正版图书 组合导航滤波算法 高怡 组合导航定位系统技术应用教程书籍 电子工业出版社 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

高怡 著

图书标签:

• 组合导航
• 滤波算法
• 定位系统
• 高怡
• 电子工业出版社
• 导航技术
• 惯性导航
• 传感器融合
• 电子工程
• 自动控制

店铺： 万品图书专营店

出版社： 电子工业出版社

ISBN：9787121319099

商品编码：29553267958

出版时间：2017-08-16

商品参数

组合导航滤波算法
	定价	49.80
	出版社	电子工业出版社
	版次
	出版时间	2017年08月
	开本
	作者	高怡
	装帧	0
	页数	0
	字数	0
	ISBN编码	9787121319099

内容介绍

基本信息

 

书名:组合导航滤波算法

定价：49.8元

作者:高怡

出版社：电子工业出版社

出版日期：2017年7月

ISBN：9787121319099

开本：

内容介绍

 

组合导航已成为一个必然趋势，而滤波算法是实现组合导航的关键技术，高精度的滤波解算方法能提高组合导航系统的解算精度。本书介绍了组合导航滤波理论的新思想，分析和阐述了各种滤波器的特点，针对目前滤波器存在的问题和理论局限性，提出了优化的线性滤波算法和非线性滤波方法，适用于不同的组合导航系统状态。本书融入了作者近年来在组合导航线性滤波领域取得的zui新研究成果。本书可为从事相关研究的科研人员提供理论参考和借鉴，也可作为工科类特别是控制学科本科生、研究生的参考资料。

目录

 

