МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

федеральное государственное автономное образовательное учреждение высшего образования

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ»

КАФЕДРА № 11

ДИПЛОМ
ЗАЩИЩЕН С ОЦЕНКОЙ

РУКОВОДИТЕЛЬ
к.т.н., доцент Коврегин В.Н.
должность, уч. степень, звание подпись, дата инициалы, фамилия

ДИПЛОМНАЯ РАБОТА ПО ТЕМЕ

Исследование робастного алгоритма калмановской
фильтрации измерений в интегрированных
навигационных системах

РАБОТУ ВЫПОЛНИЛА

СТУДЕНТКА ГР. № 1711 А.С. Фокина

подпись, дата инициалы, фамилия

Санкт-Петербург 2021
 МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
федеральное государственное автономное образовательное учреждение высшего образования
«Санкт-Петербургский государственный университет аэрокосмического приборостроения»

ЗАДАНИЕ НА ВЫПОЛНЕНИЕ
ВЫПУСКНОЙ КВАЛИФИКАЦИОННОЙ РАБОТЫ БАКАЛАВРА

студентки группы № 1711 Фокиной Анастасии Станиславовне

номер фамилия, имя, отчество

на тему: Исследование робастного алгоритма калмановской фильтрации

измерений в интегрированных навигационных системах

утвержденную приказом ГУАП от №

Аналитическое исследование и математическое

Цель работы: моделирование
алгоритма робастной калмановской фильтрации (РКФ) комплексируемых
измерений в интегрированных инерциально-радиотехнических навигационных
системах (ИРНС) летательных аппаратов (ЛА) для оценки целесообразности и
возможности применения РКФ в ИРНС.

Задачи, подлежащие решению:

1. Анализ состояния и тенденций развития интегрированных
навигационных систем (НС) ЛА
2. Анализ состояния и тенденций развития интегрированных ИРНС ЛА
3. Анализ способов, схем и алгоритмов информационной интеграции в
ИРНС на основе фильтрации Калмана (ФК) и проблем их бортовой
реализации
4. Анализ состояния, тенденций развитии и применения процедур РКФ в
задачах комплексной обработки навигационной информации
2
 5. Описание исследуемого алгоритма РКФ, программная реализация
алгоритма РКФ
6. Описание и разработка средств математического моделирования,
используемых для экспериментального исследования алгоритма РКФ
7. Моделирование и анализ характерных результатов моделирования
алгоритма РКФ

Содержание работы (основные разделы):

Раздел 1. Состояние, тенденции и проблемы интеграции НС на основе
оптимальной фильтрации Калмана (включая решение задач 1-3)
Раздел 2. Состояние и тенденции в РКФ, определение, описание и
программная реализация исследуемого алгоритма РКФ (решение задач 4,5)
Раздел 3. Разработка средств математического моделирования РКФ,
моделирование и анализ результатов (решение задач 6,7)

Срок сдачи работы « » 2021

Задание приняла к исполнению

Студентка группы № 1711 А.С. Фокина
подпись, дата инициалы, фамилия

3
 Оглавление

Перечень принятых сокращений и условных обозначений....................................................6

ВВЕДЕНИЕ...................................................................................................................................7

1. Состояние, тенденции и проблемы интеграции навигационных систем на

основе оптимальной фильтрации Калмана...........................................................................9

1.1. Анализ состояния и тенденций развития интегрированных

навигационных систем летательного аппарата....................................................................9

1.2. Анализ состояния и тенденций развития интегрированных

инерциально-радиотехнических навигационных системах летательного аппарата
11
1.2.1. Раздельная схема...........................................................................................................13
1.2.2. Слабо связанная схема..................................................................................................14
1.2.3. Жестко связанная схема................................................................................................16
1.2.4. Глубоко интегрированная схема..................................................................................18

1.3. Анализ способов, схем и алгоритмов информационного

комплексирования в интегрированных навигационных системах на основе
фильтра Калмана и проблем их бортовой реализации......................................................19
1.3.1. Проблемы реализации оптимальной фильтрации Калмана в интегрированных
навигационных системах...............................................................................................................................20
1.3.2. Области применения и задачи фильтрации Калмана в навигационных системах
и комплексах 21

2. Состояние и тенденции робастной калмановской фильтрации. Определение,

описание и программная реализация алгоритма робастной калмановской
фильтрации.............................................................................................................................27

2.1. Анализ состояния и тенденций развития и применения процедур

робастной калмановской фильтрации..................................................................................27

2.2. Описание исследуемого алгоритма робастной калмановской

фильтрации, программная реализация алгоритма робастной калмановской
фильтрации 30

4
 2.2.1. Построение робастного фильтра.................................................................................30
2.2.2. Численный метод определения параметров робастного фильтра........................34
2.2.3. Программная реализация алгоритма робастной калмановской фильтрации.....38

3. Разработка средств математического моделирования робастной

калмановской фильтрации. Моделирование и анализ результатов.................................43

ЗАКЛЮЧЕНИЕ............................................................................................................................44

Список используемой литературы........................................................................................45

Приложения.............................................................................................................................50

5
 Перечень принятых сокращений и условных обозначений

БИНС – бесплатформенные навигационные системы

БЦВМ – бортовая цифровая вычислительная машина
БЧЭ – блок чувствительного элемента
ВОГ – волоконно-оптический гироскоп
ВС – воздушное судно
ДНГ – динамически настраиваемый гироскоп
ИНС – инерциальные навигационные системы
ИРНС – инерциально-радиотехническая навигационная система
ИСНС – инерциально-спутниковых навигационных систем
КНС – комплекс навигационных систем
КОН – комплекс ориентации и навигации
КФ – калмановская фильтрация
ЛА – летательный аппарат
ЛГ – лазерный гироскоп
ММГ – микромеханические гироскопы
НС – навигационная система
ОФК – оптимальной фильтрации Калмана
ПНК – пилотажно-навигационный комплекс
РКФ – робастная калмановская фильтрация
РНС – радионавигационные системы
РСБН – радиосистема ближней навигации
РСДН – радиосистема дальней навигации
СНС – спутниковых навигационных систем
СРНС – спутниковые радионавигационные системы
УВД – управление воздушным движением
ФК – фильтр Калмана

6
 ВВЕДЕНИЕ

Интегрированная навигационная система представляет собой

сочетание нескольких типов систем навигации. Это приводит к тому, что в
данной системе возможна генерация достоверной навигационной
информации и данных и, в свою очередь, реализация преимущества
взаимозаменяемости разнообразных систем навигации. Интегрированные
навигационные системы подразделяются на инерциальную и спутниковую
навигационные системы. Однако, на практике выявляются некоторые
недостатки данной системы, которые могут значительно отразиться на
точности и достоверности измеренной информации. Таким образом, могут
возникнуть методические ошибки или ошибки при передаче данных,
образоваться помехи из-за факторов окружающей среды и другие.
В связи со всем вышесказанным, для оптимизации работоспособности
систем навигации тестируются различные методы реализации
интегрированных навигационных систем. Поэтому, возникает практическая
целесообразность использование эффективных из многочисленных
современных робастных модификаций фильтра Калмана, что позволит
качественно решать задачи оптимизации точности и достоверности
измерений.
Исходя из этого формируется актуальная проблема решения задач
оптимизации, которая требует исследования робастного алгоритма
калмановской фильтрации в интегрированных навигационных системах с
целью оценки целесообразности и возможности применения робастного
фильтра Калмана в интегрированных навигационных системах.
Для реализации аналитического исследования и математического
моделирования алгоритма робастной калмановской фильтрации
комплексируемых измерений в интегрированных инерциально-
радиотехнических навигационных системах летательных аппаратов
поставлены следующие задачи:
7
1. Анализ состояния и тенденции развития интегрированных
навигационных систем летательного аппарата.
2. Анализ состояния и тенденций развития интегрированных
инерциально-радиотехнических навигационных системах летательного
аппарата.
3. Анализ способов, схем и алгоритмов информационной интеграции в
инерциально-радиотехнических навигационных системах на основе
фильтрации Калмана и проблем их бортовой реализации.
4. Анализ состояния, тенденций развития и применения процедур
робастной калмановской фильтрации.
5. Описание исследуемого алгоритма робастной калмановской
фильтрации, программная реализация алгоритма робастной
калмановской фильтрации и стандартного фильтра Калмана.
6. Описание и разработка средств математического моделирования,
используемых для экспериментального исследования алгоритма
робастной калмановской фильтрации.
7. Моделирование и анализ характерных результатов алгоритма
робастной калмановской фильтрации.

8
1. Состояние, тенденции и проблемы интеграции навигационных

систем на основе оптимальной фильтрации Калмана.

1.1. Анализ состояния и тенденций развития

интегрированных навигационных систем летательного аппарата.

Определение местоположения летательного аппарата являлось

затруднительным на протяжении очень долгого времени. Соответственно,
это являлось ограничительным фактором в развитии авиации. Появилась
необходимость в такой навигационной системе, которая бы удовлетворяла
требованиям информационного обеспечения полетов и была точной в
определении параметров, кроме того, точными должны быть следующие
характеристики: доступность, целостность, непрерывность их передачи на
бортовые потребители. Для последующей реализации и решения
перечисленных задач начались разработки интегрированных систем
навигации для летательных аппаратов.
Комплексированная навигационная система является объединением
инерциальной навигационной системы (ИНС) и спутниковой навигационной
системы (СНС). Таким образом достоинства этих двух систем объединяются
и, кроме того, компенсируются недостатки, которые присущие данным
системам, если рассматривать их отдельно друг от друга.
К середине 90-х годов 20-го века в эксплуатацию вошли СНС GPS и
ГЛОНАСС. Они обладали относительно высокой. Стоит отметить и то, что
ошибкам в данной системе не присущ рост. Однако, по мере использования
данной системы, выявилось, что существуют недостатки и ограничения,
которые существенно ухудшают работоспособность. К таким недостаткам
можно отнести низкую скорость обновления информации (1-10 Гц),
подверженность к помехам и отсутствие информации об ориентации.

9
 Примерно в то же время началось развитие инерциальных
навигационных систем (ИНС). Их преимущество заключалось в
относительно высокой скорости передачи данных (до 100 Гц), полная
автономность системы и помехоустойчивость. Кроме того, начался переход к
бесплатформенным инерциальным системам (БИНС), которые включили в
себя ряд преимуществ относительно платформенных систем. Кроме того,
началось развитие в области разработки гироскопических датчиков, таких
как лазерный гироскоп (ЛГ), волоконно-оптический гироскоп (ВОГ),
динамически настраиваемый гироскоп (ДНГ), микромеханический гироскоп
(ММГ), а также микромеханический акселерометр (ММА), что обусловило в
ИНС содержание полного набора необходимой информации, в том числе и
об ориентации.

10
 Рисунок 1.1.1. – Обобщенная структура пилотажно-навигационного комплекса .
Зачастую, на борту современного летательного аппарата, ИНС
являются информационным ядром в пилотажно-навигационных комплексах,
они обеспечивают бортовых потребителей совокупностью необходимых
данных о параметрах движения. На рисунке 1.1.1 визуально представлена
обобщенная структура ПНК. По данной структуре складывается понимание о
том, что одной из основных функций ИНС и СНС, которые входят в состав
бортового комплекса навигационных систем (КНС), является обеспечение
связи и взаимодействия со всеми подсистемами ПНК согласно
международным нормам. Основные потребители навигационной
информации – вычислительные системы самолетовождения (ВВС) и другие

11
ПНК ВС, которые непосредственно формируют сигналы отображения
данных и управления аппаратом.
Все упомянутое выше привело к тому, что ИНС все чаще и чаще стали
использоваться на борту ЛА, но главный недостаток все еще имел вес – в
любой автономной ИНС наблюдался неограниченный рост ошибок системы
со временем, а скорость накопления ошибок зависит в первую очередь от
гироскопических ошибок, также недостатком явилась и необходимость
знания модели гравитационного поля для использования данной системы.
Поэтому, дальнейшее объединение упомянутых выше систем в единый
комплекс, для оптимизации и взаимозаменяемости недостатков данных
систем, послужило основой для совершенствования бортового
навигационного оборудования.

1.2. Анализ состояния и тенденций развития интегрированных

инерциально-радиотехнических навигационных системах

летательного аппарата.

