自适应容积卡尔曼滤波融合算法提升多传感器定位精度

本文主要探讨了一种针对多传感器系统的自适应容积卡尔曼滤波融合算法的研究。容积卡尔曼滤波在处理复杂动态系统中的状态估计问题表现出色，但在系统模型不精确或者测量数据出现异常时，滤波性能可能会下降，甚至导致滤波发散。为解决这一问题，研究人员提出了创新性的解决方案。 该算法的核心在于构建了一组噪声统计估计器，用于实时在线估计噪声的统计特性。通过这种估计，可以更好地理解噪声的行为，从而对滤波过程进行更精准的调整，提高滤波估计的精度。当测量数据异常时，引入了修正函数，对滤波过程进行动态校正，有效地抑制了滤波发散现象的发生。 此外，文章还构建了一种混合式组合滤波结构，它结合了集中式滤波结构和联邦式滤波结构的优点。在集中式滤波中，所有传感器的数据直接参与到全局滤波估计中，而在联邦式滤波中，传感器独立处理后再进行信息融合。结合自适应容积卡尔曼滤波，这种结构允许局部滤波信息与全局信息相互补充，提升了整体滤波性能。 以车辆定位导航为例，通过仿真实验验证了这一方法的有效性。实验结果显示，新算法显著提高了车辆位置的估计精度，减少了由于模型不准确或测量异常导致的滤波误差，并且在应对复杂的多传感器环境时，能更有效地抑制滤波发散。 研究团队由敖志刚教授领导，包括唐长春、付成群、郭杰和叶春雷等研究人员，他们分别在网络前沿技术、异网融合、数据融合等领域有着深入的研究。他们的工作不仅推动了容积卡尔曼滤波技术的发展，也为实际的多传感器系统状态估计提供了更为稳健和高效的解决方案。 关键词包括：容积卡尔曼滤波、自适应、噪声统计估计器、修正函数、组合滤波以及数据融合。这项研究成果对于提升复杂系统状态估计的鲁棒性和准确性具有重要意义，为未来的智能感知、导航和控制等领域提供了重要的理论支持。