di1章  绪论    

1.1  组合导航概述    

1.1.1  组合导航基本概念    

1.1.2  组合导航系统发展概况    

1.2  滤波理论的研究概况    

1.2.1  滤波算法的基本知识    

1.2.2  线性滤波算法    

1.2.3  非线性滤波算法    

1.3  组合导航非线性滤波算法的应用现状    

di2章  卡尔曼滤波及扩展卡尔曼滤波    

2.1  卡尔曼滤波的性质    

2.2  离散卡尔曼滤波算法    

2.3  连续卡尔曼滤波算法    

2.3.1  过程噪声    

2.3.2  量测噪声    

2.3.3  连续卡尔曼滤波推导    

2.4  改进的卡尔曼滤波算法    

2.4.1  鲁棒卡尔曼滤波    

2.4.2  交互式多模型卡尔曼滤波    

2.4.3  Sage-Husa卡尔曼滤波    

2.5  扩展卡尔曼滤波    

2.5.1  线性化方法    

2.5.2  离散扩展卡尔曼滤波    

2.5.3  连续扩展卡尔曼滤波    

di3章  无迹卡尔曼滤波    

3.1  无迹变换与采样策略    

3.1.1  无迹变换原理    

3.1.2  无迹变换的精度分析    

3.1.3  无迹变换的采样策略    

3.2  无迹卡尔曼滤波算法    

di4章  优化的无迹卡尔曼滤波及其应用    

4.1  改进的强跟踪无迹卡尔曼滤波及其应用    

4.1.1  改进的强跟踪无迹卡尔曼滤波算法    

4.1.2  改进的强跟踪无迹卡尔曼滤波算法在INS/GNSS组合导航系统中的应用    

4.2  约束无迹卡尔曼滤波及其在车辆组合导航中的应用    

4.2.1  约束方程    

4.2.2  约束无迹卡尔曼滤波算法    

4.2.3  约束无迹卡尔曼滤波统计特性    

4.2.4  约束无迹卡尔曼滤波算法在GPS/DR组合导航中的应用    

4.3  抗差模型预测无迹卡尔曼滤波    

4.3.1  抗差模型预测无迹卡尔曼滤波算法    

4.3.2  抗差模型预测无迹卡尔曼滤波在SINS/BDS/CNS组合导航中的应用    

di5章  粒子滤波概述    

5.1  粒子滤波算法    

5.1.1  贝叶斯滤波    

5.1.2  蒙特卡罗采样    

5.1.3  序贯重要性采样    

5.1.4  重采样    

5.1.5  标准粒子滤波算法    

5.1.6  粒子滤波存在的问题    

5.2  粒子滤波优化算法    

5.2.1  避免粒子贫化    

5.2.2  降低计算复杂度    

5.2.3  优选重要性密度函数    

di6章  优化的粒子滤波    

6.1  抗差自适应中心差分粒子滤波    

6.1.1  中心差分算法    

6.1.2  抗差自适应滤波    

6.1.3  抗差自适应中心差分粒子滤波算法    

6.1.4  SINS/CNS组合导航系统仿真计算与分析    

6.2  抗差自适应高斯混合Sigma点粒子滤波    

6.2.1  高斯粒子滤波    

6.2.2  抗差自适应高斯混合Sigma点粒子滤波算法    

6.2.3  SINS/SAR/CNS组合导航系统直接法滤波中的应用    

di7章  改进的无迹粒子滤波算法及其应用    

7.1  抗差自适应无迹粒子滤波    

7.1.1  抗差自适应无迹粒子滤波算法    

7.1.2  仿真计算与分析    

7.1.3  抗差自适应无迹粒子滤波在SINS/SAR组合导航系统中的应用    

7.2  非线性模型预测无迹粒子滤波    

7.2.1  模型预测滤波    

7.2.2  非线性模型预测无迹粒子滤波算法    

7.2.3  非线性模型无迹粒子滤波算法在SINS/SAR组合导航系统中的应用    

7.3  衰减记忆平方根无迹粒子滤波    

7.3.1  衰减记忆滤波    

7.3.2  平方根滤波    

7.3.3  衰减记忆平方根无迹粒子滤波算法    

7.3.4  SINS/SAR组合导航系统直接法滤波中的应用    

7.4  基于似然分布的样本数自适应无迹粒子滤波    

7.4.1  样本数可自适应调整的粒子滤波    

7.4.2  基于似然分布的样本数自适应无迹粒子滤波算法    

7.4.2  SINS/SAR组合导航系统直接法滤波中的应用    

di8章  基于随机加权的滤波算法及其应用    

8.1  随机加权估计的基本思想    

8.2  动态导航定位中的随机加权估计    

8.2.1  观测残差向量与新息向量的协方差阵    

8.2.2  观测噪声协方差矩阵的随机加权开窗估计    

8.2.3  仿真实验与分析    

8.3  动力学模型误差的Sage随机加权自适应滤波    

8.3.1  动力学模型系统误差    

8.3.2  动力学模型误差的Sage随机加权自适应滤波算法    

8.3.3  仿真计算与分析    

8.4  基于移动开窗与随机加权估计的自适应无迹卡尔曼滤波及其应用    

8.4.1  无迹卡尔曼滤波的非重采样形式    

8.4.2  随机加权因子的确定    

8.4.3  基于移动开窗与随机加权估计的自适应无迹卡尔曼滤波算法    

8.4.3  INS/GNSS组合导航系统直接法滤波中的应用    

参考文献

暂时没有目录，请见谅！

组合导航定位系统技术应用教程书籍 引言 在现代科技飞速发展的浪潮中，精确可靠的导航定位能力已成为诸多领域不可或缺的核心技术。从无人驾驶汽车的安全行驶，到航空航天器的精准测控，再到智能手机的室内外精准定位，以及地质勘探、军事侦察等，无不依赖于先进的导航定位系统。然而，单一的导航技术往往存在各自的局限性，例如GNSS（全球导航卫星系统）易受遮挡、信号衰减影响，惯性导航系统（INS）存在累积误差，磁力计易受环境干扰等。为了克服这些挑战，将多种导航传感器的测量信息进行融合，形成一个更为鲁棒、精确且连续的导航定位解决方案，即组合导航技术，应运而生并迅速发展。 本书旨在深入浅出地介绍组合导航定位系统的基本原理、关键算法以及广泛的应用技术，为读者提供一个系统而全面的学习框架。我们不仅关注理论的深度，更注重实践的应用，力求使读者能够理解组合导航技术在解决实际工程问题中的价值与方法。 第一章 组合导航系统基础 本章将为读者构建组合导航系统的基础认知。我们将首先回顾导航定位的基本概念，包括位置、速度、姿态等状态量的定义和表示方法。随后，我们将详细介绍构成组合导航系统的核心传感器，包括： 全球导航卫星系统 (GNSS): 阐述GNSS（如GPS, GLONASS, Galileo, BeiDou）的工作原理、信号结构、定位测量模型以及其在组合导航中的作用。我们将讨论GNSS信号的特点、误差源（如大气延迟、多路径效应、接收机噪声）以及抑制这些误差的常用方法。 惯性导航系统 (INS): 深入讲解惯性测量单元（IMU）的组成（加速度计和陀螺仪），以及如何利用惯性器件的测量数据来推算导航状态。