【无人机】无人机平台的非移动 GPS 干扰器进行位置估计的多种传感器融合算法的性能分析【AEPF、UKF、PF、AHINF、HIF、EPF、 AKF、 UPF、 EKF】附Matlab代码

最新推荐文章于 2025-05-21 16:22:01 发布

matlab科研助手

最新推荐文章于 2025-05-21 16:22:01 发布

阅读量429

点赞数 13

文章标签：无人机算法 matlab

本文链接：https://blog.csdn.net/matlab_dingdang/article/details/148109972

版权

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

本论文聚焦无人机在非移动 GPS 干扰器环境下的位置估计难题，深入研究 AEPF、UKF、PF、AHINF、HIF、EPF、AKF、UPF、EKF 等多种传感器融合算法。通过详细剖析算法原理，构建包含多种干扰场景和飞行工况的仿真实验，从估计精度、收敛速度、计算复杂度等多维度对算法性能进行量化评估与对比。研究结果揭示了各算法在不同条件下的优势与局限，为无人机在复杂干扰环境中合理选择位置估计算法提供了科学依据和实践指导。

关键词

无人机；非移动 GPS 干扰器；位置估计；传感器融合算法；性能分析

一、引言

1.1 研究背景与意义

随着无人机在民用、工业及军事领域的广泛应用，其导航定位的可靠性面临诸多挑战。GPS 作为无人机常用的定位手段，易受干扰影响，非移动 GPS 干扰器通过发射强干扰信号，破坏 GPS 接收设备的正常工作，导致无人机定位失效，进而引发飞行事故或任务失败。单一传感器在干扰环境下难以提供准确的位置信息，而传感器融合技术通过整合多种传感器数据，为无人机在干扰环境下的位置估计提供了有效途径。研究 AEPF、UKF 等多种传感器融合算法在非移动 GPS 干扰器下的性能，有助于优化无人机导航系统，提升其在复杂环境下的生存与作业能力，对推动无人机技术发展具有重要意义。

1.2 国内外研究现状

国外在无人机抗干扰定位及传感器融合算法研究方面起步较早，在 GPS 干扰对抗和多传感器信息融合领域积累了丰富经验。部分研究通过改进卡尔曼滤波算法提升其在非线性系统中的性能，或利用粒子滤波算法处理复杂干扰环境下的不确定性。国内相关研究也在不断深入，学者们尝试将深度学习与传统滤波算法结合，提高算法对干扰的适应性。但目前针对多种传感器融合算法在非移动 GPS 干扰器下的全面性能对比研究较少，缺乏系统性的分析框架和实验验证。

1.3 研究内容与方法

本研究主要内容包括：对 AEPF、UKF 等九种传感器融合算法进行原理剖析；构建无人机在非移动 GPS 干扰器下的位置估计模型，设计传感器融合方案；搭建仿真实验平台，设置不同干扰强度和飞行场景；从多个性能指标对各算法进行评估对比。研究方法上，采用理论分析与仿真实验相结合，通过数学推导阐述算法原理，利用 MATLAB 等工具进行仿真建模与数据分析。

二、多种传感器融合算法原理

2.1 AEPF（自适应扩展粒子滤波）算法

AEPF 算法基于粒子滤波框架，引入自适应机制以动态调整粒子权重和数量。在非移动 GPS 干扰环境下，算法通过监测量测数据的不确定性，自适应增加或减少粒子数量。当干扰导致量测噪声增大时，增加粒子数量以提高对状态空间的搜索能力；反之，则减少粒子数量降低计算复杂度，从而在保证估计精度的同时平衡计算资源消耗。

2.2 UKF（无迹卡尔曼滤波）算法

UKF 算法利用无迹变换（UT）处理非线性系统。它通过选取一组 Sigma 点来近似非线性函数的均值和协方差，避免了扩展卡尔曼滤波（EKF）因线性化带来的误差。在无人机位置估计中，UKF 通过更新 Sigma 点的状态和协方差，实现对无人机位置、速度等状态量的准确估计，在非线性程度较低的系统中具有较高的精度。

2.3 PF（粒子滤波）算法

PF 算法基于蒙特卡洛模拟，通过大量随机采样的粒子近似系统状态的后验概率分布。每个粒子代表无人机的一个可能状态，通过对粒子进行采样、权重更新和重采样操作，不断调整粒子分布使其逼近真实状态。在 GPS 干扰环境下，PF 算法可通过增加粒子数量应对干扰带来的不确定性，但计算复杂度会随粒子数量增加而显著上升。

2.4 AHINF（自适应混合交互式多模型滤波）算法

AHINF 算法结合多个不同的滤波模型，并根据无人机的运动状态和干扰情况自适应切换模型。它通过交互信息动态调整各模型的权重，在无人机匀速飞行、机动飞行或受强干扰时，选择最适合的模型进行融合估计。这种自适应机制使 AHINF 算法在不同场景下都能保持较好的位置估计性能。

2.5 HIF（混合交互式滤波）算法

HIF 算法通过交互多个滤波模型的输出结果，综合各模型的优势进行状态估计。它根据模型间的差异和一致性，动态分配权重，将不同模型的估计结果进行融合。在非移动 GPS 干扰环境下，HIF 算法能够利用不同模型对干扰的不同响应，提高位置估计的准确性。

2.6 EPF（扩展粒子滤波）算法

EPF 算法将扩展卡尔曼滤波的思想引入粒子滤波。它通过对粒子的状态进行线性化近似，利用 EKF 的更新公式计算粒子权重，从而提高粒子滤波在非线性系统中的估计精度。在处理 GPS 干扰引起的非线性问题时，EPF 算法能比传统粒子滤波更有效地利用量测信息。

2.7 AKF（自适应卡尔曼滤波）算法

AKF 算法在传统卡尔曼滤波基础上，根据系统运行状态和量测信息自适应调整滤波参数。当非移动 GPS 干扰导致量测噪声变化时，AKF 算法自动调整卡尔曼增益，优化滤波过程，使算法在不同干扰强度下都能保持较好的估计性能。

2.8 UPF（无迹粒子滤波）算法

UPF 算法结合无迹变换和粒子滤波的优点。先利用无迹变换生成 Sigma 点，再通过粒子滤波对 Sigma 点进行处理，得到系统状态的后验概率分布。UPF 算法既具备 UKF 处理非线性系统的精度优势，又有 PF 应对不确定性的灵活性，适用于复杂干扰环境下的无人机位置估计。

2.9 EKF（扩展卡尔曼滤波）算法

EKF 算法通过对非线性函数进行泰勒级数展开，将非线性系统近似为线性系统，然后应用传统卡尔曼滤波进行状态估计。在 GPS 干扰环境下，EKF 算法利用传感器量测信息更新无人机状态，但由于线性化误差的存在，在强干扰或高度非线性场景下，其估计精度会受到较大影响。