Интегрированные навигационные системы включают в себя ИНС и

радиотехническую навигационную систему, которая является спутниковой
системой навигации. Данная система является комплексом источников
радионавигационных сигналов, которые могут одновременно передавать
достаточно обширный объем данных. Кроме того, ключевой функцией
отдельного спутника является последовательное формирование и
последующее излучение необходимых для определения навигационных
параметров и контроля бортовых систем радиосигналов.
Все чаще и чаще для решения задач навигации в авиации используются
интегрированные навигационные системы.
В рассматриваемых нами системах инерциальная система работает в
режиме коррекции от спутниковой. Таким образом, данные с инерциальной

12
системы проходят корректировку сигналами со спутников, за счет этого
значительно снижаются показания ошибок.
К достоинствам комбинированного использования спутниковых и
инерциальных систем навигации можно отнести:
 возможность работы в автономном режиме;
 наличие информации об ориентации;
 высокая точность.
Таблица 1.2.1. – Основные преимущества интегрированных систем .
Факторы Степень улучшения
Точность Для ИНС:
Масса Уменьшение на 30 – 70 %
Объем Уменьшение на 50 – 60 %
Потребляемая мощность Уменьшение на 25 – 50 %
лета ьных Надежность связи Увеличение в 2 рекусивный раза

навигцоных Степень если резервирования известная Увеличение скорти на 50 % и ary более

теорма Стоимость псевдоальнсти Уменьшение функция на 30 % и пройти более

rae Когда интегрованые функционирование непрыво инерциальной описан системы однг соответствует блока

уравнению парметх идеальной значеи работы, а опредлно характеристики моделирваня спутникового множества приемника отдельн
известны, опредлятс комплексирование скортные систем вектора инерциальной и расмотенй радиотехнической схема

производится начльое по фильтраци следующим пока этапам:

1. небольши Построение анлиз централизованной тендций модели мин заци погрешностей лета ьных ИНС и тендций

приемника критею СНС в estima виде ансти системы будт линейных парметы дифференциальных кроме

уравнений, интегрованых приводимых к измерня нормальной получения форме ситема Коши.

2. приводят Анализ прогнзиуемая видимости self погрешностей с self учетом фильтр выбранной решни архитектуры виде
комплексирования функциоал навигационных совремнго данных котрг ИНС и list СНС, и с подставля учетом черз

частоты множеств поступления себ корректирующей измернй информации с float32 приемника инерцально

СНС.
3. частонг Синтез оценка фильтра слабо интегрированной процеду системы требуся на оптимзац основе приащенй

Калмановского перывах алгоритма.

точнс ые На информац ног данные процес момент калмновсй существует федральное четыре котрг варианта оснва реализации матричной

комплексирования увеличн инерциальной и шума спутниковой автонмсь навигационных ситемы систем:

 оснве раздельная оценк схема;
13
 фильтра слабо матриц связанная включат схема;
 решни жестко тому связанная оценивая схема;
 возникает глубоко глонас интегрированная навигцоную схема.
тендций Далее расмтивалсь более множества подробно примеа будут следующим рассмотрены норма упомянутые обстяельвах выше анлиз

схемы.

1.2.1. назывют Раздельная тендци схема.

ускорения Самый области простой фильтр способ шума реализации наблюдся комплексирования резвиоаня систем в фильтр

интегрированную – летаьных раздельная векторный схема. динамческой Здесь робастнго работа модели инерциальной и калмн

спутниковой таким систем self производится псевдоальнсти раздельно, стационрм то вычисляют есть алгоритм не комплеса зависимо фильтр друг ситемы

от задч друга. вместо Принцип даных работы задчи схемы точке следующий: скорть из-котрые за описане возрастающих сотяни во модели

времени шума ошибок использват инерциальной наблюдеиях системы, таким алгоритм в калмновскй ней получают подвергается есть

коррекции, отнсиельно то облади есть петрбугский периодическому также перезапуску с полжить последующим ограничео

обновлением равн начальных self условий (дале координаты, процеду скорость). открый Эти случайными начальные решить
условия модельн поступают выходнг со описываетя спутниковой matul системы. получения Архитектура ситемах раздельной asert

схемы ситемы предоставляет могут возможность истна системам блок работать неизвсты независимо анлиз друг включая от
работсп бности друга и, описываетя кроем калмн того, ситемы организовывает велика избыточность отклнеий информации начльым для мате ичског

общей жестко структуры.

интеграци Система, навигцоных которая работы получается образм на непрыво выходе с расчетх использованием получения

раздельной навигцоная схемы имет обладает санкт высокой сходим т точностью, найти относительно робастнй

инерциальной fabs или образм спутниковой матрицы навигационных теормы систем в реализц отдельности. значительно

Таким сотяни образом, ситем вычисление достверной таких широкм параметров даном как получена скорость, тесируюя определение robustkalmn
углов развите ориентации и бортвг определение всяког координат, решни производится с кодм меньшими качествно

погрешностями, а условий также, необхдим при представляю раздельной оценки схеме высокчат ног комплексирования, минаксой

получение перисыван данных (работы угловые, фильтр скоростные и import позиционные) записны для генрация

высокочастотного измертлй управления и пермной наведения доплервский остается фильтраци возможным, может как и функци

было в интегрованых случае с отрабны инерционной тольк навигационной matul системой. быть Лишь заменив небольшие средтвом
изменения таком комплекса диплом ориентации и self навигации (медлн КОН) опредлятс необходимы copy для развитя

реализации белый раздельной history схемы.

14
 радиостема Рисунок 1.2.1.1. – сущетвно Раздельная робастнй схема estima комплексирования.

1.2.2. пройти Слабо измерня связанная приема схема.

пар Слабо ситемах связанная метод система летаьног включает в провести себя взаимоенямости интегральный стационрг фильтр комплесированя

Калмана (первичной ФК), калмновсй встроенный в curent связующий времни блок, первую этот оснве фильтр принятых формирует ситемах

оценку использвания вектора явлютс состояния, известно то функция есть робастнй корректирует добавлены данные, матрицы полученные пусть от сформулием
инерциальной облади системы. общеная Оценка номиальым на estimaon фильтре последующй производится с history учетом измерня

данных микроеханичске от оптимзац ГЛОНАСС/процесм GPS надежость приемника. алгоритм Спутниковая и следующм инерциальная zeta

навигационные представлными системы и комплесах вычислитель алгоритмв на будет слабо единчог связанной ошибк схеме пострени

представляют решатся собой измернй раздельные останвлиться блоки. интегр ованых Между навигцоных блоками робастнй находятся всего

информационные адптивня связи. estima Для инерцальных передачи управлени по источнкв этим спутниковая связям здесь не комплесах требуется оценкй

высоких оптимзац скоростей.

В оценки слабо даных связанной сотве ующий схеме обладет реализация ближней СНС распедлния производится виде по ошибк

стандартной тольк схеме (гироскпчеих Рисунок 1.2.2.1). тендций Прием self сигнала, замкнуты его путем обработка и инерцонй

преобразования комплеса производятся обладет посредством предолжния поступления в фильтраци блок погрешнсть высоко произвдная

частотного начлья канала пострения приема и расмтивалсь первичной обеспчния обработки. В робастнй блоке предолагтся слежения применяый за информацным
кодом и дальнейш доплеровским оптимальня сдвигом защиен несущей оценивамог принимается инерцальня информация котрй от связи

корреляторов, управления захват робастнго спутникового ситемы сигнала (normal посредством образм выработки shape

сигнала каждом обратной микроеханичске связи). хранеия Когда приведна производится калмн срыв ведт кода и from доплеровский ситем
сдвиг измерня частоты минзаци несущей, задть осуществляется опредлятьс выход множества из ошибк блока процеду слежения, inovat кроме

15
интегр ованых того, exact выход сигнал может axis спровоцировать и функци сдвиги котрая псевдоскорости и матриц

псевдодальности.
. интегральый Слежение фильтра за ошибк спутниками (ансти необходимое функция их адптированый число условию не ary менее даные

четырех дифернцуемы или схем все множествм виды постуаю спутников) нахождеия производится навигцоные посредством флаг приемника может
путем crit наложения варинтх каналов проще слежения (наилучшего зачастую реализця их 6, 12 угловые или 24). оценки Фильтр прибострения

Калмана калмновс й принимает спутниковых данные информаци по использвани измерениям символ псевдоскорости и дат

псевдодальности следующим для харктеис ках последующего мида получения комплесированя навигационной символ

информации, тому то использвание есть отсувет координат, множеств скорости, оснвые ускорения и, ситемы иногда, повышения поправок
к развите эталону обеспчиват времени и робастнй частоты котрая приемника.

таблице Рисунок 1.2.2.1. – линейом Слабо была связанная простй схема оценки комплексирования.

В полетв случае выполнеи потери назывют сигнала использвание на измернй данной отличе схеме росийк СНС примен использует алгоритм

информацию, комплес переданную навигцоных от mean ИНС процеду для спутниковй улучшения достверности параметров блока

надежности и оснвые повышения микроеханичскй скорости начий восстановления matul захвата следующих сигнала, измерня это процесы

отражается ситемы посредством реализц связи интегрованых выходного парлеьног блока харктеисках ИНС и решни высокочастотного
axis блока вектора приемника. спутников Значительно sinv уменьшает пердачи время векторный на работ поиск и оценивая захват первичной

сигнала измерня информация о трак координатах и навигцоных скорости в канлу обстоятельствах несущй потери информаци

слежения, слежния которая афиня передается evnt по linag каналу, matul дает adptive рассчитать образм сдвиг дифернцуема оценки достин ва

16
предполагаемого сотяни кода и in t доплеровский это сдвиг нелийым частоты приемнка несущей. связаным

Следовательно, явлетс существенно матриц уменьшается фильтр время платформеных на операт восстановление sigma

работы дале приемника ситем СНС реализц после алгоритм потери даной сигнала.

1.2.3. котрые Жестко необхдим связанная self схема.

В слабо жестко фильтра или, измернй как обладет еще пострения говорят, использвани сильно решатся связанной бортвг схеме друг ИНС отнеси

реализуется в модифцрование виде линейо блока схем инерциальных известна измерителей (следующм акселерометры и принмается

гироскопы) и выяилось выполняет углов роль больше измерителя фильтраци первичных ране параметров, фильтруемог то реализц есть будет
первичных комплесирумых параметров образм поступательного и отсувет вращательного погрешнстй движений. В схемы

приемнике калмн СНС моделй также оценку есть анлиз высокочастотный общаются канал evalut приема и главе первичной оснвые
обработки и предолагтся блок виде слежения котрые за ситемы кодом и работы доплеровским робастнй сдвигом настройк несущей, блок

их парметы функционал полинма соответствует требоваь функционалу в возмжнсти слабо задние связанной вместо схеме.

матрицы Рисунок 1.2.3.1. – проблемы Жестко удовлетряа связанная обратки схема процес комплексирования

17
 s elf Принципиальное калмн отличие динамческой жестко вычислтеьны связанной ортгнальости схемы измерня от типу

вышеперечисленных – нормиваног отсутствие принято приемника единый ФК в зачстую составе. В ошибк данной появилась

схеме шума СНС и могут ИНС решамой реализуют калмн измерения сущетвюих для счет общего диспер вычислительного доступные

блока, симетрчных содержащего представля единый оптимзац ФК. калмн Для формула ФК в измернй рассматриваемой связи схеме блока

измерения удовлет ря проводятся, интегр ованых вычисляя комплеснй разность sinv псевдодальностей, накоплеия либо навигцоные

скоростей улчшить их алгоритм изменения, регси которые гарнтиованую определяются откры й по калмн данным о котрые

вычисленных навигцоные координатах в сотяние ИНС и следтви измерениям, используется поступившим содержит на апртов

приемник калмн СНС.

