Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2007

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Ocena dokładności filtracji nieliniowej w procesie określania położenia

Konatowski S., Pudlak B.

Biuletyn Wojskowej Akademii Technicznej

2007

Vol. 56, nr sp.2

243-253

Zadaniem systemu nawigacyjnego jest wyznaczanie aktualnej pozycji, prędkości i kursu obiektu na podstawie danych pochodzących z różnych czujników nawigacyjnych oraz znajomości modelu ruchu obiektu. Najczęściej systemy takie są systemami nieliniowymi i stąd wynika potrzeba stosowania algorytmów estymacji nieliniowej. Obecnie najbardziej rozpowszechnionym algorytmem filtracji nieliniowej jest algorytm rozszerzonego filtru Kalmana (EKF). Filtr ten wykorzystuje przekształcenia quasi-liniowe. Metoda taka powoduje duże błędy estymacji, ponieważ wiele nieliniowych funkcji trudno dobrze zaproksymować za pomocą funkcji liniowej. Ze względu na te ograniczenia wprowadzony został bezśladowy filtr Kalmana (UKF), który nie aproksymuje nieliniowych procesów, lecz aproksymuje rozkłady zmiennych losowych stanów. Pozwala to na uzyskanie dokładności estymacji na poziomie rozwinięcia w szereg Taylora do wyrazów drugiego rzędu - bez względu na rodzaj nieliniowości. Kolejną strategią rozwiązania problemu filtracji nieliniowej jest zastosowanie sekwencyjnych metod Monte Carlo, zwanych filtracją cząstkową. Metody takie można stosować dla dowolnych rodzajów nieliniowości i dla dowolnych rozkładów. W artykule dokonano porównania i zestawienia wybranych rodzajów filtrów nieliniowych dla różnych rodzajów nieliniowości i rozkładów Gauss, Studenta i Gamma.

The aim of operation of a typical navigation system is to estimate current position, velocity, and heading on the basis of the data coming from navigation sensors and a model knowledge of an object trajectory. These types of systems are widely used in practice. In general, such systems are nonlinear. Thus, they caused the necessity to apply algorithms of nonlinear estimation. At present, Extended Kalman filter (EKF) is widely used for this purpose. EKF uses quasi-linear transformations. Such an approach results in high estimation inaccuracy due to difficulties of nonlinear functions approximation using linear functions. Unscented Kalman filter (UKF) has been used to overcome these disadvantages. UKF does not approximate nonlinear processes but a probability distribution. This allows for achieving accuracy to the 2nd order Taylor series expansion. Sequential Monte Carlo method, also called as particle filters, is another strategy of solving nonlinear estimation. Such methods can be applied for any nonlinearities and distributions. The paper presents comparison of several types of nonlinear filters with different types of nonlinearities and distributions.