我们将重点介绍INS的运动学方程、动力学模型，以及其固有的误差特性（如漂移、尺度因子误差、轴不对准误差）。 其他辅助传感器: 介绍其他可用于组合导航的传感器，如： 轮速计/里程计: 在地面车辆导航中，轮速计提供车轮转速信息，可用于推算前进距离和速度，尤其在GNSS信号不可用时提供重要的辅助。 气压计: 测量大气压强，可用于估算高度变化，对GNSS高度测量进行补充或校正。 磁力计: 测量地磁场强度，可提供航向信息，尤其在GNSS信号弱或丢失时，为INS提供航向辅助。 激光雷达 (LiDAR) / 视觉传感器 (Camera): 介绍利用LiDAR或视觉传感器进行里程计测量（Visual Odometry, LiDAR Odometry）以及SLAM（Simultaneous Localization and Mapping）技术，它们能提供高精度的相对位置变化信息，并能构建环境地图，是实现更高精度和鲁棒性组合导航的关键。 本章的最后，我们将讨论不同传感器之间的信息互补性，以及组合导航系统设计的必要性。 第二章 组合导航滤波算法 滤波算法是组合导航系统的“大脑”，它负责将来自不同传感器的异构数据进行有效的融合，并估计出最优的导航状态。本章将是本书的核心内容之一，我们将详细介绍几种在组合导航领域应用最广泛、最有效的滤波算法： 卡尔曼滤波 (Kalman Filter, KF): 基本原理: 详细介绍线性卡尔曼滤波的预测-更新两步过程，包括状态方程和观测方程的定义，以及协方差矩阵的更新。 扩展卡尔曼滤波 (Extended Kalman Filter, EKF): 针对组合导航系统中普遍存在的非线性系统，讲解EKF如何通过线性化（Taylor展开）来处理非线性系统，并推导其滤波方程。我们将分析EKF的优缺点，以及其在实际应用中可能遇到的问题，如线性化误差和局部最优性。 无迹卡尔曼滤波 (Unscented Kalman Filter, UKF): 介绍UKF作为一种非线性滤波方法，其基于“无迹变换”的思想，无需进行线性化，直接通过一组精心选择的sigma点来逼近概率分布，从而获得比EKF更准确的滤波结果。我们将详细阐述UKF的sigma点采样、预测和更新过程。 粒子滤波 (Particle Filter, PF): 介绍PF是一种基于蒙特卡洛方法的序列重要性采样算法，能够处理任意形式的概率分布，尤其适用于多模态、强非线性以及非高斯噪声的系统。我们将阐述PF的基本思想、重要性采样、重采样等关键步骤，并讨论其在复杂组合导航场景下的优势。 滤波器的设计与实现: 状态向量的选取: 讨论如何根据应用需求，合理定义导航状态向量，包括位置、速度、姿态（欧拉角、四元数）、传感器偏差等。 系统模型与观测模型: 强调建立准确的状态转移模型（动力学模型）和观测模型（测量模型）的重要性。我们将演示如何将不同传感器的测量模型融入到滤波器的观测方程中。 噪声协方差矩阵的确定: 讨论如何对传感器噪声进行建模，并确定过程噪声协方差矩阵Q和观测噪声协方差矩阵R。我们将介绍常用的噪声建模方法，如基于传感器规格、实验标定等。 收敛性与稳定性分析: 简要探讨滤波器的收敛性和稳定性问题，以及影响其性能的因素。 第三章 组合导航定位系统技术应用 在本章中，我们将聚焦于组合导航技术在实际工程中的应用，通过具体的案例分析，展示组合导航系统如何解决现实世界中的导航定位难题。 GNSS/INS组合导航: 典型应用场景: 详述GNSS/INS组合导航在无人机、无人驾驶汽车、船舶、航空器等领域的广泛应用。 陆地车辆导航: 重点介绍在城市峡谷、隧道、高架桥等GNSS信号受限区域，INS如何提供连续的导航信息，而GNSS信号恢复时，又如何对INS误差进行校正。我们将讨论低成本IMU与高精度IMU在组合导航中的性能差异。 空中和海洋导航: 分析GNSS/INS组合在满足高精度、高可靠性要求的航空和航海导航中的关键作用，包括飞行控制、路径跟踪、自主着陆等。 多传感器融合导航: GNSS/INS/里程计组合: 讲解如何将轮速计或视觉/LiDAR里程计信息与GNSS/INS进行融合，以提高在GNSS信号不良时的定位精度和鲁棒性，特别是在室内或地下等GNSS完全不可用的场景。 GNSS/INS/气压计/磁力计组合: 分析如何通过气压计和磁力计的辅助，提高GNSS/INS组合导航在高度和航向估计上的精度和稳定性。 基于SLAM的组合导航: SLAM概述: 介绍SLAM的基本原理，包括传感器数据采集、特征提取、匹配、位姿估计和地图构建。 SLAM与INS/GNSS的融合: 重点讲解如何将SLAM技术与INS/GNSS进行融合，构建一种更强大、更通用的导航定位系统。例如，SLAM可以提供高精度的局部相对定位信息，而INS/GNSS则提供全局的绝对定位信息。这种融合能够有效克服单独使用任一技术的局限性，实现高精度、高鲁棒性和高动态性的定位。 应用实例: 展示基于SLAM的组合导航在机器人导航、增强现实、三维重建等领域的应用。 高精度与鲁棒性提升策略: 传感器标定与校准: 强调对各个传感器的精确标定和在线校准对于提高组合导航性能的重要性。 动态模型优化: 讨论如何根据不同运动场景，优化状态转移模型，以适应更复杂的运动。 异常值检测与抗干扰: 介绍检测和剔除传感器异常测量值的方法，提高系统的鲁棒性。 差分技术与RTK: 简要介绍差分GNSS技术（DGNSS）和实时动态定位（RTK）等技术，以及它们如何进一步提升GNSS的定位精度，并与INS结合实现超高精度组合导航。 第四章 组合导航系统的工程实践与挑战 本章将从工程实践的角度，探讨组合导航系统设计和实现过程中可能遇到的挑战，以及相应的解决方案。 硬件选型与集成: 传感器性能指标: 讲解如何根据应用需求，选择合适的传感器，并理解其关键性能指标（如IMU的零偏稳定性、噪声密度，GNSS的定位精度、更新率等）。 数据同步与时间对齐: 强调多传感器数据的时间同步和空间对齐是实现有效融合的关键。我们将讨论常用的时间同步技术（如硬件触发、软件时间戳）和空间对齐方法（如外参标定）。 嵌入式系统设计: 介绍在资源受限的嵌入式平台上实现组合导航算法的考量，包括计算资源、存储空间、功耗等。 软件开发与优化: 算法实现细节: 提供在常用开发环境（如C++, Python）下实现滤波算法的指导。 实时性要求: 讨论如何保证组合导航系统在实时性要求高的应用场景下能够稳定运行。 仿真与测试: 强调仿真测试在组合导航系统开发中的重要性，以及如何设计有效的测试方案来验证系统的性能。 面临的挑战与未来发展趋势: 低成本传感器的精度提升: 探讨如何通过先进的算法和数据融合技术，挖掘低成本传感器（如MEMS IMU）的潜力，以满足日益增长的导航需求。 复杂环境下的鲁棒性: 进一步研究在极端环境下（如强电磁干扰、剧烈动态运动、严重遮挡）的组合导航技术。 机器学习在组合导航中的应用: 探讨如何利用机器学习技术（如深度学习）来辅助传感器建模、误差补偿、环境感知以及优化滤波算法。 自主导航与智能决策: 展望组合导航技术在未来自主系统（如无人驾驶、智能机器人）中的核心作用，以及如何与路径规划、决策控制等技术深度融合。 结语 组合导航定位系统作为一项高度集成化的技术，其发展不断推动着各个应用领域的技术进步。本书从基础原理到高级算法，再到实际应用，力求为读者构建一个全面、深入的知识体系。希望通过本书的学习，读者能够掌握组合导航系统的设计、实现和优化方法，并能够将其成功应用于各自的研究和工程实践中，共同探索导航定位技术的无限可能。

