改进的GPS/DR车辆组合导航粒子滤波算法研究与仿真

本文档深入探讨了2011年发表在《西北工业大学学报》上的论文，标题为"GPS/DR车辆组合导航改进的粒子滤波算法研究"。该研究主要关注在高精度环境下改进粒子滤波技术在车辆组合导航系统中的应用。粒子滤波，作为一种基于Monte Carlo模拟的最优回归贝叶斯滤波算法，对于观测精度较低的情况表现出良好的滤波效果。然而，当观测精度提高时，粒子滤波可能会遇到滤波发散和粒子退化的问题，即重要性分布函数选择困难以及部分粒子样本与实际概率函数不匹配。 为解决这些问题，研究者提出了一种改进的粒子滤波算法，结合马尔科夫链蒙特卡洛(MCMC)移动方法。这种方法允许粒子样本在状态空间中移动到新的位置，确保移动后的粒子样本与实际概率分布一致，同时避免大量无效粒子被拒绝。通过这种方式，该算法旨在提高导航定位的精度，并与扩展卡尔曼滤波算法进行了比较实验。 GPS/DR车辆组合导航系统利用全球定位系统的高精度定位优势，同时利用航位推算系统在GPS信号受阻时的冗余性和抗干扰能力。然而，GPS系统单靠自身并不能长时间保持稳定定位，而DR系统在长时间内积累误差。因此，将两者结合可以显著提升导航定位的可靠性与准确性。 研究的重点在于GPS和DR数据的有效融合，这是实现智能交通系统（ITS）中实时、连续、精确车辆定位的关键。通过改进的粒子滤波算法，论文展示了如何优化GPS/DR组合导航系统的信息处理，从而达到高精度和自主导航的目标，相较于传统的扩展卡尔曼滤波，其性能表现更优。 这篇论文提供了一个实用的解决方案，不仅提升了GPS/DR车辆组合导航系统的性能，还对粒子滤波算法在复杂环境下的优化策略有所贡献，对于GPS导航技术的发展具有重要意义。