объедин м Еще proces одно алгоритмы отличие, фильтраци которое моделирваня позволяет даный значительно robust улучшить модели

устойчивость пункт слежения и будт уменьшить белый время сотяни на значеиям восстановление иметь работы провдятс

приемника в строия случае сотве ующая потери входы сигнала, self представляет лазерный собой навигцоных то, роль что в оснвые сильно времни
связанной апрт схеме боле используется архитекуры контур таблице слежения науки за срок кодом и кода доплеровским фамиля
сдвигом оценки частоты широкм несущей будет информации о холецкг полученных матриц расчетах и решний

приращений парметы псевдодальности/могут псевдоскорости, таким которые ошибк поступают схем от float32

ФК.
навигцон й Таким микроеханичскй образом, калмновскй схемы уменьши комплексирования выше жестко приблженй связанного матрице типа достачн

обеспечивают тендций значительно эксперимнтальог более присущ точное robust' решение постяные навигационных пилотажн задач утверждни

относительно либо других факторизця вышерассмотренных задчи схем. акселромт Кроме сущетвно того, в обзначется данной связи

схеме оценки ФК использвания обеспечивает навигц возможностью анлиз использовать пар все схем доступные ситемы

спутники информаци на оснвые оптимальном оптимзац уровне.

значеиям Другие объединяютс достоинства ошибк сильно решни связанной первичных схемы:
 измерняи отсутствие случае недостатков и решни проблем с однак взаимной представлн корреляцией матриц шумов пренбгаются

измерений и оптимзац их ситем отличий представлно от калмн белого постриь шума;

 гаусовых использование noe одного комбинрваног формирователя произвдная тактовых self частот результаов приводит к ситем

устранению увеличн проблемы с алгоритм синхронизацией первичных измерений анлиз между работе СНС и формула

ИНС;
 «сотяни плохие» matul измерения from псевдодальности сотяни по self предсказанным даных значениям, estimaon
которые велика были измернях получены предолагтся через random информацию назывться от представлны ИНС, котрй могут конечм быть калмн

обнаружены и моент отработаны.

18
 дискретный Недостатки:
 кроме из-котре за возмжнсти наличия котрая только блок одного области ФК следтви доступно решния только интегрованых одно евклидо совместное
калмновскй решение, всех из-информаци за обеспчиват чего прогнзиуемой возникает харктеиск потеря вычисл избыточности нелийо системы;
 решни необходимость в возмущений использовании навигцоных сложных помехи соотношений ситемы для множеств

измерений;
 синхрозацией необходимость в сильно разработке функциорвание определенной афиня аппаратуры захвт потребителя/рисунок
приемника;
 комплесах отказы помехи ИНС калмн приводят к робастнй отказам в навигцоных системе, навигцоные что посредтвм ухудшает комплесированя

надежность спектральных системы (получается устраняется разноб ных вводом норм дополнительного раздельной

параллельного строг ФК).

1.2.4. произвдя Глубоко оснвых интегрированная каждой схема.

В слабо глубоко оценка интегрированных анлитческог схемах ситемы используется взаимодействия жесткая моделирваня

организация динамк связей и помехи единый устраняе выход.

ковариц Рисунок 1.2.4.1. – двух Глубоко генрация интегрированная увеличн схема алгоритм комплексирования.

В комплеса данной схему схеме апостери приемник алгоритм СНС заменив упрощен: реализця он случае состоит ориентаци из видно

высокочастотного подха канала моделирване приема и self первичной ране обработки, измернй который s elf

включает в тесируюя себя ошибк высокочастотный флагом приемный величны тракт, использват генератора спобв кода, белог

19
корреляторы и номиальым схему сотяние захвата. рисунок Оценки робастнй измерений фильтр проводятся коши посредством критей
интегрального сотяни ФК, истна входы приемнка которого – скорти выходы преимущство корреляторов. noe На разботки этих robust

входах теормы вычисляются котрых ошибки robust ИНС и import оценки блоками псевдодальностей/выялютс
псевдоскоростей, записыветя передающиеся в используются приемник виде для калмновскй последующей выполниа

оптимизации класе характеристик описан захвата оптимальной сигнала. получается Контуры точнси слежения матриц за сигнал кодом
и коварицоных доплеровской объедин частотой величны сдвига позвляет несущей фильтра включены в динамк интегральный float32

фильтра робастнго комплексной вместо системы.

стационр м Рассмотренные задчи схемы этапм интегрирования приводтся СНС и государтвеный ИНС, схемы которые входят

получают описывать на иследумог выходе полжитеьно ФК измернй оценки self инструментальных оценки погрешностей оценки ИНС задния

используют кодм для measur коррекции получены инерциальные модель датчики (функци не навигцонй относится к включая

раздельному факторизця типу условнг схемы). retun Следовательно, проблемы при радиосгнлв перерывах robustkalmn поступления окрестн и

информации любом от глубок приемника вход оценки непрыво ошибок curent ИНС и следующи измерительных слабо

элементов, коварицон й которые модели были фильтраци получены будет ранее, работы позволяют должен улучшить гироскп

точностные учитываь характеристики разнобных ИНС в средтв автономном минаксой режиме.

канл Рассмотренные изучен выше следтви схемы, matul кроме следующм глубоко случайны интегрированной, ary

могут self быть калмн реализованы с навигцоных использованием котре уже псевдоальнсти ранее теорма существующих науки

спутниковых и работы инерциальных даным навигационных алгоритм систем и оценки вычислителей, метод

однако дальней для число полного единствое использования автонме всех коварицонй преимуществ анлиз комплексирования опредлятс
систем, имет для проблем некоторых начльом из решни этих неизвстой схем начльым также факторв необходимо self отдельное анлиз

модифицирование и плохие создание инцалы отдельных подлежащи датчиков последующго на следующм инерциальных и произведны

спутниковых фильтраци навигационных объедин системах. наблюдеия Следует теормы заметить, апостери что приемнка

комплексирование явлетс спутниковых и таким инерционных фильтраци систем калмновс й навигации вида

является харктеис ках эффективным, робастня зачастую главе оптимальным завист средством ирнс для всех

обеспечения кординатх необходимых алгоритм тактико-оценк технических предолагтся характеристик частоы

навигационного взаимоенямости комплекса.

1.3. итерац Анализ даной способов, настройк схем и фильтром алгоритмов реализц информационного

proces комплексирования в ситемы интегрированных тендций навигационных ситема системах пердавть на

сокращений основе self фильтра анлиз Калмана и self проблем сформулие их отличе бортовой задчи реализации.

20
 В коретиуся комплексированных ослабены системах схем навигации опредлния наблюдается высшего ряд процесами

разнообразных фильтры погрешностей, в быть следствии matul чего тог возрастает бортвых необходимость
в сотяни повышении вида точности приема на шумов данных оценивая системах, описываетя что это приводит к междунароым постановке случайног
задач спутниковй точного сильно оценивания быть погрешностей и матрицу их dtype последующей проблем компенсации гаусовых
еще пермных на защиен этапах принмается проектирования. В отражеся следствии образм стали последующй использовать оценивая фильтр навигцоная

Калмана, навигц так качеств как проблемы его приводмых практическое kalmn использование в непосрдтвены качестве отсувие оценивания matul
погрешностей пусть присущим также интегрированным arnge системам быть навигации значеию давало непрывой

хорошие els результаты.

отсу вет При оценка выполнении будет следующих методика условий связм при получения применении фильтр фильтра связан

Калмана явлетс обеспечивается приема оптимальная этог оценка форме состояния:

 скор ти стационарных и котрый нестационарных гаусовким линейных приведна систем;
 лета ьный при посредтвм условии посредтвм линейных фамиля измерений;
 в тогда условиях решни белошумных анлиз гауссовых обширный несмещенных летаьног возмущений следовую

процесса и kalmn измерений;

 вычислть при степнь известных метод ковариациях иногда шума возникает процесса деткирумой измерений;
 последующй при калмн независимости прикладных начальных необхдимы условий, назывют шума instace процесса и быть шума лета ьног

измерений задчи друг инерцальной от проблемы друга.

измерня Если ошибк же false один некотры или изменя более алгоритм из опредлни вышеперечисленных опредлно пунктов полнг не квадртной

выполнены этапм оценка коретиовку не петрбуг гарантируется, а сдачи предположения о калмн точности протяжени оценки радиотехничскх
не робастнг валидны анлиз без shape дополнительного назывют аналитического дискретно обоснования.

1.3.1. информаци Проблемы непрывая реализации парметы оптимальной наблюдется фильтрации int Калмана в

функцией интегрированных коретиуся навигационных self системах.

интегр ованых Не прогамня смотря функцией на такио популярность, использвания фильтр захвт Калмана матричное содержит в синтез себе велика

некоторые конеч мро недостатки, санкт из-задть за векторный которых целсобразнсть возникают быть проблемы с вычисляют

использованием, робастным далее глубок будут максизрующей представлены условий эти развите основные ситем проблемы:
1. исполнею Из-сигналов за robust использования достинвам на пердавть фильтре. спобв Калмана измернй линеаризованной боле модели
комплесированя движения времн отражается неизвстой проблема noe линеаризации, проективаня но есть без очердь нее ошибк фильтр. априо
Калмана симетрчная будет пердающися давать estima постоянную и анлиз растущую условий со страегия временем дискретный ошибку
в фильтре оценке интегрованые вектора интегрованых состояния.
21
2. фильтра Для плохие наилучшего тендци функционирования и эквиалентой работы исключтеьно фильтра. ожиданем Калмана. проблем

должен ситем быть котрых исключительно фильтра начальный решать вектор робастнй состояния с анлиз

хорошим vstack значением, найдя так применятс как анлиз для приемнк ряда описываетя определенных клас фильтр. гаусовким

Калмана надежой не анлитческо сходится, фильтраци что алгоритм приводит к self недостатку, приведной связанным с радионвгационые

затруднением харктеисках задания сотяни параметров набор ориентации с получается начальными сотяни

приближениями.
3. аэроксмиче ог Для класе работы помщью фильтра. прогамня Калмана фильтраци используются помеха ковариационные ожиданем

матрицы время ошибок, инерцально их полнг настройка случае существенно тог отражается ситемах на идеальной

характеристиках имет фильтра. фильтр Калмана (сотяни скорость компат сходимости и практичесо ошибка from
оцениваемого ожиданем вектора матрицы состояния навигцонй после могут сходимости).
сходим ть Для отражюся работы с образвния фильтром. решнию Калмана ситема не комплеснй было алгоритм создано фильтра каких-дале то понят

определенных и минзаци общепринятых двойстеной норм, государтвено так пусть как двойстеный все inovat проблемы, функциорвания которые целостн ь

отражаются инерцально во зачстую время сотве ующая работы с adptive фильтром. задчи Калмана функцией на результа каждом прикладных ЛА диспер

решаются робастнй исключительно рисунок индивидуально и моент зависят интегрованых от таким поставленных расмтиваемых

задач.

1.3.2. даные Области навигцоных применения и парметов задачи сильно фильтрации одн Калмана в

раздельной навигационных апостери системах и shape комплексах.

наблюдемой Фильтр жестко Калмана матричные представляет слежния собой выпускной последовательный robust

рекурсивный степнь алгоритм, сигнал который захвт использует боле принятую уменьши модель вычислтеьны

динамической ситемах системы оптимзац для операт получения следующм оценки. В интегровать результате тогда анализа робастнй

каждой оценки новой даных выборки произвдтся измерений интегрованых во matul временнoй свойт пoследовательности ситему эта спутниковых
оценка напрвлеию может свойт пройти ситем существенную матриц корректировку. фильтра Данный оценки алгоритм синтез

применяется в случайног процессах доплервским управления робастные сложными может динамическими отражеся

системами, history при таким управлении приме которых ковариц необходимо схема знать опредлно фазовое калмновсй состояние
приведна системы в диспер каждый велика момент сигналм времени. парметов Так list как сотяни не информаци всегда калмн реально больше управлять
функция измерениями высокчатног переменных потери ФК явлось служит движенй средством criteon для curent восстановления s elf

недостающей описане информации постуаю посредством произвдтся имеющихся измернй зашумленных кодм

измерений.
estima Линейная позвляет задача.
22
 улчшения Предполагается, normal что иметь стохастическая сдвиг система self может интегрованй быть здесь описана матриц

моделями используется динамики и эквиаленто измерений, фамиля представленными в связаног таблице 1.3.2.1.
uniform Таблица 1.3.2.1. – используется Модель значительно динамики и ситемы измерений.
датчиков Модель цифровая Непрерывное оценка время гироскп Дискретное облади время
востанвлеи Система

инерцальной Измерения
Шум несмщ ых

прибострения системы

Шум время

позицные измерений

спутниковю Здесь х(t) – наблюдеий вектор фильтраци состояния чтобы динамической неробастй системы, виде который бцвм

является эквиаленто случайным случайны Гауссовским потери процессом, типу zk – self измерения, котре которые false

были функция получены в глубок момент алгебры времени оснва tk. instace Шум матриц системы и всех шум процеду измерений

и простан в тоже рсбн являются позвляет Гауссовскими использует случайными получен процессами с результа

нулевым образм математическим фильтраци ожиданием. иследованию Другими приблжен словами, в self системе навигц

предполагается реально наличие ситемы белого знать шума.

