论文部分内容阅读
智能车辆技术日渐受到各个发达国家的重视，并且逐渐成为了研究热点。我国也已经将智能车辆技术列入国家优先发展的高新技术。本文以智能车辆研究为背景，将智能车辆组合导航与相关数据融合算法作为研究重点。本文通过对组合导航相关基础知识的深入研究，选取由了北斗卫星导航传感器和惯性导航传感器组成的组合导航系统。，详细介绍了系统构成机理的组成与INSBD/BDINS组合导航系统卡尔曼滤波模型，并仿真验证组合导航提高了了导航精度。研究的核心为INS/BD该组合导航系统的数据融合算法，在组合导航标准卡尔曼滤波的应用中会遇到两个突出的问题，一个是系统模型的非线性问题；另一个是噪声模型不确定的问题。这两个问题都会影响滤波精度，甚至造成滤波发散，本文将这两个问题作为研究的重点。本文利用无迹卡尔曼滤波（UKF）是一种处理组合导航系统模型非线性问题的方法。算法利用UT变换的方法用一组采样点来逼近状态矢量X k1，将这些采样点直接代入非线性方程估计状态矢量，通过加权处理得到系统的状态估计和与滤波更新。本文的创新在于对UKF在新算法中加入区间平滑技术，提出区间平滑UKF算法，。在原有卡尔曼滤波过程基础上对设定区间内状态估计进行平滑处理，校正滤波运算数据，进一步提高非线性系统的导航精度。并且进行仿真实验，通过仿真实验验证了新算法很好较好的地解决了系统非线性问题，并且利用区间平滑技术得到精度更高的状态估计，提高导航精度，并且而且具有更好的鲁棒性。本文利用本文采用自适应卡尔曼滤波解决噪声模型不确定问题。对将传统的Sage-Husa自适应滤波进行了改进，加入自适应判定条件，利用新息方差与理论方差进行对比，当新息方差超过判决门限时满足判定条件，才进行自适应修正，更新量测噪声的统计特性，这样减少了算法计算量。在改进算法中引入抗差理论，去除粗差对滤波的干扰，提高系统的稳定性。进行仿真验证分析得出，改进算法在噪声模型不确定时情况下提高了状态估计的精度，并且减少了计算量，有更好的实时性。新算法中加入了抗粗差干扰过程，抑制了系统中存在的粗差干扰，进一步提高了估计精度。综上，在智能车辆上应用组合导航技术能有效的地提高导航精度，增强系统的鲁棒性。本文提出了区间平滑UKF算法，有效地解决了系统非线性问题。对Sage-Husa自适应滤波算法进行改进创新，提出了自适应抗差卡尔曼滤波算法解决噪声模型不确定问题。，有效的地提高了状态估计的精度，提高增加了组合导航系统的可靠性。