正在加载图片...
第4期 孙尧,等:自适应扩维UKF算法在SNS/GPS组合导航系统中的应用 ·347· 假设Hk+1是行满秩的.当H+1不存在全零列 针对自适应渐消矩阵的计算,当H+,不存在全 时,自适应渐消矩阵为 零列时,可由式(5)~(7)获得;否则,采用式(5)、 Sk+1=(H+1Hk+1)-H+2k+1Hk+1. (7) (6)、(8)~(10).在此基础上,可以得到经自适应渐 从而通过式(7)得到经自适应渐消矩阵修正后的一 消矩阵修正后的一步预测协方差矩阵为 步预测误差协方差矩阵. P+=S+IP++P+P (13) 在组合导航系统中H+1存在全零列的情况十 3AFM-AUKF算法 分常见,此时假设系统状态维数为,系统观测量维 数为m,H+1中全零列的维数为P,将H+1表达为如 相对于经典卡尔曼滤波,UKF主要解决的是随 式(8): 机向量沿非线性函数的传播问题.UKF算法用一组 Hk+1=[H-P)0m9]. (8) 确定的Sigma点来近似状态分布,通过Unscented变 渐消因子矩阵的计算过程为: 换来逼近系统状态的后验均值和协方差].使用 S=(HH)-HH, (9) AFM-AUKF算法时,首先以对称采样策略获得Sig rSP)x(a-p) ma点,通过时间更新和量测更新,得到系统一步预 Sk+1= 0px(n-p) (10) 0(m-p)9 测的误差协方差矩阵P+k和后验协方差矩阵 式中:=a-m. PP进而通过式(3)~(6)、(11)(当 H1存在全零列时,通过(3)~(4)、(6)~(9)、 2AFM在UKF算法中的等价描述 (11))得到自适应渐消矩阵Sk+1和经修正后的一步 通过以上分析可以看出,计算自适应渐消因子 预测误差协方差矩阵P+1k·此时,一步预测误差协 和渐消矩阵的方法都是基于卡尔曼滤波框架的,需 方差矩阵Pk+1被修正为P+1k,则后验协方差矩阵 要获得系统的状态转移矩阵和量测矩阵等信息.然 Pnn应随之被修正为珍成n 而,在AUKF算法中,状态转移矩阵和量测矩阵等系 而此时的Sigma点无法完成这一修正过程,故需要 统信息无法直接获得;因此,无法通过卡尔曼滤波框 利用+k和P+,重新生成服从均值为无+1k、方 架下的计算方法得到AUKF滤波器的自适应渐消矩 差为P+k的高斯分布的Sigma点,并重新进行量测 阵.由于AUKF与UKF算法在原理上是相同的,因 更新,进而得到P函P1,最后根据系统状 此,通过UKF的等价描述,可以得到AUKF滤波器 态一步预测+和后验协方差矩阵P 自适应渐消矩阵的计算方法. P完成对系统状态的点估计. 根据卡尔曼滤波和UKF算法的等价描述]: 考虑如下非加性噪声的非线性离散系统: (Pi=HPR xk1=f(k,u,,g), P=P lzk+1=h(k+1,x+1,wk1) (11) Ki=PP 式中:k≥0为离散时间变量;x∈R”为状态向量; 4∈R”为输入向量;z∈R为输出向量;非线性函数 =PP ∫∈R×R"→R",heR”→Rm.系统噪声yk、量测噪 可以得到计算自适应渐消矩阵过程中各变量的 声w:分别为q维和m维的高斯白噪声,并具有以 表达式为 下统计特性: E[v]=0,E[y]=O6, Ak+=P E[w]=0,E[ww]=R6, B Pi-Ake E[yw]=0. 式中:Pk+为系统误差的协方差矩阵沿非线性函数 式中:Q和R为正定对称阵,6,为kronecker-8函数, 的传播结果,计算P%1k的步骤与UKF算法中计算 初始化系统状态和误差的协方差矩阵为 Pk+uk的步骤相似,只是计算Sigma点沿非线性函数 o=E[x],P=E[(x-o)(x0-)] 的传播过程的时候,不考虑系统噪声的作用即可.显 根据自适应渐消矩阵在UKF算法中的等价计 然,对于系统噪声为加性白噪声的非线性系统,有 算方法,得到AFM-AUKF算法的步骤: Qk=P+k-Pk+ 1)计算Sigma点
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有