评分☆☆☆☆☆

这本《正版图书 组合导航滤波算法 高怡 组合导航定位系统技术应用教程书籍 电子工业出版社》的出版，对于我这样一个长期在无人系统领域摸爬滚打的技术人员来说，简直是雪中送炭。我记得我刚接触导航技术那会儿，资料要么晦涩难懂，要么就是零散的论文，不成体系，每次遇到实际项目中的精度问题，都得花大量时间去翻阅国内外标准和规范，效率极低。这本书的结构设计，明显是下了苦功的，它不是那种高高在上的理论堆砌，而是非常接地气地将理论与工程实践紧密结合。我尤其欣赏它对卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）乃至更复杂的无迹卡尔曼滤波（UKF）在不同导航场景下的应用实例剖析。比如，在描述一个惯性导航系统（INS）与全球导航卫星系统（GNSS）进行松耦合或紧耦合时，作者没有简单地给出数学模型，而是详细讲解了数据对齐、时间同步以及误差状态向量的构建过程，这对于现场调试人员来说，是至关重要的“操作手册”。光是关于不同传感器噪声模型的建立和参数调优那一章节，就让我茅塞顿开，解决了困扰我们团队好几个月的漂移问题。这本书的价值，不在于它提出了什么开创性的新算法，而在于它以一种极其清晰、循序渐进的方式，将目前行业内最成熟、最可靠的组合导航滤波技术，系统地呈现了出来，是项目实施阶段不可或缺的参考书。