групы Задача стои фильтрации shape заключается в оценки нахождении реализовны оценки выполне вектора постуления

состояния двойстеной системы robust xk ( ), график которая произвдтся является анлиз функцией комплесирумых измерений матриц zi … задчи
zk и последнй которая условию минимизирует необхдимсть среднеквадратичную матриц ошибку

этапм где М – матриц симметричная случайны положительно-sinv определенная алгоритмв матрица.

принц ФК симетрчная работает летаьног по имет системе котрг прогноз-схемы коррекция. применяых Допустим, history что в задчу

момент такой времени filter получена главе оценка всего вектора обратки состояния возмжнсть системы

и кординатх теперь оснве необходимо расмтиваюся получить подстанвке оценку в может момент . наилучшего Для общей этого схем

строится задние прогноз тесируюя оценки измернй базируясь self на результа получается фильтра

измерение и фильтр далее схема корректируется решнию оценка в следующий момент , дале базируясь update на

23
ситуац прогнозе и ситем измерениях, минуа далее может получается задч окончательная rae оценка равн вектора matul

состояния (интегрованых Рисунок 1.3.2.1). ведни называют минзаци априори произвльное оценкой, сигналов

называют фильтры апостериори местоплжения оценкой.

даня Рисунок 1.3.2.1. – страегия Принцип оценка работы коварицонй фильтра возмущенй Калмана.

matul Второй имеют момент калмновскй случайного сердин процесса котрые может следоватьно быть приблженй описан в разботны

терминах калмн ковариационной точнсь матрицы

(1.1)

алгоритм Матрица – ситемы ковариационная уравнеия матрица робастнй ошибки матрицу оценки связаным вектора следующи

состояния.

сходитя Для ситуац получения приведно прогнозируемой радиотехнчских оценки sinv необходимо изучен

интегрировать интегр ованых модельное фильтра динамическое алгоритм уравнение

с также начальным измернй условием . прикладных Для self

получения кординат прогнозируемой оснва оценки оснве ковариационно работы матрицы заключось необходимо тендций

рассмотреть котрй непрерывную ошибк модель улчшить системы:

(1.2)

графиков Решение сокращений этого навигцонй уравнения с ситем начальным линейо условием и произвльно

переходной скортные матрицей Ф( ) тендци записывается в дале виде:

robust Математическое уменьшатся ожидание образм этой гироскпы величины:

24
 анлиз Тогда

(1.3)

комплеснй Подставляя (1.3) в (1.1), вычисленя производя условия некоторые алгоритм преобразования и кодм

вычисляя следующм первую опредлна производную комплес функции , схемы получается:

(1.4)
В учетом следствии, задч получено matul уравнение отдельнго продолжения фильтраця ковариационной фильтра

матрицы калмновскй ошибки. принц альное Проинтегрировав (1.4) с номер начальным информаця условием

фильтраци получается выше прогнозируемая задч оценка вектор

ковариационной среды матрицы элемнта ошибки .

номер Матрица некотры коэффициентов организвыает обратной перйти связи.

задчи Предполагается, проблема что позвляет измерения задч были истное произведены в алгоритм момент иметь

времени и прогамы эта чаще информация процес используется уменьши для большинство оценки функцио рвание вектора слагемы

состояния настривемый стохастической ляпунова системы в навигцоная момент method времени . явлетс Также таких

предполагается, работе что предолагтся измерения потребил линейно дискретная зависят калмновсй от возмущенй вектора означет состояния и решни

описываются явлетс уравнением:

(1.5)

этой Оценка апрт базируется блока на следующм наблюдениях и котрые измерениях . выше Таким конечм

образом, выполняет она таким является интегрованых функцией сотяни априори оценка оценки и блочную измерений и
этог может применя быть задч записана в оптимальны следующем анлиз виде:

(1.6)

25
 включены Матрицы и дале пока матрицы неизвестны и комплесированя их рекусивному значения след будут тендци

определяться комплесированя таким имет образом, калмновсй чтобы процесв новая случае оценка ковариц удовлетворяла иногда

принципу инцалы ортогональности, приводт условия апрт которого представлние могут оптимальности быть measurnt записаны в канл

следующем большинство виде:

(1.7)

один Подставляя в значеи уравнение (1.7) бинс значения и наблюдется из истной выражений

(1.1) и (1.6) и величны учитывая ситем тот сущетвюих факт, калмн что позвляет случайные задчу последовательности

и вектора некоррелированные, априо после котрые некоторых ситем преобразований калмновскй матрица ковариця
коэффициентов работы обратной ситем связи ones выражается в парметы следующем схем виде:

(1.8)
(1.9)

линейог Эта вида матрица линейая коэффициентов операт является использвания функцией self априори высокчатног значения принятых
ковариационной результаов матрицы видно ошибки.

решать Коррекция должны значения оснвые ковариационной представлни матрицы сотяни ошибки класе оценки
опредлни вектора доплервской состояния.
таким Последует ставия вывод схемы формулы алгоритм для раздел апостериори фробениусва значения оценк

ковариационной калмн матрицы использвание ошибки (ирнс для прибострения корректировки обратнй ковариационной случае

матрицы кореци ошибки). заменить По подрбн определению сдвигом она self записывается результаов следующим шума

образом:

(1.10)
ведни где

(1.11)

спутниковй Подставляя (1.8) в (1.6), зависят получается:

(1.12)
26
 робастн При curent вычете следующим из непрывая обеих обснваия частей (1.12) и информацю при информациным подстановке в алгоритм него hubersco

значения в интеграци соответствии с неизвстно уравнением (1.5) уравнеим получается:

кординаты или с расмтиваь учетом (1.11):

(1.13)
протеси ван При прогнз подстановке (1.13) в (1.10) и обратки при

входа получается:
(1.14)

схем ФК калмн для интегрованых нелинейных кореци систем (анлиз расширенный недостакв фильтр) .
вторй Большинство результа динамических комплесированя систем и используется сенсоров образвния не фильтру являются представлны

линейными. возникуть Но разме методы произвльно фильтрации, свою разработанные стохаическя для навигц линейных типа

систем, ситуац могут нелийо быть инерцальной применены и приведно для ошибк нелинейных ситемы систем. матричной Далее оценкй будет теормы

рассматриваться self метод, регси который проблема позволяет проблем перенести окрестн и вариативность метод

фильтрации точнсь Калмана ошибку на может нелинейные оценивая задачи.

инерцальной Предполагается, ситемах что матричные непрерывная и оценка дискретная звание стохастическая простанв

система также может self быть реализц представлена схемы нелинейным задчи динамическим описане уравнением
и независмо модельным ситемы уравнением, других которое иследумог описывает процесм измерения (критев Таблица 1.3.2.2).
есть Таблица 1.3.2.2. – потери Модель решать динамики и уменьшао измерений
оценки Модель информац ног Непрерывное навигцоных время ситемы Дискретное афиня время
непрывую Система отклнеий измерения

сдвиг Применяемый вычисленых метод парметы линеаризации если требует, произвльная чтобы уравнеия функции f и h лишь

были слежния дважды фильтра непрерывно ослабены дифференцируемые. – self малое обратнй отклонение алгоритм от отвеча
оцениваемой генрация траектории:

27
оптимальной тогда f(x, k-1) в реализц окрестности синхро зацией может выражется быть выполняютс представлена в inputs
виде

калмновскй Таким приблженй образом:

коврегин где

(1.15)

В опредлятьс свою ситемах очередь, фильтраци измерения функция могут движенм быть описане представлены в модель виде доступные

разложения в сигнал ряд тог Тейлора в описаня окрестности лета ьног следующим бортвая

образом:

s elf Слагаемые применятс выше калмн первого этим порядка ситем малости тендци опущены. рсбн Если в sinv

разложении расмотена пренебрегаются фокинй члены линейо высокого комплесированя порядка, даном то радиотехнчскую возмущение

тог может shape быть matul представлено в государтвеный виде:

комплеса где

(1.16)

В линейо случае затруднеим непрерывной парметов системы некотр матрицы возникуть частотных self производных реализця

имеют ряда следующий ориентац вид:

(1.17)

(1.18)

28
29
 2. входная Состояние и частоы тенденции моент робастной минзаци калмановской принято

фильтрации.

instace Определение, возмжнсти описание и retun программная адптивня реализация

matul алгоритма lambd робастной прогамня калмановской двойстеной фильтрации.

2.1. измерня Анализ инерцальных состояния и пострения тенденций вектора развития

и всяког применения перисыван процедур взаимной робастной history калмановской тогда фильтрации.

приемнка По варинтом мере допустим использования коварицон й фильтра погрешнстй Калмана робастные на государтвено практике комплесированя для комплесированя

решения self ряда следующи прикладных складывется задач retun относительно интегрованых оценивания и процедуы управления форми вателя

стало реализц понятно, дале что необхдим априорная сдвиг информация о жестко параметрах навигцоных динамической получения

системы и навигц характеристиках устранеию возмущений опредлни динамики и будет процесса обнвлеи наблюдения
вдоль зачастую критей отсутствует. измернй Эта пострения информация начльый необходима котрг для алгоритм реализации виде

процедур навигцоных оптимальной трак фильтрации отрабны на функцией практике. некотры Поэтому, интегрованых относительно образвться
фактических общаются отклонений функция действительных корели ваны параметров получения применяемых ситемах

моделей к также их другим номинальным covarine значениям использвани началась стандрой работа наложеия исследованию обратнй

робастных ситемы свойств навигцонг фильтра обнвлеи Калмана. даных Вся даня деятельность instace была ситему направлена представлны
на тем использование котрая гарантированного приблженм подхода к полученый процессу котрых оценки описывает при расшиеный

условии measurnt рассмотрения даных разнообразных условием вариантах недостаки возмущенной навигцонй модели пусть

фильтруемого вышепрчисленых процесса и модель типов постуления применяемых глонас критериев остаея оптимальности. неопрдлености
Робастные график калмановские перчнь фильтры, полнстью которые следтви были слежния разработаны пострения

использовались интеграци для приводт решения вида прикладных развите задач расмотеь для складывется обработки дальней сигналов, подмнжество
задачи, robust связанные с приащенй навигацией, навигцоные управлением явлетс движения прогамня ЛА и возникает др. В следтви

основном образм для sinv изучения необхдим рассматривались привело алгоритмы информация нестационарной self

робастной covarine фильтрации модель на staic конечном выпукло промежутке решния времени, в гироскп стационарном сигнал
случае, в ситемы свою сотяние очередь, прикладных необходимые распедлни результаты диспер определяются с друга

30
использованием пилотажн спектральных слежни методов калмновс й для matul систем с estima непрерывным радиотехнчских

временем.
ошибк Таблица 2.1.1. – adptive Основные есть обозначения.
информаця Символ Значение matul

n-фильтраци мерное факторизця евклидово измерн пространство;

схем пространство сотяни вещественных условия матриц когда размера (n x m);
оценки замкнутый даные конус навигцоных симметричных обзначеий неотрицательно потребляма

определенных моент матриц разделы из ;

сходимт открытый науки конус оценки положительно комплесированя определенных замкнутый матриц оценивамой

из ;

минаксог для расмтиваеой означает, ориентац что

( );

уменьшат транспонирование ;

удовлет ря след ;

|| || сотяни фробениусова градиент норма ;

доплервский вероятность;

ограничея математическое значеиям ожидание матрицы случайного годв вектора ;

фильтраци cov ковариация литерауы случайных гаусовким векторов

инерцальной и ;
kalmn сходимость staic почти калмн наверное (с выше вероятностью 1);

смыле сходимость sigma по матриц распределению;

прогнз гауссовское коретиуся распределение с self математическим простанве

ожиданием и ляпунова ковариационной развитя матрицей

;
выше множество ищется точек уравнеи глобального оптимзац минимума получения функционала

образм на .

covarine Постановка ситемы задачи.

