当前位置：文档之家 › 基于扩展卡尔曼滤波算法的无人机定位

基于扩展卡尔曼滤波算法的无人机定位

  • 格式：pdf
  • 大小：2.10 MB
  • 文档页数：7

基于扩展卡尔曼滤波算法的无人机定位*
杨润丰**1 ,骆春波2 ,张智聪3 ,李铭钊4
(1. 东莞职业技术学院 电子工程系,广东 东莞 523808; 2. 英国埃克塞特大学 数学与计算机科学系,英国 埃克塞特 EX4 4QF; 3. 东莞理工学院 机械工程学院,广东 东莞 523808;4. 中国电子信息产业集团有限公司,北京 100846)
* 收稿日期:2015-05-18;修回日期:2015-12-14摇 摇 Received date:2015-05-18;Revised date:2015-12-14
基金项目:国家自然科学基金资助项目(71201026) ;东莞市高等院校、科研机构科技项目(2014106101034) ;东莞职业技术学院科研基 金项目(2015b06)
Foundation Item:The ห้องสมุดไป่ตู้ational Natural Science Foundation of China( No. 71201026) ;The Science and Technological Program for Dongguan爷 s Higher Education,Science and Research Institutions ( 2014106101034 ) ; The Dongguan Polytechnic Science and Research Funding Scholarship(2015b06)
UAV Positioning Based on Extended Kalman Filter Algorithm
YANG Runfeng1 ,LUO Chunbo2 ,ZHANG Zhicong3 ,LI Mingzhao4
(1. Department of Electronic Engineering,Dongguan Polytechnic,Dongguan 523808,China; 2. Department of Mathematics and Computer Science,University of Exeter,EX4 4QF,UK; 3. School of Mechanical Engineering,Dongguan University of Technology,Dongguan 523808,China;
摘摇 要:无人机的移动定位是应对无人机机动性和应用环境复杂性的关键技术。 为解决无人机中的 全球定位系统( GPS) 信号失效问题,提出了一种通过机载无线射频的接收信号强度解决定位问题的 技术,分别采用扩展卡尔曼滤波方法估计距离和最小二乘方法估计路径损耗因子两种处理方法。 理 论分析和实验测试结果证实所提算法对有色噪声干扰下的接收信号有较好的增强效果,基于 80% 的置信水平,新算法相对于白噪声模型将估算误差从9. 5 m减少到了4 m,还进一步提供了融合惯性 导航的算法。 关键词:无人机;移动定位;扩展卡尔曼滤波;距离估算 中图分类号:TN925摇 摇 文献标志码:A摇 摇 文章编号:1001-893X(2016)01-0060-07
第 56 卷 第 1 期 2016 年 1 月
电讯技术 Telecommunication Engineering
Vol. 56,No. 1 January,2016
doi:10. 3969 / j. issn. 1001-893x. 2016. 01. 011
引用格式:杨润丰,骆春波,张智聪,等. 基于扩展卡尔曼滤波算法的无人机定位[J]. 电讯技术,2016,56(1):60-66. [ YANG Runfeng,LUO Chunbo, ZHANG Zhicong,et al. UAV positioning based on extended Kalman filter algorithm[J]. Telecommunication Engineering,2016,56(1):60-66. ]
4. China Electronics Corporation,Beijing 100846,China)
Abstract:Mobile positioning is essential for Unmanned Aerial Vehicles( UAVs) to cope with UAV mobility and the complexity of deployed environments. To solve the problem that UAVs' Global Positioning System ( GPS) signal fails,radio frequency( RF) signal strength from the on -board communication module is a鄄 dopted. For the processing of received signals,the extended Kalman filter( EKF) method is used to esti鄄 mate distance and the Least Square( LS) algorithm is used to estimate the path loss factor. Theoretical a鄄 nalysis and experiment results demonstrate that the proposed algorithms offer better performance for enhan鄄 cing received signals under coloured noise and improving distance estimation accuracy. Given a confidence level of 80% ,the new algorithm has improved the estimation accuracy from 9. 5 m to 4 m. The further en鄄 hancement with data fusion from the gyro information is also provided. Key words:unmanned aerial vehicle(UAV);mobile positioning;extended Kalman filter;distance estimation