评分☆☆☆☆☆

作为一名从事自动驾驶感知系统研发的人员，我们对于定位的鲁棒性和实时性要求极高。过去我们主要依赖于高精地图和视觉里程计（VO），但一旦进入隧道或者恶劣天气环境，定位性能就会急剧下降。因此，引入一个可靠的、基于惯性传感器的辅助定位方案变得势在必行。这本书中关于异构传感器数据融合的章节，简直是为我们量身定做的。它没有回避传感器之间的不一致性问题，而是详细阐述了如何利用卡尔曼滤波框架来设计一个统一的误差模型，对来自GNSS、IMU，甚至轮速计的数据进行最优估计。我特别留意了其中关于数据预处理和异常值剔除的章节，它介绍了几种基于残差统计的剔除策略，比如中值滤波结合Mahalanobis距离检测，这在实际运行中对于防止瞬时GNSS信号丢失导致的灾难性发散至关重要。这本书的讲解逻辑严密，层次分明，让我能快速定位到自己项目中需要优化的核心模块，而不是在不相干的细节上浪费时间。它真正做到了理论指导实践，让复杂的技术难题变得清晰可操作。

评分☆☆☆☆☆

说实话，刚拿到这本书的时候，我有点犹豫，市面上关于导航定位的书籍已经不少了，很多都是大部头，看着就头疼。但这本书的排版和内容组织方式，立刻抓住了我的注意力。它很像一位资深的工程师在手把手教你做项目，而不是一个学者在展示他的研究成果。我特别喜欢它在讲解状态转移矩阵和观测矩阵时，会同步配上实际硬件的接口描述和数据流向图，这极大地降低了初学者理解复杂状态估计的门槛。举个例子，在讲解如何处理陀螺仪和加速度计的随机游走和角速度随机游走时，作者没有止步于白噪声假设，而是引入了Allan方差分析的概念，并指导读者如何从实际测试数据中提取这些关键的噪声参数。这种深入到硬件层面的讨论，是很多纯理论书籍所欠缺的。我过去常常苦恼于为什么仿真结果和实际测试结果总是有出入，现在看来，核心就在于对真实世界中那些“不完美”的噪声特性理解不够透彻。这本书不仅教你如何跑通滤波算法，更重要的是教你如何理解和量化系统误差的来源，这才是成为合格的组合导航系统工程师的关键所在。这本书的阅读体验，可以说是丝滑且高效。

评分☆☆☆☆☆

我给这本书的评价是：结构严谨，覆盖面广，但又能在关键点上做到足够的深度挖掘。这本书的作者似乎非常清楚不同背景的读者在学习组合导航滤波时会遇到哪些“痛点”。例如，对于纯数学背景的读者，它提供了足够的物理意义解释；而对于偏向硬件和工程的读者，它又清晰地展示了状态向量和协方差矩阵在代码实现中的对应关系。我欣赏它在介绍高级算法，比如粒子滤波（PF）与卡尔曼滤波的对比时，没有简单地给出优劣清单，而是结合了计算复杂度和非线性程度，给出了明确的适用场景建议。最让我感到惊喜的是，书中对系统时间同步的讨论，这在很多教材中往往是一笔带过的问题，但在这个应用教程中却被提升到了一个很重要的地位，并给出了基于PTP或NTP的实际同步策略参考。这表明编著者确实是从全系统、全流程的角度来构建这本书的知识体系的。对于希望系统性掌握现代组合导航技术的工程师来说，这本书绝对值得反复研读。

评分☆☆☆☆☆

这本书的出版，标志着国内在组合导航技术应用教程方面迈出了扎实的一步。从阅读体验上来说，这本书的语言风格非常平实、务实，没有过多的文学修饰，直奔主题，这对于需要快速获取知识以解决工程问题的专业人士来说，是最好的表达方式。我特别喜欢它在介绍固定参数设定（如采样频率、初始协方差设定）时，那种近乎“经验公式”的总结，虽然知道这些参数最终还是要靠迭代优化，但有一个良好的起点至关重要。它有效避免了初学者在面对海量参数时无从下手的感觉。此外，书中对不同滤波算法收敛速度和计算资源的消耗进行了定性甚至定量的比较，这对于资源受限的嵌入式平台开发人员来说，具有极高的参考价值。总而言之，这本书不是一本“看完就束之高阁”的教材，而是一本“需要时随时翻阅、对照调试”的实用工具书，它成功地将前沿的导航理论转化为可执行的工程方法论，功不可没。