H∞鲁棒自适应CKF算法在组合导航中的应用
2018-05-08梁新宇吴建德黄国勇
梁新宇,吴建德,黄国勇,孙 磊
LIANG Xinyu1,2,WU Jiande1,2,HUANG Guoyong1,2,SUN Lei1,2
1.昆明理工大学 信息工程与自动化学院,昆明 650500
2.云南省矿物管道输送工程技术研究中心,昆明 650500
1.Faculty of Information Engineering&Automation,Kunming University of Science and Technology,Kunming 650500,China
2.Engineering Research Center for Mineral Pipeline Transportation,Kunming 650500,China
1 引言
组合导航系统就是采用数据融合技术将各导航子系统以适当方式组合起来,取长补短,以达到提高系统精度和改善系统可靠性等目的。目前,工程上组合导航采用的数据融合方法主要是卡尔曼滤波(Kalman Filter,KF)和扩展卡尔曼滤波(Extended Kalman Filter,EKF)[1]。EKF以对非线性函数进行泰勒级数展开且只保留一阶项的线性化方法,进而应用线性卡尔曼滤波框架进行递推估计,因此EKF存在一阶线性化近似精度偏低,需要计算雅克比矩阵以及要求非线性函数连续可微等自身无法克服的理论局限性[2]。为此,Julier等人基于“近似非线性函数的概率密度分布易于近似非线性函数本身”这一思路,提出了以UT变换来逼近最优状态估计框架中非线性状态后验分布的估计方法——无迹卡尔曼滤波(Unscented Kalman Filter,UKF)[3],在系统非线性程度较强的情况下,相比于传统的EKF,UKF数值稳定性较强,滤波精度较高。但对于高维系统,UKF易出现协方差阵非正定的情况,导致滤波发散[4]。基于球面径向规则的容积卡尔曼滤波(Cubature Kalman Filter,CKF)是UKF的特殊形式[2],是2009年由加拿大学者Arasaratnam等人[5-6]提出的贝叶斯近似非线性滤波算法,应用球面径向容积准则来逼近最优框架中的状态后验分布,进行相应的数值积分运算。在系统处于任何非线性程度下,球面径向容积规则都能以较高精度逼近非线性系统函数的状态后验均值及协方差,因此,CKF的精度高于通常的EKF,尤其适用于系统非线性程度较强的状态估计问题,且无需计算非线性函数的雅可比矩阵。……
