简化高阶强跟踪容积卡尔曼滤波在组合导航中的应用

"高阶容积卡尔曼滤波（High-Order Cubature Kalman Filter，HCKF）是一种在非线性滤波领域广泛应用的算法，它通过高阶辛积分规则来近似系统的非线性，从而提高滤波精度。然而，当面临系统模型不匹配或状态突然变化时，传统的HCKF可能会出现滤波精度下降的情况。 为了克服这一问题，强跟踪滤波器（Strong Tracking Filter，STF）被引入，其主要目标是通过动态调整滤波器参数，以适应系统模型的变化，保持对状态的精确跟踪。STF通过引入渐消因子，能够快速适应系统状态的变化，增强滤波器的自适应能力。然而，STF在处理高维非线性问题时，计算复杂度较高。 在此基础上，作者提出了简化高阶强跟踪容积卡尔曼滤波（Reduced High-Order Strong Tracking Cubature Kalman Filter，RHSTCKF）算法。RHSTCKF结合了HCKF的高精度和STF的自适应性，同时简化了HCKF的计算步骤，降低了计算负担。通过引入多重渐消因子，RHSTCKF不仅提高了算法的自适应性，还能更好地应对状态突变，增强了滤波器抵抗异常干扰的能力。 在SINS/GPS组合导航系统中，惯性导航系统（SINS）提供连续的导航信息，而全球定位系统（GPS）则提供了高精度的位置和速度信息。然而，SINS可能会出现漂移，GPS信号可能会丢失，这时就需要一个有效的滤波算法来融合这两种传感器的数据，提高导航的精度和鲁棒性。 通过在SINS/GPS组合导航系统中的仿真实验，RHSTCKF表现出了优于HCKF的滤波性能。它可以准确估计出状态突变的真实值，有效抑制了滤波器状态异常的干扰。实验结果证明，RHSTCKF提高了组合导航系统的自适应性，显著提升了定位精度，对于复杂环境下的导航应用具有重大意义。 RHSTCKF算法为解决非线性滤波中的模型失配和状态突变问题提供了一种有效的方法，尤其在高精度组合导航系统中展现了其优越性。这一研究不仅对理论发展有贡献，也为实际工程应用提供了新的解决方案。"