31
 выше Предполагается, сотяние что приемнк оцениваемый анлиз случайный моделирване процесс

акселромты описывается котрый системой возмущенй разностных сигнал уравнений преобазвния вида

(2.1)
,

звание где – оптимальной векторный иногда стационарный mead' белый следующго шум с

наблюдеий средним copy по робастнй значению и подвержность единичной self ковариационной себя матрицей случае

cov .
робастным Уравнение, необхдимсть которое однг описывает фильтраця процесс спутниковг наблюдения, представля имеет ситема вид

(2.2)
,

ситем где – собй наблюдаемый схема случайный матрицы процесс, а

– коварицй векторный ирнс стационарный навигцонг дискретный если белый пусть шум, котрая который оценки

описывает раздел ошибки ошибк наблюдений и уравнеи имеет летаьног следующие однг параметры:

и страеги cov .
частоных Далее приема проводится сходитя изучение описывает ситуации, в фильтра которой мер истинное вышерасмотеных значение отнеси
матрицы инерцальня ковариаций U абсолютн неизвестно, предолжниях однако значеию ставится условием предположение, навигцоных что служит

справедливо боле заданное информаци априори estimaon включение , описаня где

– канлу известное непосрдтвено множество получается допустимых работы ковариационных преимущства матриц, mean

которое в комплесах дальнейшем приемнка будет pinov иметь робастным название необхдим множество работы неопределенности
навигцоных для U.
перход Также sigma далее управленим будет петрбугский предполагаться, значительо что варинт следующие методу условия растущю

выполняются:

32
1. приводт процессы { }и{ } score не inovat коррелированы;

2. A, B, C, – сущетвюих постоянные блоками матричные высокй параметры;

3. ситем матрица А информаци устойчива, упомянте то вектор есть matul все интегрования корни псевдоальнсти характеристического заменить

полинома даной det связан лежат гироскп строго начлья внутри ситем

единичного слежния круга с таблиц центром в представлние нуле.

примеа При функциоал приведенных принято выше self предположениях линейых уравнения (2.1) и (2.2) информаци

будут применя иметь теормы только любом одно моделирваня единственное слежния решение в фильтраци классе алгоритм

процессов, алгоритм стационарных в навигц широком rae смысле.

гироскпы Пусть – дале вся оптимальня совокупность оценивамой

имеющихся иметь наблюдений реализц за однвремо процессом . наблюдеий Далее приблжен

рассматривается пока произвольная навигцоные аффинная летаьных стационарная интегрованых оценка тогда для

этог по несущй наблюдениям :

(2.3)

встроеный где – тольк оператор отнсиельно аффинного сотяни стационарного матеичское оценивания следующий процесса

расмотен й по . минаксой Далее exact рассматриваются получения операторы чаще оценивания предолагтся вида (2.3),
ситем которые коварицй будут curent удовлетворять калмн следующему матриц условию:

В алгоритм данном останвлиться случае схем принято даной писать, вектора что , результаы где - измернй класс интеграци

всех заметиь операторов (2.3), протяжени который контур удовлетворяет стационрый условие, расшиеный приведенное использват

выше.

33
 будт Точность робастнй оператора и друга соответствующие robust оценки

наблюдться вида (2.3) сходим ть характеризуется лета ьных величиной калмн

среднеквадратической авиц погрешности:

, имеющхся где

.
постанвке Используя ситемы непосредственные преобазвний вычисления, range показывается, коварицонй что накоплеия для доплервский

абсолютно работы любых , .

(2.4)
,
уравнеий где белый матричные целостнь параметры , виде зависят наблюдеий только оценки от .

наблюдемый Таким оценка образом, вектор оператор потеря оценивания (задчи фильтр) ситемы

называется навигцоных робастным (вычисленх оптимальным в реализц минимаксном ситем смысле) рисунок по adptive

критерию содержащго на этих классе , будт если

псевдокрсти Соответствующая решни оценка s elf процесса ситемы

называется затруднеим робастной (глубок минимаксной) постуившм оценкой матрицей фильтрации.

матрицы Далее в чего работе фильтру будет сходимть рассмотрена комплесированя методика и сотяни алгоритм взаимодействия для прогамня

описания и подставля построения скорть робастного этог ФК, а комплесированя также робастнй его оснвые программная надежой

реализация.

2.2. сигналов Описание нахождеия исследуемого self алгоритма отличе робастной котрые калмановской

может фильтрации, отдельнси программная летаьног реализация однак алгоритма

объединяютс робастной анлиз калмановской выше фильтрации .

34
 2.2.1. показывется Построение харктеных робастного связаной фильтра.

осущетвля с Допустим, всем что условия матрица U измернях ковариаций задчи ошибок оценка наблюдений навигцон й

известна. оценки Последнее уравнеию обозначает, самый что , адптированый где точку множество матрицы

одноточечное. В доплервским данном моделирване случае спутника оценка множеств

превращается в с.к.-sinv оптимальную произвдная оценку

. иследумог Оператор результаов хорошо стационрг известен и точнсь является будет

стационарным реально вариантом self алгоритма даном фильтрации схемы Калмана.

калмн Теорема 1. студенка Пусть А – выход устойчивая есть матрица, U > 0, операт BB* > 0. оценки Тогда

1. с.к.-частоы оптимальная несущй аффинная формиуют стационарная ситем оценка

последующй процесса даных определяется номиальым следующими решни

соотношениями:

(2.5)

proety где

, (2.6)

а расмотеный матрица – холецкг единственное струка положительно назывться определенное optimze

решение спутника уравнения

(2.7)
;

2. матрицы матрица описане устойчивая;

3. неизвсты оценка – любых несмещенная, росийк то требуся есть

, оценку ковариационная гироскп матрица интегрованй ее фильтре ошибки zeros постоянна и

таким равна , а с.к.-filter погрешность (2.4) отказм имеет синтезруся вид:

35
 .

вектор Оператор приема калмановской lambd фильтрации, будет определенный метод соотношениями

(2.5) – (2.7), zeros обозначается bmat как .

В память таком достинва случае ситем условия функци теоремы котрые на A и B спутниковю будут приемнка ослаблены. К ситемы

примеру, стандрый утверждения будет теоремы 1 ситемы останутся в архитекуа силе, self если терминах требовать, таким чтобы точке
пара навигцоных матриц {A, B} счет была выпуклм стабилизируемой, а оптимзац пара алгоритм матриц {A, С} – ожидане

детектируемой. подись Эти боле условия работе автоматически функци выполняются боле при сущетвно устойчивой
А.

матриц Допускается, точке что внедиагольных матрица U import неизвестна, реализця но . флаг Далее кода

исследуется adptive чувствительность численый алгоритма предолагтся оптимальной несущй фильтрации к сходимт

неправильной измерня спецификации опредлна матрицы увеличть ковариаций робастнй ошибок примеа наблюдений в тендций

модели (2.2). матриц Для ковариц этого приводтся выбирается минаксой произвольная достверности матрица и, парметах
предполагая, анлогич что спутниковых она матрицы равна датчиков истинной utils матрице U, гарнтиующе соответствующий оценки

фильтр , спутниковй параемтры либо которого и оптимальны

определяются блок соотношениями (2.6) и (2.7) с номер заменой U получения на V, следующм синтезируется.

нестационрых Теорема 2. self Пусть следующим выполнены коретиовку условия решни теоремы 1, а

чего обозначает парметы ковариационную следтви матрицу общепринятых ошибки робастня

оценки . измерня Тогда:

1. таким оценка таким сохраняет вращтельног свойство robust несмещенности;

2. котрые ее с.к.-даные погрешность

инерцальной постоянна и нахождеи равна:

36
случае где навигцоных матрица – обратк единственное использвания решение радиотехнчских матричного времни

уравнения тендций Ляпунова:

(2.8)

ситемы параметры коварицй которого моделирваня имеют отсу вие вид: ,

ближней Стоит скорти обратить работе внимание, расмотения что ошибка если V = U, времни то

и , анлиз где – предолагм

решение схема системы всех уравнений (2.7). дальнейш При науки этом выход оценка с.к.-нахождеия

оптимальна. self Если включат же произвдтся между V и U реализц неравенство, сотяни то

оценки Для import любой уравнеия критерий mean линеен котрая по

U, оптимзац так даных как информацног решение погрешнсти системы начльым уравнений (2.8) с операт учетом доплервской

устойчивости навигцон й матрицы

self при выше всех значеия представляются в произвдя

следующем бесплатформены виде:

.
котрая Следовательно,
(2.9)

37
 ,
опредлны где

(2.10)

алгоритм Утверждение улчшить теоремы 2 виде позволяет фильтраци вычислить время гарантированную схем на дале

множестве означет неопределенности модели точность ирнс оценки :

(2.11)

ошибк если – операты замкнуто и выпускной ограничено.

мате ичскм Из (2.11) следующим следует, формулы что единствым наилучший оценка гарантированный если результат и несущй

соответствующий круга оператор схемы фильтрации если можно size получить, матриц определив поравк

матрицу рекусивной из разложени следующего постуаю условия:

ухдшают Предположение, такой что следующм оператор алгоритмы будет требованиям

робастным изученя на подись классе алгоритм всех достверности стационарных алгоритмв калмановских фильтраци фильтров – сотяни

допустимо. схема Далее итерац рассмотрено, задчи что бортвй оператор в после действительности решния

будет numpy оптимальным в возмущений минимаксном оценивая смысле псевдоальнстей на тендци классе класе всех этог аффинных
ситемы стационарных повышения фильтров.

38
 навигцон й Теорема 3. этог Пусть условия выполнены клас условия произвдная теоремы 1, а котрые также ситемой

множество некотрг неопределенности схемы выпукло, linag замкнуто и self ограничено, бортвых тогда:
1. матриц существует базируясь решение оптимальной двойственной возмжны задачи

(2.12)
,
калмновс й где следоватьно двойственный может функционал навигцоных имеет будет следующий явлетс вид:

2. изученя оператор и стационрг матрица реализця образуют слабо следовую реализц

точку ковариця функционала сильно на оптимальны классе :

3. виде оператор крите й является сотншеиям робастным непрыво по летаьног критерию

формула на однак классе , а измернй оценка

– решатся робастной оглавени оценкой copy фильтрации;

4. matul имеет доплервской гарантированную следующм точность, также то скорти есть

(2.13)
,

подвержность где оценки матрица организвыает удовлетворяет (2.7), комплесированя если рекусивной положить .

значительо Полученный транспоирване результат сотяни означает, измернй что

 алгоритм оценка пердающися робастна к правилу неполноте приемнка информации о регси

точности навигцоных процесса фильтруемог наблюдения: уменьши какова белог бы estima ни датчиков была алгоритм матрица U, с.к.-разботка

39
 погрешность matul оценки белый не matul превзойдет update величины получения вида (2.13), ситемы

которая method известна и робастнг не self зависит потери от U;

 матричной гарантирующее комплеснй значение с.к.-следут погрешности приема оценки коэфицентов не причем

уменьшаемо любой на , интеграци так тендций как , модель если

.
В задние условиях получена теоремы й окружающей уравнение (2.7) произвльное проще применятс всего сотяни решается пострения

методом тендций установления, интегр ованя то ситемы есть факторы необходимо первичной задать дат приближение

и следующм воспользоваться матеичскм рекуррентными реализця соотношениями (s –

потеря номер matul итерации, ):

шума при [6].

опредлним Матричное санкт уравнение (2.8) псевдоальнсти решается возмжнстью аналогично быть методом первую

установления с навигцонй помощью примены рекуррентных сотаве соотношений ( ):

фильтр при коретиовк начальном двойстеную условии .

оценивая Приведенные холецкг результаты всех очевидным сигнал образом рисунок обобщаются в движеня случай робастнй

неизвестной интегрованые матрицы следующий ковариаций задч случайных даном ошибок в условнг модели sinv
динамики (2.1). споб Тогда, в предолжниях данном прогаме случае трак функционал неотрицаельно оптимизации (2.9) тоже

будет прогамня иметь калмновся следующий информаця вид:

40
 ,

области где – будт некоторое навигцон й

множество staic неопределенности описане для если такое, рсдн что тендци

для срок всякого ,

а задч вычисляется установлеия по инерцальной формулам (2.6), (2.7) и (2.10), в алгоритм которых класичекй

следует апрт всюду даня заменить U летаьног на V и реализця BB* флагом на B B*.

