Un filtro de Kalman federado adaptativo mejorado basado en bayesiano variacional para sistemas de navegación...

Área de la Ciencia:

• Ingeniería de Sistemas de Navegación
• Procesamiento de Señales
• Teoría de Control

Sus antecedentes:

• Los sistemas de navegación de vehículos requieren una fusión de datos robusta de sensores con diferentes frecuencias y tipos.
• La falta de coincidencia del ruido de medición del sensor degrada la precisión de las soluciones de navegación integradas.
• Los métodos existentes luchan con características de ruido inciertas y variables en el tiempo.

Objetivo del estudio:

• Desarrollar un marco avanzado de fusión de información para la navegación de vehículos.
• Mejorar la precisión de la estimación abordando la falta de coincidencia de las características del ruido del sensor.
• Mejorar la robustez de los sistemas de navegación integrados en entornos dinámicos.

Principales métodos:

• Se diseñó un marco de fusión de información basado en el filtro de Kalman federado (FKF).
• Se integró un filtro de Kalman adaptativo mejorado basado en bayesiano variacional (IVBAKF) como módulo de estimación central.
• Se utilizó un factor de olvido adaptativo, guiado por la innovación de la medición, para estimar la matriz de covarianza del ruido de medición (MNCM).

Principales resultados:

• El IVBAKF propuesto estima eficazmente la MNCM, mitigando el ruido de medición incierto.
• El algoritmo demostró un rendimiento superior en comparación con un FKF de referencia.
• Se logró una reducción promedio del 43,21 % en los errores cuadráticos medios (RMSE) de los parámetros de navegación bajo ruido incierto y variable en el tiempo.

Conclusiones:

• El algoritmo propuesto basado en FKF con IVBAKF mejora la precisión y la robustez de la navegación.
• La estimación adaptativa de la MNCM es crucial para manejar el ruido de medición complejo.
• El método proporciona soluciones de navegación estables y confiables en entornos operativos desafiantes.