北航卡尔曼滤波实验报告GPS静动态滤波实验.docx

卡尔曼滤波实验报告2014 年 4 月GPS静/动态滤波实验一、实验要求1、分别建立GPS静态及动态卡尔曼滤波模型，编写程序对静态和动态GPS数据进行Kalman滤波。2、对比滤波前后导航轨迹图。3、画出滤波过程中估计均方差(P阵对角线元素开根号)的变化趋势。4、思考： 简述动态模型与静态模型的区别与联系； R阵、Q阵，P0阵的选取对滤波精度及收敛速度有何影响，取值时应注意什么； 本滤波问题是否可以用最小二乘方法解决，如果可以，请阐述最小二乘方法与Kalman滤波方法的优劣对比。二、实验原理2.1 GPS静态滤波选取系统的状态变量为,其中为纬度(deg),为经度(deg)，为高度(m)。设为零均值高斯白噪声，则系统的状态方程为：(1)所以离散化的状态模型为：(2)式中，为单位阵，为系统噪声序列。测量数据包括：纬度静态量测值、经度静态量测值和高度构成矩阵，量测方程可以表示为：(3)式中，为单位阵，为量测噪声序列。系统的状态模型是十分准确的，所以系统模型噪声方差阵可以取得十分小，取阵零矩阵。系统测量噪声方差阵由测量确定，由于位置量测精度为5m，采用克拉索夫斯基地球椭球模型，长半径为6378245m，短半径为6356863m。所以阵为：(4)2.2 GPS动态滤波动态滤波基于当前统计模型，在地球坐标系下解算。选取系统的状态变量为,其中依次为地球坐标系下轴上的位置、速度、加速度和位置误差分量，轴同理。系统的状态模型可以表示为：(5)式中，位置误差视为有色噪声，为一阶马尔科夫过程，可表示为：(6)其中，()为对应马尔科夫过程的相关时间常数，为零均值高斯白噪声。系统矩阵可表示为：(7)其中，()输入量可表示为：(8)式中，为机动加速度的当前均值，其自适应确定方法为：，同理可得。系统噪声为：(9)量测量为纬度动态量测值、经度动态量测值、高度和三向速度量测值。由于滤波在地球坐标系下进行，为了简便首先将纬度、经度和高度转化为三轴位置坐标值，转化方式如下：(10)所以，滤波的量测量为三轴位置坐标值和三轴速度测量值，即。量测方程为：(11)式中，为零均值高斯白噪声。综上，离散化的Kalman滤波方程为：(12)式中，离散化的系统噪声协方差阵为：，机动加速度自适应确定方法为：(13)离散化量测噪声协方差阵为：。三、实验结果3.1 GPS静态滤波图1 GPS静态滤波前后导航轨迹图和估计误差3.2 GPS动态滤波图2 GPS动态滤波前后导航轨迹图和估计误差四、实验讨论1简述动态模型与静态模型的区别与联系。静态模型的速度和加速度均为0，系统静止，状态模型比较准确，模型误差较小，量测信息只有位置信息。动态模型系统的速度和加速度均发生变化，采用当前统计模型建模，相比之下，系统模型的误差较大，量测信息由位置和速度信息。静态模型是动态模型在速度和加速度均为0时的特殊情况。 2R阵、Q阵，P0阵的选取对滤波精度及收敛速度有何影响，取值时应注意什么。R阵的取值对滤波精度的影响很大，当R取得太大，系统就不能有效的利用量测信息对状态进行修正，因此滤波精度较低；相反，R取得太小，系统过分依赖量测信息，无法利用状态模型有效的去除有害的量测噪声，同样降低滤波的精度。Q阵的取值对滤波精度的影响也很大：Q取得太大，系统就不能有效的利用状态模型对测量噪声进行修正，因此滤波精度就较低；反之，Q取得太小，系统就会过分的依赖状态模型的精度，以致量测信息无法对状态进行有效的修正，也会降低滤波精度；只有当R和Q的取值恰好与使用的状态模型的精度相吻合时，才能使状态模型和量测信息都能有效的发挥作用，互相补充，得到最高的滤波精度。P0阵的取值对于可观测性良好的系统，只影响开始的滤波精度，对收敛精度影响不大，但影响收敛速度。 3）本滤波问题是否可以用最小二乘方法解决，如果可以，请阐述最小二乘方法与Kalman滤波方法的优劣对比。 本滤波问题可以用最小二乘方法解决。最小二乘方法的最大优点是算法简单，特别是对一般的最小二乘估计，根本不必知道量测误差的统计信息。但又存在使用上的局限性，该方法只能估计确定性的常值向量，而无法估计随机向量的时间过程；最小二乘的最优指标只保证了量测的误差平方和最小，而并未确保被估计量的估计误差达到最佳，因此该方法的估计精度不高。而卡尔曼滤波是一种线性最小方差估计，其算法是递推的，且使用状态空间法在时域内设计滤波器，适用于多维随机过程的估计；卡尔曼滤波的估计量可以是平稳的，也可以是非平稳的；卡尔曼滤波具有连续型和离散型两类算法，离散型算法可直接在数字计算机上实现。