[发明专利]一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法

说明书

技术领域

本发明涉及一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法，属于船舶、飞机、车辆等运载体导航技术领域。

背景技术

随着社会的发展和人类科技的进步，人们对导航定位的要求也越来越高，需要导航定位系统连续、实时、长时间的提供高精度的导航定位信息。然而单一的导航系统由于自身存在的不足，已无法满足现代导航定位的要求。例如，惯性导航系统虽具有完全自主导航的能力，且导航信息全面、隐蔽性好，但导航误差随时间积累，难以长时间准确提供导航信息。推位导航也存在导航误差随时间积累的问题。GPS能够提供高精度的导航信息，但定位输出不够连续，且容易受环境干扰。将惯性导航系统或推位导航系统与GPS或其他导航系统组成组合导航系统，可取长补短，提供长时间、高精度的连续导航信息。

在组合导航中，需要用到滤波技术，用来从多个导航系统输出中获得导航参数，即状态的最优估计。组合导航中需要建立系统模型，且考虑噪声的干扰。在系统模型和噪声统计特性精确已知时，卡尔曼滤波估计是最优估计。但实际应用中只能建立近似的数学模型并且很难获得精确的噪声统计特性，导致卡尔曼滤波精度下降甚至出现滤波发散。为了解决Kalman滤波器鲁棒性差问题，提出了鲁棒Kalman滤波、混合Kalman/鲁棒Kalman滤波、鲁棒H∞滤波等改进方法。其中H∞滤波器的鲁棒性最好，但其精度不高，因为它对系统噪声假设最弱。因此通过混合Kalman/H∞滤波方法，有望同时获得对干扰的强鲁棒性和高精度。

目前混合H2/H∞滤波器主要有3类。第一类是优化方差鲁棒混合滤波器，第二类是方差约束鲁棒混合滤波器。这两种鲁棒混合H2/H∞滤波器都具有以下缺点，一方面它只适用于线性时不变系统，另一方面其保守性强，精度较低。最后一类是估计加权混合滤波器，目前这类混合滤波器的权值是设计者根据对系统模型不准确度和噪声统计特性不准确度的经验了解来确定的，固定权值的使用使得混合方法具有很强的保守性，且在卡尔曼滤波发散时，这种混合滤波器依然发散。以上方法不适合组合导航系统实际应用。

发明内容

本发明的目的是为了解决上述问题，提供了一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法。在该方法中，Kalman滤波器与H∞滤波器同步运行，通过建立卡尔曼滤波性能量化指标，进而在此量化指标和混合滤波器的权值之间建立非线性映射数学模型，从而使得混合滤波器的权值能够随着环境的改变在0到1之间自适应地调节其大小，降低了权值设定的保守性。通过对Kalman滤波器输出和H∞滤波器输出加权，获得混合滤波器输出。由于混合滤波器权值能够根据卡尔曼滤波器性能自适应地变化，使得针对不同的环境，其输出特性不同。当Kalman滤波器性能好时，偏向于Kalman滤波器输出，当H∞滤波器性能好时，偏向于H∞滤波器输出。从而当环境噪声和系统模型干扰变化时，混合滤波器能够同时具备Kalman滤波器精度和H∞滤波器对干扰的鲁棒性能，最终提高组合导航系统精度。

本发明包括以下几个步骤：

步骤一：建立描述组合导航系统的状态方程和观测方程。

步骤二：在组合导航混合滤波器中同时运行卡尔曼滤波器和H∞滤波器。

步骤三：利用Kalman滤波器输出新息序列自相关矩阵的时间平均值和滤波器参数，获取Kalman滤波器性能量化指标。

步骤四：建立Kalman滤波器性能量化指标与混合滤波器加权参数间的非线性映射关系，自适应地调整加权参数。

步骤五：通过加权参数，将Kalman滤波器和H∞滤波器输出的加权和作为整个混合滤波器输出，完成组合导航信息处理。

本发明的优点在于：

（1）通过建立Kalman滤波器性能量化指标，实时评价卡尔曼滤波器性能，为混合滤波器加权参数的迭代更新提供依据。

（2）建立Kalman滤波器性能量化指标与混合滤波器加权参数间的非线性映射关系，使得混合滤波器能够在三种状态下运行：Kalman滤波器状态，混合滤波器状态，H∞滤波器状态，从而在环境噪声和系统模型干扰变化时，通过在这三种状态之间的自动切换获得较高的滤波精度。

附图说明

图1是本发明的方法原理示意图；

图2是本发明的方法流程图；

图3是实施例中本发明方法与传统的Kalman滤波器和H∞滤波器定位估计误差曲线。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。