是一种常见的改进算法。该算法能够自适应地调整UPF中的权值，使其更适合不同环境下的应用。
2.研究现状
UPAW算法作为UPF的改进算法，其核心思想在于针对UPF中权值调整问题，结合粒子滤波中的改进方法，实现粒子权值与粒子的卡尔曼增益相关联。UPAW算法将UPF的权值调整部分与量测函数和状态方程混合在了一起，根据卡尔曼增益的大小来自适应地调整权值的大小，从而防止粒子退化现象的发生。
UPAW算法在组合导航中的应用研究也较为广泛。相关文献表明，UPAW算法成功地解决了实际应用中UPF的样本退化问题，并能够实现更为准确的导航解算。此外，UPAW算法还可以用于多传感器环境下，通过自适应调整权值实现传感器信息的融合。
3.方法、步骤及实验结果
本文的实验主要分为两个部分：UPF与UPAW算法的实现以及组合导航的应用场景测试。在UPF与UPAW算法实现过程中，我们采取了C++编程，利用Matlab进行一系列的数据处理。首先，我们分别对传统的UPF和UPAW进行了实现。接着，我们统计了样本退化的情况并对UPAW算法进行了改善，提升了算法的稳定性。我们后续使用室内、室外等真实场景测试数据，进行了组合导航的应用测试。测试结果显示，UPAW算法在常见应用环境中的精度稳定性最佳，大量扩展实验表明UPAW在解决UPF中权值调整问题的同时，有效提升了导航系统整体的精度和稳定性。
4.总结与展望
在传感器的信息融合、导航系统的数据校准等组合导航中的实际应用中，权值的调整是非常重要且必不可少的一步。本文从UPAW算法出发，通过改善UPF中的退化问题，在应用场景中得到了一定的应用。未来，我们将进一步深入研究UPAW算法的相互关系、权值调整、机理等等，使其在集成具有内在联系的传感器中实现更高的性能表现。同时，我们也将探究其他非线性滤波算法以及其他的自适应调整算法，为组合导航的提升做好基础工作。