简介:地形辅助导航是一种利用地形高度信息定位的导航技术,由于地形高度起伏是非线性的,因此地形辅助导航本质是非线性、非高斯贝叶斯后验概率估计问题。粒子滤波因为适合非线性、非高斯估计问题,被引入地形辅助导航领域得到广泛研究和应用,但粒子滤波算法存在粒子匮乏的问题,会影响定位精度。针对此问题,将高斯混合无迹粒子滤波(GMUPF)用于地形辅助导航,该算法用高斯混合模型(GMM)近似粒子分布,用无迹卡尔曼滤波(UKF)估计重要密度函数,不需要做重采样。通过用实际地形数据做飞行仿真实验,结果显示相比粒子滤波,不仅没有粒子匮乏问题,而且所用粒子数更少时估计精度略好。
简介:针对随机时滞和异步相关噪声情况下的状态估计问题,提出了一种改进的高斯滤波算法(GF),并给出了其适用于高维系统的实现形式—随机时滞和异步相关容积卡尔曼滤波器(CKF-RDCN)。首先,通过满足Bernoulli分布的互不相关随机序列,来描述系统观测数据中可能存在的随机时滞现象,将量测噪声作为状态变量用以实现对观测时滞后验概率密度的估计。其次,利用一阶斯特林插值公式来近似估计,由于过程噪声和量测噪声异步相关,而导致的含有随机变量的多维积分问题。最后,依据三阶球径容积法则,给出了CKF-RDCN滤波算法的详细设计。此外,经典GF算法是所提出的改进GF算法的特例,其作为一个通用的非线性滤波算法框架,根据不同的后验概率密度估计方法,可以有不同的实现形式。仿真结果表明,相比于扩展卡尔曼滤波算法(EKF)以及容积卡尔曼滤波算法(CKF),CKF-RDCN在解决含有观测时滞和相关噪声系统的状态估计问题时,具有更高的精度和更好的数值稳定性。