马光鹏,孙小君,2,*

(1.黑龙江大学 电子工程学院,哈尔滨 150080;2.黑龙江省信息融合估计与检测重点实验室,哈尔滨 150080)

0 引 言

众所周知，在实际生活中非线性环节普遍存在，尤其是在各种定位系统中。通常状态方程是建立在笛卡尔坐标下的，观测方程是建立在极坐标下的，这使整个定位系统呈现一种非线性特质。处理这些非线性环节的方法为线性逼近。

多传感器信息融合[1]也称多传感器数据融合，是20世纪70年代以来由于战争及高科技领域的迫切需要发展起来的一门新兴边缘学科，目前已成为备受人们关注的热门领域[2]。第二次世界大战期间，人们就已经把两传感器数据融合应用于火炮系统，增强了系统抗干扰能力，目前国内外已经提出了诸多算法，有在最小二乘法和最小方差意义下的集中式分布和混合式融合算法[3-5]，极大似然最优信息融合准则[6]，加权观测融合估计算法[7]等，但是非线性系统的融合算法结构和估计性能很大程度上取决于所采用的局部滤波方法，如扩展 Kalman 滤波 (Extend Kalman fifilter, EKF)[8]、无迹滤波 (Unscented Kalman fifilter,UKF)[9]、粒子滤波 (Particle fifilter, PF)[10-12]和求容积滤波 (Cubature Kalman fifilter, CKF)[13]等。基于不同的局部非线性滤波器所获得同类融合算法的性能也存在差别。EKF算法有很多缺点和不足[14-19]，它的近似线性化方法就是略去二阶以上Taylor级数展开式，大量信息被略去，这导致估计结果产生较大偏差。将针对这一问题进行研究。选择的CI融合算法不需要求解局部估计误差互协方差。提出的多传感器非线性系统的CI融合Kalman滤波算法将提高多传感器非线性系统的状态估计精度。……