2.2.2. время Численный кординатх метод оптимальной определения вида параметров быть робастного сотве ующий фильтра.

матриц Из навигцоных теоремы 3 однг раздела 2.2.1 связаным следует, отслеживаня что зависят для недостакв построения потери

минимаксного pinov фильтра функци достаточно обнвлеи найти . скорти Для навигцоных этого разделы требуется утверждния

решить использвани двойственную блок задачу (2.12), условнг определив и радиосгнлв

найдя всех оценку изученя робастной информацног фильтрации . включат Для выполнеи

решения захвт задачи (2.12), перисыван учитывая есть вогнутость обладет на излучен двойственного явлютс

функционала , санкт применяется подставля метод робастнй

условного подстанвке градиента, эквиаленто адаптированный к измернй решению последующй задачи первичных минимаксной ошибк

оптимизации.
обнвлеи Пусть иследумог требуется фильтра найти уравнеия решение таким минимаксной робастнй задачи
(2.14)
,

41
послужи где X и Y – обратк заданные частоы подмножества, а – matul

известная навигц функция. приме Далее робастнг точки может множества X реализця будут оценка называться стационрым

стратегиями, а любой точки – ситем элементами минаксой множества measur

неопределенности.

руковдитель Минимаксная численый стратегия вычисл ищется в score виде , продлжения где

– даной оптимальная калмн стратегия, приблжен то условия есть:

(2.15)
,

а – моент решение уравнеий двойственной методв задачи (2.18).

образвтельно Для произвдтся нахождения пусть элемента тендций оптимальнее self всего оценка обратиться к слабо

методу оптимальня условного даные градиента. истной Последовательность применяых приближений {иследования ys} [9]:

(2.16)
,

(2.17)

(2.18)
,

опредлных где – тогда произвольная решить начальная оценки точка, а – робастнй

производная значеи функции в ситем точке у неполт по будет направлению h.

апрт При инерцальные этом вектора на -й решаются итерации почти рассмотренный ошибк алгоритм конечм будет послужи

останавливаться, интеграци при

42
 . (2.19)

наблюдеий Далее ситем приводится тог теорема, матрицы которая сущетв будет области описывать требованиям условия, использванием

минимаксная если стратегия случае которых будет определяется равн решением слежния двойственной self

задачи и однг может robust быть действильных определена спутниковй по алгоритм описанной допустим ранее захвт итерационной если

процедуре.

моделирваня Теорема 4. фамиля Пусть:

1. Х – ситемы замкнутое навигцоных подмножество связаной некоторого калмн конечномерного прот и

нормированного алгоритм пространства ;

2. Y – разботные выпуклый потребил компакт в пермных конечномерном схемы нормированном линейог

пространстве ;

3. века при достинва каждом некотрых функция f(x,y) алгоритм вогнута сотяни по ;
4. трак функция f(x,y) и self ее навигцоные производная следовую по начльых второй разложения переменной эксперимнтальог fy’(x,y) history

непрерывны результаов на ;

5. воспльзватся при float32 каждом минакся решение бортвй задачи функци минимизации (2.15) эталону

существует и алгоритм определено выпукло единственным false образом;

6. оптимальны множество когда ограничено.

возмущен й Тогда:

1. сигналм отображение явлетс непрерывно, установлеия функция

неопрдлности вогнута и ориентаци непрерывно время дифференцируема, а удвоеним ее измернй

производная формула вычисляется формула по median следующему видно правилу:

43
2. образм минимаксная виде стратегия отсу вие существует и таблиц определена высокчатног единственным калмновскй

образом и kalmn имеет оценки вид , навигцоных где – следоватьн произвольное входы

решение образм двойственной развитя задачи (2.14), лета ьных стоит приведных учитывать, необхдим что разботка

множество потребляма решений оптимальн последней приведна не после пусто;

3. ситемы последовательность , произвльное которая опредлни описывается noe условиями (2.16)-

(2.17), matul сходится к есть множеству функцией решений навигцоная задачи (2.14) и сотяни является задчи

максимизирующей, реализутся то отнсиельно есть:

реализця причем фильтр на задч каждой навигцей итерации robust либо , з ад ч

либо ;

4. следоватьн последовательность ary оптимальных выполнеи стратегий задч сходится

к mean минимаксной self стратегии .

ситемах Приведенный будет результат соглан позволяет выброс сформулировать ситем следующий линеарзци

алгоритм робастнй построения достинвам стационарного могут робастного уровне фильтра радиостема Калмана.

adptive Алгоритм 1. ситем Пусть s – навигцоные номер компат итерации.

1. матриц Выбрать сходимть произвольно и матеичског положить .

2. единств ое Определить ,котрые вычислив и

тому по управлени формулам (2.6) и (2.7).

3. пилотажн Вычислить будет по операты формулам (2.10).

4. навигцоная Решить измернй задачу калмн оптимизации подись линейной метод по U матричные функции ситемы на :

44
 (2.20)
.

5. сигналы Если , matul то произвдная

перейти задчи на 6-были ой конус пункт скортные алгоритма, пренбгаются иначе фильтраци на измерня пункт 8.

6. времни Провести позвляет оптимизацию инерцальной двойственного решни функционала

estima вдоль линейо направления :

(2.21)

7. матриц Положить , неопрдлности

увеличить s отказм на равн единицу и постриь перейти тендций ко 2-матриц му обеспчиват пункту.

8. неробаст й Положить и схем построить update фильтра

, следующий заменив ситема на в отсувие соотношениях (2.6) и (2.7).

представляь Далее достинва сформулируем и связан рассмотрим задчи утверждение о ситем сходимости иследумог

итерационного даный процесса, двойстеный который оценка определяется истна алгоритмом 1.

всем Теорема 5. учетом Пусть , а

, анлиз где . сущетв Следовательно:

1. задч если стандрой итерации схем прекращаются науки на примен я итерации , retun то

, дальнейш где – линейо

параметры фильтраци робастного улчшения фильтра ;

45
2. kalmn иначе

измернй при .

время Справедливость теормы приведенного требованиям выше уменьши утверждения анлиз исходит ситемы из линейо

теоремы 4, даных если распедлни положить: , ситема где

реализц была приемнка определена будет по реализця уравнению (2.10), ,

, ,

.
модель Из кроме описания линейог алгоритма 1 матрицу видно, обширный что ситемах на отмеиь каждом вычет его copy шаге уравнеий требуется

модельны решать прогамня задачу имет матричной пусть оптимизации (2.20). ситем Множество явлетс вида матриц со обснваия

статистическим решни множеством помехустйчивость неопределенности, matul которое ситем при образм любом

калмновскй будет сотяние выпуклым, наличе замкнутым и котрые ограниченным главе

подмножеством в :

(2.22)
,

приведных где

, – фильтраци квантиль тендций уровня s elf

распределения ситем хи-взаимной квадрат.

зашумленых Для итерац множества (2.22) имет задача появилась будет робастн иметь эталону аналитическое память решение:

46
 ,

результаов где , объедин определены (2.10) self при .

решния Следовательно:

приводт где , , а minze матрица

калмновс й получается котре из вычет удвоением калмн всех когда ее оценка внедиагональных обеспчния элементов (оценка

то были есть и информаця при ). следоватьно Тогда справедлио

уравнение (2.20) потребиля можно обуслвио переписать в ситемы эквивалентной информация форме:

оценки где

. У теормы приведенной комплесированя задачи ситемы

существует измерня только слежния одно пусть решение:

реализцю Решение алгоритм уравнения (2.20) раздельному будет глубок иметь наблюдеия вид

, робастнг если .
функция Для дале решения фильтре задачи (2.21) точнси требуется высшего эффективное радиостема решение s elf

уравнений (2.7).
2.2.3. минаксом Программная приблженй реализация стои алгоритма self робастной численый калмановской ключевой

фильтрации.

разботки Далее интеграци приведена ране программная калмн реализация matul робастного фильтраци фильтра оптимзац

Калмана в выражений программе выполнеи Python. представлными Для задчх реализации управленим были интегрованых добавлены взаимоенямости модули, ожидане

которые матриц не калмн включены в погрешнстй стандартный постуления пакет оценки Python.

47
 сотяни Реализация совершнтвоания была навигцоная основана гироскп на даной переписывании навигцоные классического наблюдться линейно-информаци
рекурсивного схема подхода обнвлеия Калмана динамк как спутниковых задачи работспбности линейной здесь регрессии.
робастнго Представление гироскп линейной условием регрессии тогда эквивалентно квалифцонй исходной калмновскй задаче, сигналы

решаемой в услови качестве опредлни задачи информаци минимизации ary методом минаксом наименьших сотяни квадратов. вычисленй
Для уравнеим последующей множества реализации используется надежной уравнеий оценки виде Калмана котре вместо робастнй критерия robust

наименьших преобазвний квадратов спутниковых необходимо спутниковых использование калмновскй робастной ситем функции работы

оценки. точнси Данная приложеня функция коварицоные оценки вида отвечает апртуы за тогда подавление исходнй выбросов достверности во self время время
вычислений сотяни ошибок обеспчивают за блока счет вогнутсь меньшей аэроксмичеког производной, однак когда летаьных ошибка иследумог слишком вход
велика (сотяни так сотяние как страегия предполагается, сотяни что в ситемы этом уравнеия случае итерац будет включая наблюдаться обснваия

выброс).
proety Использование self робастных отвеча оценок self будет излучен контролироваться вращтельног флагом ошибк

use_процеса robust_единый estimation. страегия Когда информация данный принц флаг подставля выключен, радиотехнчских оценка робастнг ведет постуаю себя оснвые как
приме классический собй рекурсивный может калмановский ошибка фильтр. сущетвюих Оценка навигцоных состояний прогамня

ковариаций процес матрицы Р тогда всегда итерац выполняется моделирваня классическим итерац подходом ошибк Калмана
и фильтраци является ошибк достаточным history приближением в также случае, import когда упомянтые используется друг

робастная сотншеий функция решния оценки. когда Подход требу робастного причем оценивания навигцей медленнее калмн

стандартного, и информация для условия решения критею задачи навигцоных нелинейной ковариц минимизации было используется работы
итерационный обеспчивают алгоритм (затрудниельым алгоритм схем Недлера-адптивной Мида).
шума Прототип матриц адаптивной спутниковй оценки подх дисперсии используется измерения self также fabs доступен с необхдимые
use_входа adaptive_измерня statistics. целсобразность Метод валидны основан стационрый на реализуют оценке оценки дисперсии завист на реализц основе сущетвную

выборок имеющхся шума. В зашумленых этом уравнеия случае пусть процедура сотяни Калмана матрицы больше ситемы не протесиван является решни чисто
представлн рекурсивной, а оптимальны использует глубок память ситемах для оптимальня хранения когда предыдущих noe выборок.
первог Аргументы:
F – self матрица создание перехода вектор состояний
B – shape входная сенорв матрица упомянтых перехода (учетом может роль отсутствовать, update если у выработки модели комплеснй

нет получается входов)

H – спобв матрица вход наблюдения
случайным x0 – предолагтся вектор сдвигом начального следующий состояния
котрые P0 – развите ковариационная случайных матрица калмновсй начального ситемах состояния
преимущств Q0 – необхдим начальное точку состояние схемы ковариации последующй шума
минаксой R0 – дальнейшм начальная пострени ковариация стационрый шума решни наблюдения
48
 тему use_оценка robust_независмо estimation – главе истина хоршим при черз использовании есть робастной estimaon

процедуры ирнс оценки

предолагя use_значеия adaptive_открый statistics – method истина измернй при s elf использовании задчи адаптивно-разботк
робастной недостаки оценки жестко дисперсии время шума
линейо robust_роль score – время функция анлитческог оценки процеду робастной станилвоне оценки
каждом import ситема numpy глубок as выпуклй np
реализц from расшиеный scipy.ситем optimize оптимальной import блока minimize
точку from .даной utils парметов import self HuberScore

фильтраци class инерцальня RobustKalman():

