非全研究生-室内定位研究-综合导航系统中用于状态估计的滤波分类

在综合导航系统中广泛使用的线性滤波器是基于线性状态空间方程的工具，在实际应用中展现出良好的稳定性和准确性特性。通过预测和更新步骤优化后，这些方法能够有效地减少测量噪声的影响，并提供较为准确的状态估计结果。典型的线性滤波方法包括卡尔曼滤波（KF）与扩展卡尔曼滤波（EKF），其中扩展卡尔曼滤波（EKF）是应用最广泛的飞行器导航状态估计技术之一

动态系统建模
这类先进的动态系统建模技术能够有效解决复杂工程领域中的关键问题。特别是在实际应用中发现，在综合导航系统尤其是无人机导航系统中，在状态方程通常具有较大的非线性贡献的情况下（即当状态方程和观测方程均为非线性函数时），选择合适的动态模型进行参数估计与状态预测就显得尤为重要。基于统计推断的概率框架使得其成为解决复杂动态系统的理想选择。
此外，在实际应用中发现，在综合导航系统尤其是无人机导航系统中，在状态方程通常具有较大的非线性贡献的情况下（即当状态方程和观测方程均为非线性函数时），选择合适的动态模型进行参数估计与状态预测就显得尤为重要。
此外，在实际应用中发现，

图优化算法作为一种新型的滤波技术，在综合导航系统领域得到了广泛的应用。其核心思想是通过建立状态变量之间的关系模型，并基于这些模型对状态进行最优估计。该方法的主要优势在于显著提升传统线性与非线性滤波算法的精度和鲁棒性。近年来，在移动机器人室内定位以及多机器人协同定位领域中，该方法已经被成功应用于实际工程中，并展现出较高的精度和稳定性。

综上所述，在综合导航系统中用于状态估计的主要主 filter 分类主要包括：基于线性的 filter、非线性的 filter 和图优化 filter 三类。其中，在综合导航系统中，线性 filter 常被采用。这种 filter 的特点在于其基于线性的 state 空间模型，并且具备良好的鲁棒性和准确性。而针对系统的非线性 state 估计问题，则采用了非线性的 filter 算法来处理。其中一种典型的算法就是扩展卡尔曼 filter（EKF）。此外，在这一领域中还提出了利用 graph-based 的方法来进行 state variable 的估计的 graph optimization filter 算法。该算法不仅提升了估算精度而且也具备很强的鲁棒特性。由此可见，在各个类型的应用场景下这些不同的 filter 都发挥着各自独特的作用，并构成了系统的高效运行基础。