فیلترسازی کالمن توسعه یافته ردیابی
ترجمه نشده

فیلترسازی کالمن توسعه یافته ردیابی

عنوان فارسی مقاله: فیلترسازی کالمن قدرتمند توسعه یافته ردیابی تا حدی قوی برای جهت یابی یکپارچه سیستم جهت یابی اینرسی / سیستم ماهواره ای جهت یابی جهانی (INS/GNSS)
عنوان انگلیسی مقاله: Robust Partially Strong Tracking Extended Consider Kalman Filtering for INS/GNSS Integrated Navigation
مجله/کنفرانس: دسترسی – IEEE Access
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: جهت یابی یکپارچه سیستم جهت یابی اینرسی / سیستم ماهواره ای جهت یابی جهانی (INS/GNSS)، فیلتر کالمن رسیدگی، فیلترسازی سازگار، گرایش، ردیابی قوی
کلمات کلیدی انگلیسی: INS/GNSS integrated navigation, consider Kalman filter, adaptive filtering, bias, strong tracking
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2948229
دانشگاه: School of Electric and Information Engineering, Zhengzhou University of Light Industry, Zhengzhou 45002, China
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4.641 در سال 2018
شاخص H_index: 56 در سال 2019
شاخص SJR: 0.609 در سال 2018
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 9
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13888
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


I. Introduction


II. INS/GNSS Integration Navigation System


III. Extended Consider Kalman Filter


IV. PSTECKF Algorithm


V. Numerical Simulation


Authors


Figures


References

نمونه متن انگلیسی مقاله

Abstract


Unknown biases or perturbations in the INS/GNSS integrated navigation system may produce unforeseeable negative effects when the navigation states are estimated by using the Kalman filtering and its variants. To mitigate these undesirable effects in the INS/GNSS integrated navigation, a novel partially strong tracking extended consider Kalman filtering (PSTECKF) is proposed. In the presented PSTECKF algorithm, the biases are not estimated, but their covariance and co-covariance are incorporated into the state estimation covariance by using a nonlinear ‘‘consider’’ approach. Based on the above, the PSTECKF also partially introduces an adaptive fading factor into the predicted covariance of the states, which excludes the co-covariance between the states and biases, to compensate the nonlinear approximation errors and navigation system covariance uncertainties. Simulation results demonstrate the performance of the proposed PSTECKF for INS/GNSS integrated navigation is superior to that of the EKF and ECKF when the biases or perturbations happen in a navigation system.


Introduction


The inertial navigation system (INS) and global navigation satellite system (GNSS) integrated navigation system organically merge advantages of two sensors, which are the high short-term navigation accuracy of INS and high long-term navigation accuracy of GNSS, and have a widely application in navigation and positioning field [1]–[5]. The INS/GNSS integrated navigation system overcomes the limitations of using INS or GNSS navigation systems alone and can work well in all weather conditions around the world. When the states of the INS/GNSS integrated navigation system are estimated by using the Kalman filtering and its variants, there are two methods can be selected, which are the direct method and the indirect method [6]. The indirect method obtains the optimal estimations of the navigation errors of the INS and GNSS by utilizing the navigation errors as the system states. The direct method directly gives the optimal estimations of the integrated navigation parameters by using filtering algorithm, and its states are the output navigation parameters of the navigation system. Comparing to the indirect method, the direct method has two advantages: one is more accurately propagating the navigation states and another is avoiding double counting by using mechanical calibration equation of the INS [7]–[9].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

فیلترسازی کالمن توسعه یافته ردیابی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها