无人机平台非移动GPS干扰器位置估计的多种传感器融合算法性能分析

创作时间:

作者:

@小白创作中心

无人机平台非移动GPS干扰器位置估计的多种传感器融合算法性能分析

引用

CSDN

https://blog.csdn.net/Yan_she_He/article/details/146131533

本文主要介绍了无人机平台非移动GPS干扰器位置估计的多种传感器融合算法的性能分析。文章详细描述了各种算法的实现和实验结果，包括扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）、粒子滤波器（PF）等，并对不同重采样方法进行了比较分析。文章内容专业性强，涉及无人机技术、信号处理和算法实现等多个领域，具有较高的学术价值和实用价值。

1 概述

本研究旨在探讨和评估不同传感器融合算法在MATLAB/Simulink合成环境中对无人机平台非移动GPS干扰器位置估计的性能。研究分为两个部分：第一部分针对各向同性干扰器行为，重点实现了扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）和粒子滤波器（PF）；第二部分则考虑各向异性干扰器行为，并引入新开发的传感器融合算法以改进位置估计。同时，对多种重采样方法进行了比较和分析。

1.1 引言

随着无人机技术的飞速发展，其在军事侦察、民用监测等领域的应用日益广泛。然而，GPS干扰器的存在对无人机的定位精度构成了严重威胁。因此，开发有效的传感器融合算法以准确估计GPS干扰器的位置具有重要意义。

1.2 问题定义

目标：估计非移动GPS干扰平台的位置。
方法：利用接收信号强度（RSS）方法观测干扰信号的功率，并采用多种传感器融合算法进行处理。
环境：MATLAB/Simulink提供的合成环境。

1.3 传感器融合算法实现

各向同性干扰器行为

扩展卡尔曼滤波器（EKF）：基于线性化假设，对系统状态进行预测和更新。
无迹卡尔曼滤波器（UKF）：通过无迹变换处理非线性系统，提高估计精度。
粒子滤波器（PF）：利用大量粒子模拟概率分布，适用于非线性非高斯系统。

各向异性干扰器行为

扩展粒子过滤器（EPF）：结合EKF和PF的优点，提高非线性系统的处理能力。
无厘头粒子过滤器（UPF，假设为自定义或特定算法的简称）：可能是一种改进的PF，用于处理更复杂的环境。
H-无限滤光片（HINF）：一种鲁棒滤波方法，适用于不确定性和干扰较大的系统。
自适应卡尔曼滤波（AKF）：根据系统状态调整滤波参数，提高自适应能力。
H-无限粒子过滤器（HIF）：结合HINF和PF的方法，增强鲁棒性和非线性处理能力。

重采样方法

多项重采样：按概率选择粒子，避免粒子退化。
系统重采样：所有粒子均匀分布，但可能导致粒子多样性降低。
残余重采样：根据粒子权重调整分布，保留部分高权重粒子。
残差系统重采样：结合系统重采样和残余重采样的优点。
局部选择重采样：在局部区域内选择粒子，保持粒子多样性。
分层重采样：将粒子分层，每层独立进行重采样。

1.4 实验结果与分析

各向同性干扰器行为：EKF、UKF和PF在不同噪声水平下的估计精度和稳定性进行了比较。UKF在非线性较强时表现更优，PF在处理高噪声环境时更具鲁棒性。
各向异性干扰器行为：新开发的算法（如EPF、UPF、HINF、AKF和HIF）在复杂环境中的性能进行了评估。结果显示，HIF在处理各向异性干扰时表现出色，具有较高的估计精度和鲁棒性。
重采样方法：对多种重采样方法进行了比较，发现分层重采样在保持粒子多样性和提高估计精度方面表现最佳。