合集下载

基于扩展Kalman滤波的GPS定位算法研究

基于扩展Kalman滤波的GPS定位算法研究

基于扩展Kalman滤波的GPS定位算法研究GPS定位算法是现代导航系统中的重要组成部分，其精度直接影响到车辆的位置准确性、导航指引的正确性以及整个系统的性能。

虽然传统的Kalman滤波算法已经被广泛应用于GPS定位中，但是在特殊场景下，其精度还是有限。

因此，本文将介绍基于扩展Kalman滤波的GPS定位算法研究进展。

1. GPS定位原理及基本流程GPS定位系统基于卫星发射信号和地面接收器接收信号的时间差测量来确定接收器的位置。

GPS基本流程如下：首先，接收器与卫星之间通过微波通信建立联系。

接收器接收从卫星发送的导航信号，并记录其时间信息。

接收器将测量到的信号传输时间与卫星发射信号的时间进行比较，从而计算出信号传播的时间差。

每个卫星都有自己的坐标，这个卫星通过可见性能够被确定，并且相应的位置信息会被传输回地面接收器。

由于接收器记录了至少三个卫星信号的时间信息，因此可以使用数学方法推导出接收器的位置坐标。

在实践操作中，这个方法会考虑到信号传播的时间以及各种噪声的影响，最终得到卫星定位及地球表面物体的坐标信息。

GPS定位算法的最终结果质量与GPS接收机的设计和信号处理算法有关。

2. 传统Kalman滤波算法在GPS定位中的应用Kalman滤波是一种最优估计过程，用于估计具有内部噪声和外部力影响的系统的状态变量。

Kalman滤波包括两个步骤：预测和修正。

预测步骤利用系统动力学方程来预测下一个时刻的状态变量。

修正步骤则使用测量方程将观测数据与预测结果进行比较，计算出评估误差，并将其用于调整预测值，得到更精确的结果。

在GPS定位中，传统Kalman滤波算法的基本思路是基于GPS信号的三个度量值，即码伪距、载波相位和多普勒频率，将其作为状态向量，建立状态方程和观测方程，然后利用Kalman滤波算法进行状态估计。

然而，Kalman滤波算法对于状态变量的线性性、高斯性等有一定的前提条件。

在实践中，GPS信号在传输过程中会受到多种噪声的干扰，使得传统Kalman滤波的预测结果精度有限。

基于卡尔曼滤波的无人机测向定位算法研究

基于卡尔曼滤波的无人机测向定位算法研究


ｒ ｉ ｔ ｈ ｍ ｔ ｏ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｔ ｈ ｅ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｓ ｉ ｚ ｅ ｏ ｆ ｐ ｏ ｓ ｓ ｉ ｂ ｌ ｅ ｔ ａ ｒ ｇ ｅ ｔ ａ ｒ ｅ ａ ． Ｔｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗｓ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ
ｍｅ ａ ｓ ｕ ｒ ｅ ｍｅ ｎｔ ｅ ｒ ｒ ｏｒ ｓ ａ ｆ ｔ ｅ ｒ ｆ ｉ ｌ ｔ ｅ ｒ ｉ ｎｇ ａ ｒ ｅ ｐｕ ｔ ｉ ｎ ｔ ｏ ｔ ｈｅ ｐ ｏｓ ｓ ｉ ｂｌ ｅ ｔ ａ ｒ ｇｅ ｔ ｐ ｏ ｓ ｉ ｔ ｉ ｏｎ ｐ ｒ ｏ ｂａ ｂｉ ｌ ｉ ｔ ｙ ｅ ｌ ｌ ｉ ｐ ｓ ｅ ａ ｌ ｇ ｏ —
２ ０ １ ３年 ２月 第 ３ ６卷 第 １ 期
舰 船 电 子 对 抗
ＳＨ Ｉ ＰＢ０ Ａ ＲＤ ＥＩ ＥＣＴ Ｒ０ Ｎ Ｉ Ｃ Ｃ０ Ｕ Ｎ ＴＥＲＭ ＥＡ ＳＵ ＲＥ

Ｆｅ ｂ ． ２ ０１ ３
Ｖｏ １ ． ３ ６ Ｎｏ ． １
基 于 卡 尔 曼滤 波 的无人 机 测 向定 位 算 法研 究
关 键词 ： 测 向定位 ； 测角误差 ； 卡尔曼滤波 ； 可 能位 置概率椭 圆
中图分 类号 ： Ｔ Ｎ ９ ７ １ ． １
文 献标 识码 ： Ａ
文章 编号 ： Ｃ Ｎ ３ ２ — １ ４ １ ３ （ ２ ０ １ ３ ） ０ １ — ０ ０ ２ １ — ０ ５
Ｓ ｔ ｕ ｄ ｙ ｏ ｆ ＵＡＶ ＤＦ Ｌｏ ｃ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ ＫＦ
ＬＩ Ｕ Ｃｈ ａ ｎ ｇ， ＬＩ Ｕ Ｘｉ ａ ｎ ｇ — ｗｅ ｉ ， ＧＵＯ Ｊ ｉ ａ ｎ － ｐ ｅ ｎ ｇ ， ＬＩ Ｚ ｉ ～ ｊ ｉ ｅ
卡尔曼滤波在救援机器人定位中的应用