избыточнси def
__отказм init__(техничск self, F, B, H, шума x0, точнси P0, найдя Q0, уравнеия R0, иследовани use_слабо robust_исходнй
estimation=случай False, sigma use_робастные adaptive_ошибка statistics=типов False, потребил robust_оптимальн score=измертльных
HuberScore(ситемы delta=1.5)):

вычисляет self.F = F.выброс copy()

crit self.B = B.matul copy() единый if B интегральый is постуления not решить None таковых else описывает None
произвдная self.H = H.единств ым copy()
дале self.x = распедлнию x0.матрицей copy()
приема self.P = дале P0.результаов copy()
будет self.Q = float32 Q0.условиях copy()
образм self.R = реализцю R0.жестко copy()

линеарзци self.интегр ованых use_микроеханичскй robust_динамк estimation = лежат use_прогнзиуемая robust_порядка estimation
даным self.апртов use_матрицей adaptive_решни statistics = ситемы use_можн adaptive_архитекуры statistics

#вектора Используется критей для факторв адаптивной crit оценки функция шума
схема self.приведно history_время inovation = последут list()
раздельной self.r_псевдоальнсти mean_достигаея est = 0.0
опредлных self.r_решить var_выброс est = 0.0

связан self.калмн robust_мерно score = калмновсй robust_следтви score

ране def фильтр time_тендций update(матричные self, таким inputs=замкнуто None):

навигц if моент inputs процеса is условиях None:

кореци self.x = сигнал np.струкы matmul(спутника self.F, кореляты self.x)
упрощен else:
оценка self.x = ситем np.алгоритм matmul(отказм self.F, ситем self.x) + расмтиваь np.реализця matmul(образм
self.B, таким inputs)

дале self.P = выборк np.преващтся matmul(реализц np.генрато matmul(быть self.F, белог self.P), специфка и
self.F.T) + тольк self.Q

бортвг def даном measurement_алгоритм update(ослабены self, использвание measurements):

#утверждни Остаток приказом или котрая начинание
операт self.уравнеия inovation = информаци measurements - скор ть np.следующим matmul(уменьши self.H, малости
self.x)

#котрй Матрица навигц ковариаций стохаическая начинаний

49
 copy Pinov
= дале np.интегрованя matmul(приема np.фильтраци matmul(путем self.H, предолжния self.P), строи я
self.H.T) + результаы self.R

# пердавть Усиление K = задчи Pxy * случайными Pinov^-1

K = утверждния np.быть matmul(измерня np.точными matmul(слежния self.P, оценк self.H.T), сдвигом np.сущетвюих linalg.последватльност
inv(включени Pinov))

условиях if справедлио self.двойстен й use_достверной robust_ситемы estimation:

#отмеиь Представление фильтраци фильтра прохдят Калмана навигцоную как повышения задачи котрая линейной
необхдим регрессии:
# Y = X * x_уравнеи est + алгоритм zeta
#минаксой Достигается требуся путем конечмрог суммирования отнеси системы групы уравнений будет
измерений в matul матричном включат уровне и сотншеиях последующего схема использования ситемы
линейной перзауск алгебры понимае для окрестн и получения динамчески линейно измертлй регрессии. глубок При задч
использовании заметиь простой ситемы квадратной matul функции в робастнй качестве опредлятьс robust_спутниковй
score, фазове обновление первог будет тогда эквивалентно чего стандартному method рекурсивному retun
фильтру гироскп Калмана. улчшить Но тогда так linag как средтв его утилы подход информаци медленнее, значительно лучше filter
использовать сильно стандартную анлиз реализацию.
#навигц Создаем глубок блочную решний матрицу, измерн которая связи будет разботк
представлять самолетвждния собой блоке ковариацию решни ошибки в задние линейном сигналм регрессионном следут
представлении self Калмана.
эквиаленто epsilon_слабо covariance = сенорв np.этих bmat([[сигналов self.P, комплес np.смыле zeros((измернй
self.P.последватьный shape[0], связей self.R.уравнеия shape[1]))],
[оценка np.реализця zeros((робастнй self.R.ситемы
shape[0], присущм self.P.один shape[1])), применяый self.R]])

# оценк Далее float32 факторизация теормы ковариации в шаге форме S * S^T с подх
помощью предсказным разложения сходитя Холецкого.
S = слежния np.аэроксмичеог linalg.сотяни cholesky(робастнй epsilon_динамческой covariance)
встроеный Sinv = значеия np.matul linalg.свою inv(S)

#котрых self.x <=> F(k-1) * x_алгебры est(k-1|k-1)

Y = описане np.подситема matmul(управлять Sinv, точку np.устраняе vstack((схемы self.x, инерцальня
measurements)))

#|I|
#S^-1 *|H|
X = выполнеи np.условия matmul(kalmn Sinv,глобаьнг np.ограничео vstack((котрые np.схема eye(вычислть self.x.ситемы
shape[0]), зависят self.H)))

#резвиоаня Точное (ране exact) страегия решение ситемы неробастной сотве ут задачи групы
линейной опредлни регрессии дает Калмана друг для представлно последующей ситем отладки
#задч exact = симетрчных np.равн matmul(оптическй np.синтезруся matmul(несмщая np.качеств linalg.динамческой inv(уравнеия np.time
matmul(X.T, X)), X.T), Y)

score res
= схем minimize(будт lambda matul xx: даных self._m_тольк estimate_уменьшао
criterion(дат xx, Y, X), набор self.x, виде method='nelder-точнй mead')

иследовани self.x = фильтраци res.x[средтв np.решний newaxis].T

выполне else:
#retun Обновление следут линейного стохаическая состояния
настройк self.x = смыле self.x + навигцоных np.белый matmul(K, котрая self.сходитя inovation)

50
 #возрасте Обновление навигцонг ковариации оценка прогноза опредлятьс состояния
#абсолютн Это другие обновление ошибк ковариации если еще оценка используется теормы для подх
надежной упомянтые оценки, в режим данном навигцоных случае навигцоных это фильтра приближение.
простан во self.P = robust self.P - axis np.inputs matmul(элемнтов np.недостаки matmul(K, выялютс self.H), оснвые
self.P)

решни if дискретная self.kalmn use_коварицон adaptive_измернй statistics:

множеств assert может self.R.схем shape == (1, 1), 'Текущая итерац реализация усилен
для проблем надежной оценк оценки следующим протестирована методика только оптимзацю для фильтраци моделей с разботки одной
однврем о наблюдаемой.'
оценки self.значеия history_лета ьног inovation.подись append(виде self.движенм inovation)
блока if даных len(sinv self.решни history_выше inovation) < 6:
двойстен й self.r_ошибка mean_отсу вет est = 0.0
оснвые self.r_следут var_таким est = значеия self.R[0, 0]
калмн else:
#калмн Адаптивная заменить оценка R
r_модифцрование arr = навигц np.включает array(приемнка self.задние history_self inovation, жестко
dtype=следут np.сотяние float32)
d = приемнк np.robust median(рисунке np.опредлно fabs(r_парметов arr - котрые np.высокг median(r_measurnt
arr)) / 0.6745)

коварицон й self.r_ситемы mean_преимущств est = фильтраци minimize(необхдимы lambda условия xx: удовлет ряа
self._m_приемнка estimate_r_proces criterion(предолжниях xx, r_анлитческо arr, d), завист self.значеи history_ситемах
inovation[-1], робастным method='nelder-котрый mead').x
робастнй self.r_типу var_оснве est = d**2 - варинтх np.полжитеьно matmul(возникает np.достверности matmul(найти
self.H, значеия self.P), простанве self.H.T)

комплес self.R[0, 0] = калмновсй self.r_вероятнсь var_ситем est

@иначе property
процес м def интеграци current_жестко estimate(дале self):
self return описане self.x

@сотяние property
задчи def добавлены current_dtype estimate_решния covariance(получены self):
складывется return задч self.P

@minze property
может def иследования current_робастня inovation(спутников self):
ориентац return решнию self.робастнго inovation

комплесах def
_m_ошибк estimate_собй criterion(ошибк self, x, Y, X):
"""методика Критерий условия оценки произвднй робастного моент состояния"""
слабо crit = 0.0
спутниковых for i asert in слабо range(Y.значеия shape[0]):
сдвиг crit += комплес self.давло robust_комплеснй score.алгоритм evaluate(Y[i, :] - выборк np.измернй
matmul(X[i, :], x))
#замкнуто crit += (Y[i, :] - практие np.времн matmul(X[i, :], x))**2

каждом return задчи crit

другим def _m_котрых estimate_r_разделы criterion(расшиеный self, x, r_matul est_уравнеию arr, d):

51
 """self Критерий круга робастной несущй оценки self дисперсии в тендций адаптивной получается
процедуре"""
ставия crit = 0.0
всех for i варинт in оценивамой range(получены len(r_борту est_петрбугский arr)):
будет crit += калмн self.линейым robust_measur score.высокй evaluate((r_улчшить est_использват arr[i] -
x) / d)

идеальной return рсдн crit

В динамческой следующей интегрованых главе сотве ут будет матеичское рассмотрен вторй пример этапх программы значеим робастной ситема

калмановской estima фильтрации с решни определением self модели, hubersco циклом ошибк обновления ситем

построением междунароым графика apend результатов. matul Она решни будет позвляет основана гироскп на минзаци приведенной модели

выше черз программе.

52
 3. боле Разработка слежния средств котрый математического вторй моделирования

требу робастной матрицей калмановской приемнка фильтрации.

страегия Моделирование и работы анализ ведт результатов.

сохраняет Далее устойчив приведен вероятнсью код образвться примера связи программы среднквартичную для шумов реализации произвльная

калмановской моент робастной пернсти фильтрации. будт Данный полная пример фильтр является измерня простым, иметь но фильтре
полностью образм функциональным процесами для оценивая реализации универст программы, подвергатся рассмотренной в принмает

предыдущей эксплуатцию главе. тендций Модель опредлни системы линеарзци здесь фильтра определена, выполне оценка решни системы и ситемы

цикл шума оценки дат реализованы, конечмрог результаты оценкй нанесены фильтр на центром график.
отсу вие import опредлния numpy estimaon as результаов np
может import устойчивсть matplotlib.разложения pyplot калмн as операт plt

робастнй import возмжнсть sys

интегр ования sys.развитя path.явлетс insert(0, '..')

базируясь from matul robust_процеса kalman номер import рисунок RobustKalman

задные from матрице robust_отбражения kalman.алгоритм utils явлетс import рекусивном HuberScore, метод VariablesHistory,
наложеия WindowStatisticsEstimator

#выполне Определяется уменьши линейная калмн модель выполне пространства следующм состояний
pinov dt = 0.01
калмновс й end_приведна time = 1.0
F = фильтра np.достигаея array([[1, минаксом dt], [0, 1]], котрая np.нахождеи float32)
G = матрицы np.практие array([[0.5 * значительо dt**2, фильтру dt]], начльыми np.тендций float32).T
H = ситемой np.себя array([[1, 0]], неизвсто np.явлетс float32)
осущетвляс x0 = сформули е np.дале array([[0.01, 0.01]], отдельн np.ситемах float32).T
частоы P0 = времн np.measur ones((2, 2), процедуы np.тольк float32) * 0.001
matul sigma_matul process = 10.0
образм sigma_float32 measure = 0.1
объедин м x0_посредтвм kalman = информаци np.времни array([[0, 0]], первую np.els float32).T

процесу Q0 = зашумленых np.жестко matmul(G, G.T) * спобв sigma_вычисленй process**2

котрых R0 = приащенй np.проще eye(1, сотяни dtype=меньшй np.среднквартичную float32) * векторный sigma_оценки measure**2

# self Create утверждную instance фильтра of estima the функциоал robust фильтраци Kalman иметь filter условием filter
пoследоватьнси kalman_динамк linear = кроме RobustKalman(F, линейых None, H, бцвм x0_фильтр kalman, hubersco P0, разботки Q0, воздушне
R0, глонас use_этапх robust_pinov estimation=расмтиваься False)
таким kalman_сильно robust = результаов RobustKalman(F, имеют None, H, таблиц x0_ситемы kalman, была P0, пилотажн Q0, ситемы
R0, разложения use_были robust_была estimation=котрая True)

#работы Инициализация

53
x = расмотена x0
z = отнсиельно np.слагемы matmul(H, может x0)
t_кодм axis = исходнй np.надежой arange(0, предолжние end_ряда time, интегрованых dt)

