W artykule opisane zostały algorytmy filtracji nieliniowej (rozszerzona filtracja Kalmana, bezśladowa filtracja Kalmana, bezśladowa filtracja Kalmana w wariancie rozszerzonym i filtracja cząstkowa) stosowana powszechnie do estymacji położenia. Dodatkowo zaprezentowane zostały rezultaty złożonych badań symulacyjnych porównujących jakość estymacji analizowanych rodzajów filtrów nieliniowych dla złożonej nieliniowości wektora stanu. Ocena jakości procesu filtracji została przeprowadzona w środowisku MATLAB. Przedstawione wyniki stanowią podstawę do projektowania dokładniejszych algorytmów estymacji położenia obiektu.
EN
In this paper several types of nonlinear filtrations (Extended Kalman Filtering, Unscended Kalman Filtering, Augmented Unscended Kalman Filtering and Particle Filtering) widely used to position estimation and their algirithms are described. Additionally complex simulations results, which are to compare abilities of analyzed nonlinear filtrates for different nonlinearities, are shown. The comparison of filtration quality was done in MATLAB environment. The presented results provide a basis for designing more accurate algorithms for object position estimation.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Proces estymacji położenia w zintegrowanych systemach nawigacyjnych jest często realizowany na nieliniowych modelach systemów. Nieliniowość dynamiki obiektu, którego pozycję należy estymować, wymaga stosowania odpowiednich filtrów. Powszechnie przyjętym rozwiązaniem jest rozszerzony filtr Kalmana oparty na linearyzacji funkcji nieliniowych. W artykule przedstawiono ideę bezśladowego filtru Kalmana wykorzystującego przekształcenie bezśladowe. Zaprezentowano wyniki badań symulacyjnych, które wykazują lepszą dokładność estymacji położenia przy użyciu bezśladowego niż rozszerzonego filtru Kalmana.
EN
In integrated navigation systems different kinds of Kalman Filter working as error estimators or navigation algorithms are widely used. These filters work in time-discrete mode. Kalman Filters utilize information about dynamics of the object (system). Knowledge about dynamics and its correct modelling is the main issue in implementation of the Kalman Filters. In systems with linear dynamics, it is adequately to use basic Kalman Filter. Systems with nonlinear dynamics require linearization of the system model and in such case Extended Kalman Filter (EKF) is generally accepted. Unscented Kalman Filter (UKF) is an alternative for EKF. UKF is a recursive-estimating filter, which properties meet well requirements of strongly nonlinear systems. UKF does not linearize the model but manipulate on statistical parameters of nonlinear transformed state and measurement vector. UKF bases on Unscented Transform (UT). UT converts the state vector into a set of weighted Sigma Points. These points are than used in algorithms of UKF. The UKF algorithm is a set of equations, which are necessary to do prediction, innovation and correction steps. Simulation results of position estimation using EKF and UKF show that UKF used as data processing algorithm gives better accuracy of estimation in system with nonlinear dynamics than EKF. Nonlinearity in system used in simulation causes by transformation of co-ordination systems. Such situation takes place very often in navigation. This shows that UKF is more suitable to systems with strong nonlinearities than EKF. Better accuracy of position estimation using UKF calls for large number of computations (especially evaluation of matrix square root), what makes it more demanding for computation units of integrated navigation systems. UKF may also be used to estimate errors in integrated navigation system based on the compensation mode.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.