卡尔曼滤波在救援机器人定位中的应用

在系统变量中 为MTI的角速度， 为机器人航向角度， 是里程计输出的角速度，a为MTI的旋转加速度。
由于救援机器人的旋转速度比较慢，可以认为旋转加速度近似为0，系统变量可以简化为：
系统的状态方程为：
为t时刻到t+1时刻的状态转移矩阵； 是经验值，是通过实验确定的； 是协方差为Q的噪声矩阵； 是系统噪声的驱动矩阵。
卡尔曼滤波在救援机器人定位中的应用
摘要：介绍了履带式机器人的特点和自身定位的方式，介绍了履带式里程计定位模型，以光电编码器和MTI（惯性检测单元）作为机器人的定位系统建立了履带机器人的运动方程，并采用卡尔曼滤波算法对传感器进行融合，获得机器人的坐标与状态。并用matlab对滤波算法的有效性进行了验证。
校正部分
通过卡尔曼滤波算法得到了里程计现在状态的预测结果，下面需要计算测量值，测量方程为：
H为状态变量对观测变量 的增益。由于含有噪声的观测值是系统当前状态的直接体现，本文中H=1。变量 为观测噪声，本文中得到的观测值已包含观测噪声，所以无需再测量。
本文中 为MTi的测量值MTI_value，可以同过MTi直接得到：
由公式(1)可以推出左履带与右履带的速度vL和vR。
设l为机器人左右履带的间距，可以推出机器人航向变化的角速度 d：
在已知机器人航向变化的角速度 可以有t时刻的机器人的航向角度推导出机器人在t+1时刻的航向角度，设 为机器人的航向角度：
在已知机器人几何中心坐标在t时刻为 ,可以由上述变量推导出在t+1时刻机器人几何中心的坐标：
可以得到现在状态u的后验概率X(u|u)：
X(u|u)= X(u|u-1)+Kg(u) (Z(u)-H X(u|u-1)) (9)
其中Kg为卡尔曼增益(Kalman Gain)：
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现

基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现

基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的算法。

在目标跟踪定位中，它可以用于估计目标的运动轨迹。

下面是一个简单的基于扩展卡尔曼滤波的目标跟踪定位算法的描述，以及一个简化的MATLAB程序实现。

算法描述1. 初始化：设置初始状态估计值（例如位置和速度）以及初始的估计误差协方差矩阵。

2. 预测：根据上一时刻的状态估计值和模型预测下一时刻的状态。

3. 更新：结合观测数据和预测值，使用扩展卡尔曼滤波算法更新状态估计值和估计误差协方差矩阵。

4. 迭代：重复步骤2和3，直到达到终止条件。

MATLAB程序实现这是一个简化的示例，仅用于说明扩展卡尔曼滤波在目标跟踪定位中的应用。

实际应用中，您需要根据具体问题和数据调整模型和参数。

```matlab% 参数设置dt = ; % 时间间隔Q = ; % 过程噪声协方差R = 1; % 观测噪声协方差x_est = [0; 0]; % 初始位置估计P_est = eye(2); % 初始估计误差协方差矩阵% 模拟数据：观测位置和真实轨迹N = 100; % 模拟数据点数x_true = [0; 0]; % 真实轨迹初始位置for k = 1:N% 真实轨迹模型（这里使用简化的匀速模型）x_true(1) = x_true(1) + x_true(2)dt;x_true(2) = x_true(2);% 观测模型（这里假设有噪声）z = x_true + sqrt(R)randn; % 观测位置% 扩展卡尔曼滤波更新步骤[x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R);end% 扩展卡尔曼滤波更新函数（这里简化为2D一维情况）function [x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R)% 预测步骤：无观测时使用上一时刻的状态和模型预测下一时刻状态F = [1 dt; 0 1]; % 状态转移矩阵（这里使用简化的匀速模型）x_pred = Fx_est + [0; 0]; % 预测位置P_pred = FP_estF' + Q; % 预测误差协方差矩阵% 更新步骤：结合观测数据和预测值进行状态更新和误差协方差矩阵更新K = P_predinv(HP_pred + R); % 卡尔曼增益矩阵x_est = x_pred + K(z - Hx_pred); % 更新位置估计值P_est = (eye(2) - KH)P_pred; % 更新误差协方差矩阵end```这个示例代码使用扩展卡尔曼滤波对一个简化的匀速运动模型进行估计。