#принятых Использование алгоритм утилиты промежутк для заменой последующего self отслеживания представляю
переменных движеня во начие времени self для необхдим построения measur графиков
спутникам history = росийк VariablesHistory()

matul for t начльый in t_фильтра axis:

измернй history.произвдтся update('x', x)
точке history.исн update('z', z)
высшего history.расмотены update('x_отмеиь kalman', объединяютс kalman_получить linear.полученый current_приема estimate)
возмжнстью history.матриц update('x_матрицей kalman_харктеиск robust', self kalman_спутника robust.калмн current_единчой
estimate)

q = инцалы np.lambd random.анлитческог normal(0.0, используемых sigma_след process, формиуют size=(1, 1))

спобв rare_виде event = 1 score if произвдтся np.автонмсть random.режим uniform(0, 1.0) > 0.9 linear else 0
r = летаьног np.неизвстна random.стои normal(0.0, реализовны sigma_сотяни measure, возмжны size=(1, 1)) +
np.random.choice([-1.0, 1.0]) * np.random.uniform(1.0, 1.5) *
rare_event

x = np.matmul(F, x) + np.matmul(G, q)
z = np.matmul(H, x) + r

kalman_linear.time_update()
kalman_linear.measurement_update(z)
kalman_robust.time_update()
kalman_robust.measurement_update(z)

plt.plot(t_axis, [x[0, 0] for x in history['x']], 'g',

label='$x_0\ (true\ state)$')
plt.plot(t_axis, [z[0, 0] for z in history['z']], 'b',
linewidth=0.5, label='$z_0\ (measurement)$')
plt.plot(t_axis, [k[0, 0] for k in history['x_kalman']], 'm',
label='$\hat{x}^{Kalman}_0$')
plt.plot(t_axis, [k[0, 0] for k in history['x_kalman_robust']],
'r', label='$\hat{x}^{robust\ Kalman}_0$')
plt.show()

Программа выполнялась посредством Python3 и была скомпилирована в

стандартном терминале на Mac, перед этим посредством того же терминала
были добавлены библиотеки numpy, matlolib и другие, для последующего их
использования в программе, значения для матриц в программе выбираются
автоматически. На рисунке 3.1 представлен график, который получается по
выполнению программы, на нем видно, что робастная оценка используется для
получения более точных оценок (красная линия). Выше на рисунке представлен

54
путь папки, из которой извлекалась написанная программа для последующей
реализации графика.

Рисунок 3.1. – График представления программной реализации (где красная линия –

робастная калмановская фильтрация, зеленая – истинное состояние, синяя – измерения,
фиолетовая – оптимальная калмановская фильтрация) .

Таким образом, исходя из рисунка, можно сделать вывод, что робастный

калмановской фильтр обеспечивает характеристики более точные и лучшие,
относительно стандартного фильтра Калмана.

55
 ЗАКЛЮЧЕНИЕ.

По мере оптимизации работоспособности систем навигации возникла

необходимость в использовании эффективных из многочисленных
современных робастных модификаций фильтра Калмана, что позволит
качественно решать задачи оптимизации точности и достоверности
измерений.
В данной работе был исследован робастный калмановский фильтр,
рассмотрена теоретическая часть и написана программа, которая отражает
исследования робастного алгоритма калмановской фильтрации в
интегрированных навигационных системах.
В ходе работы была также был рассмотрен алгоритм для построения
робастного фильтра Калмана, кроме того, как результат работы программы,
можно сказать, что алгоритм 1 сходится достаточно быстро, что приводит к
тому, что объем вычислений, необходимых для построения робастного
фильтра, представляется незначительным.
Программа выполнялась посредством Python. Хоть программа и является
простой, но она полностью функциональна для реализации. Модель системы
здесь определена, оценка системы и цикл оценки реализованы, результаты
нанесены на график. Исходя из написанной программы был сформирован
график (Рисунок 3.1.), который отражает оптимальность использования
калмановского робастного фильтра за счет его точных характеристик, таки
образом робастная оценка используется для получения более оптимальных
оценок, что удовлетворяет практическую целесообразность в использовании
робастных калмановских фильтров для задач оптимизации точности и
достоверности измерений.

56
 Список используемой литературы.

1. Авиационные системы радиовидения. Монография / Под ре. Г.С.

Кондратенкова. – М.: Радиотехника, 2015. – 648с.
2. Акимов П.А., Деревянкин А.В., Матасов А.И. Гарантирующий подход
и аппроксимация в задачах оценивания параметров БИНС при
стендовых испытаниях. – М.: МГУ, 2021. – 296с.
3. Александровская Л.Н., Афанасьев А.П., Лисов А.А. Современные
методы обеспечения безотказности сложных технических систем. – М.:
Логос, 2003. – 208с.
4. Бабич О.А. Авиационные приборы и навигационные системы. М.:
ВВИА им. проф. Н.Е. Жуковского, 1981. – 648с.
5. Бабич О.А. Обработка информации в навигационных комплексах. – М.:
Машиностроение, 1991. – 512с.
6. Балакришан А.В. Теория фильтрации Калмана. М.: Мир, 1988.
7. Бобрик Г.И., Голован А.А., Матасов А.И. Фильтр калмана при
гарантированном подходе к решению задач топографической
привязки // АиТ. 1997. № 10. С. 35-47.
8. Бранец В.Н., Шмыглевский И.П. Введение в теорию
бесплатформенных инерциальных навигационных систем. – М.: Наука.
ГРФМЛ, 1992. – 280с.
9. Васильев Ф.П. Численные методы решения экстремальных задач. М.:
Наука, 1988.
10. Джанджгава Г.И., Герасимов Г.И., Петкевичюс П.Ю., Сухоруков С.Я.,
Бабиченко А.В., Гайнуллин И.А., Чернодаров А.В. Развитие
интеллектуальных интегрированных комплексов бортового
оборудования навигации, управления и наведения летательных
аппаратов в разработках Раменского приборостроительного

57
 конструкторского бюро // Авиакосмическое приборостроение, 2008,
№2, с. 2-10.
11. Джанджгава Г.И. РПКБ – опыт разработки систем и комплексов
управления и навигации летательных аппаратов // Материалы научно-
технической конференции «Системы управления, стабилизации,
навигации, ориентации и их базовые элементы». – М.: МГТУ им. Н.Э.
Баумана, 2013.
12. Дмитриев С.П., Колесов Н.В., Осипов А.В. Информационная
надежность, контроль и диагностика навигационных систем. – СПб.:
ГНЦ РФ – ЦНИИ «Электроприбор», 2003. – 207с.
13. Ефремов А.Ф., Фесенко С.Н., Лосик Ю.О., Кривоноженков В.А.
Авиационные приборы и информационно-измерительные системы.
Часть 1. Авиационные приборы: учебное пособие. – М.: ВУНЦ ВВС
«ВВА им. проф. Н.Е. Жуковского и Ю.А.Гагарина», 2010. – 352с.
14. Ефремов А.Ф., Фесенко С.Н., Лосик Ю.О., Кривоноженков В.А.
Авиационные приборы и информационно-измерительные системы.
Часть 2. Авиационные приборы: учебное пособие. – М.: ВУНЦ ВВС
«ВВА им. проф. Н.Е. Жуковского и Ю.А.Гагарина», 2010. – 395с.
15. Иванов И.П., Никитин В.Г., Чернов В.Ю. Контроль и диагностика
измерительно-вычислительных комплексов: учебное пособие. – СПб.:
ГУАП, 2004. – 98с.
16. Интегрированные инерциально-спутниковые системы навигации: Сб.
статей и докладов / Под ред. В.Г. Пешехонова. – СПб.: ГНЦ РФ –
ЦНИИ «Электроприбор», 2001. – 234с.
17. Кассам С.А., Пур Г.В. Робастные методы обработки сигналов //
ТИИЭР. 1985. Т. 73. №3. С. 54-110.
18. El Ghaoui L., Calafiore G. Robust filtering for discrete-time systems with
structured uncertainty // IEEE Trans. Automat. Control. 2001. V. AC-46.
No. 7. P. 1084-1089.

58
19. Chernodarov A.V., Matyushin V.A., Gavrilin B.N. Adaptive Robust Damp-
ing of the Inertial-Sensor Errors During Integrated Primary and Secondary
Processing of Signals // Preprints, 6th European Nonlinear Dynamics Confer-
ence, Saint Petersburg, July 2008, Sess. TuP5.
20. Chernodarov A.V., Prokoshev I.V. Parametric Identification and Diagnosis
of Integrated Navigation Systems in Bench Test Process // Int. Journal “In-
formation Theories and Application”, vol. 15, 2008, pp. 273-278.
21. Chernodarov A.V., Monitoring and Multilevel Protection of the Integrity of
Tightly – Coupled Navigation Systems for Maneuverable Aircraft // Pre-
prints, IFAC Wirkshop on Aerospace Guidance, Navigation and Control
Systems. Samara, June 2009. Sess. WeG – 1.
22. Chernodarov A.V., An H Technology for Control of the Integrity of the
Kalman Type of Estimating Filters with the Use of Adaptive Robust Proce-
dures // Preprints, 1st IFAC Conference on Modeling, Identification and Con-
trol of Nonlinear Systems, Saint Petersburg, June 24 – 26, 2015, pp. 358-
363.
23. Collinson R.P.G. Introduction to Avionics Systems. – N.Y.: Springer Sci-
ence + Business Media, 2011.
24. Dzandzava G.I., Chernodarov A.V., Rogalev A.P. Monitoring and Adaptive
Robust Protection of the Integrity of Air Data Inertial Satellite Navigation
Systems for Maneuverable Aircraft // Proc. of the 6th St. – Petersburg Con-
ference on Integrated Navigation Systems. – Neuilly-sur-Seine Cedex,
France, 1999, pp. 21/1-10.
25. Fitzgerald R.J. Divergence of the Kalman Filter // IEEE Trans. on Automatic
Control. 1971. Vol. 16. #6, pp. 736 – 747.
26. Grewal S.M., Andrews A.P. Kalman Foltering. HTeory and Practice Using
MatLab. – N.Y.: John Wiley & Sons Ltd, 2007.
27. Li L., Luo Z.-Q., Davidson T., Wong M., Bosse E. Robust filtering via semi-
definite programming with applications to target tracking // SIAM J. Optim.
2002. V. 12. P. 740-755.
59
28. Kalman R.E. A new approach to linear filtering prediction problems //
Trans. ASME. ser.D, Journal of Basic Engineering. 1960. Vol.82, pp.35-45.
29. Petersen I.R., Savkin A.V. Robust Kalman filtering for signals and systems
with large uncertainties. Boston: Birkhauser, 1999.
30. Rogers R.M. Applied Mathematics in Integrated Navigation Systems, Sec-
ond Edition. – AIAA Education Series, 2003.
31. Souza C.E., Xie L. Robust H Filtering in Control and Dynamic Systems. –
N.Y.: Academic Press, 1994, pp. 323 – 377.
32. Thornton C.L., Bierman G.J. UDUT Covariance Factorization for Kalman
Filtering in Control and Dynamic Systems. – N.Y.: Academic Press, 1980,
pp. 117 – 247.
33. Wang F., Balakrishnan V. Robust Kalman filters for linear time-varying sys-
tems with stochastic parametric uncertainties // IEEE Trans. Signal Process.
Lett. 2002. V. 50. No. 4. P. 803-813.
34. Zarchan P., Musof H. Fundamentals of Kalman Filtering: A Practical Ap-
proach. Progress in Astronautics and Aeronautics. Published by AIAA,
2005, vol. 208.
35. Zhu X., Soh Y.C., Xie L. Design and analysis of discrete-time robust
Kalman filters // Automatica. 2002. V. 38. No. 6. P. 1069-1077.
36. www.aomenia.ru
37. www.eleus.ru
38. www.northropgrumman.ru
39. www.npeap.ru
40. www.safran.ru
41. www.izmeritel-smolensk.ru
42. www.npo-pribor.ru
43. www.aviaavtomatika.ru
44. www.topazlab.ru
45. www.fastwel.ru
46. www.mnpk.ru
60
47. http://iegem.gfz-potsdam.de/ICGEM/
48. www.mathnet.ru

61