篇一：英语翻译(惯性导航)
捷联式惯性导航技术
基于上述原因，即使参考和对准系统都以捷联的形式配置，加速度和角速度匹配法一般也不建议应用于机载惯性系统对准上。但是可以使用第10.4.3.3节中所述的速度匹配法来替代。惯性导航系统中速度误差的传递以及惯性设备的原理误差都会影响对准的精度。通过对比参考和对准系统提供的速度估计量，便可以得到对准误差估计量，并且在一定条件下，也可以得到传感器偏差的估计量。因此，在这个过程中，还可以测量传感器精度。由于在将设备的原始测量值和惯性导航系统的速度估计量整合过程中会出现平滑效应，因而在对准过程中，其挠曲效应和传感器噪声比我们常用的加速度匹配的影响小得多。另外，它还具有更易于对杆臂效应进行修正的优势，这种“速度”级的修正，只是起到改变转弯速率和增大距离的作用。
10.4.3.3 速度匹配法对准
正如上一节所提到的方法，将对准系统得到的速度估计量和机载导航系统得到的速度估计量，进行比较，即实现空中对准。鉴于对准问题的性质，涉及到很多相互关联的、随时间变化的误差源，其一般使用包含噪声干扰的测量值，比较适合建立统计学模型来处理。可以考虑利用卡尔曼滤波技术，具体原理参见附录A。
本节将描述利用卡尔曼滤波理论构建测量方程和系统，来处理速度信息，从而得出对准误差的估计值。为了举例说明卡尔曼滤波理论，提出了很多简化假设得出具体公式，下面将详细阐述。
系统方程式
对于一个指定的参考系，需要精确地确定出对准系统的姿态和速度。通常情况下，将坐标系的主轴设定在飞机上或导航坐标系上。这里分别以下标a和b表示对准系统和参考系平台。依据第三章所用的符号，
对准系统的传感器轴与参考系的联系矩阵即方向余弦传递矩阵
受下面的微分方程约束：
式中为对准系统相对于参考系的转弯速率的斜对称矩阵，这里
和参考系的转弯
，利用，进的转弯速率是分别将对准系统的采集的角速率速率进行微分得到的。方向余弦矩阵的估计量，记为和参考系速率估计值来确定出转弯速率的测量值
而得出，由微分方程的估算公式得：
正如10.3.2节所述，考虑小角度偏差，方向余弦矩阵的真实值和估计值之间的关系可以表示为：
式中
表示特征矩阵，
矩阵，表示如下：
表示斜对称
式中，非对角线上的元素
、和代表对准系统中的姿态误差。 根据下面的式子可以看出姿态误差的传递情况：
式
为对准误差向量，
测量误差，表示向量叉乘。 中为陀螺仪”为参考系速率估计误差，符号“
为了得到本例中的卡尔曼滤波公式，在构建陀螺仪误差模型时附加高斯白噪声，假定参考速率误差为零。在第十二章里有此方程的推导，同时对于捷联式惯性导航系统误差的传播还有更详细的讨论。
速度方程可以近似表示为： 式中为飞机速度，为对准系统中由加速度传感器测得的主轴上比力，为当地的重力加速度，该对准系统的速度估计的传递误差可以表示为：
式中
力在参考轴上的分量，为对准系统测得的比代表加速度传感器的测量误差。在卡尔曼滤波建模中考虑高斯白噪声的影响。 将方程
和联立，表示成状态空间的形式：
式中误差矩阵，
为输入噪声矩阵，为误差状态向量，为系统
为系统噪声，包括设备噪声和非建模偏差，误差状态向量可以表示为如下分量形式：
式中是姿态误差向量寻东误差。 的各分量，，分别表示速度的寻北误差和
误差方程的完全形式表示如下：
式中，
地球转动角速度
纬度
地球半径
为飞机高度
载体加速度的北向、东向和垂直分量
方向余弦矩阵的各元素
陀螺仪的各噪声分量
加速度计各噪声元素
从系统误差方程
要使方位失准角可以看出，飞机的北向和东向加速度需以速度误差的形式传播。
分别对陀螺仪和加速度计误差进行建模来完善误差模型。例如，可以增加额外的状态量来表示传感器测量偏差的修正量。
为了将卡尔曼滤波离散化，通过整合连续的采样点，将系统的误差模型转化为如下的微分方程：
式中矩阵，表示从时刻
为零均值白噪声序列。 到时刻的系统转换
测量方程式
飞机导航系统所得的北向与东向速度测量值组成卡尔曼滤波的
测量值：
对准系统测得的测量估计值表示如下：
在飞机上，参考系和对准系统相隔一定的
距离，因此必须补偿由旋转导致的速度分量
方法的计算由飞机转弯速率的测量值
用公式而得。即杆臂运动。该修正
利和两系统实际距离的测量值可以由飞机导航系统或具有一定精度的对准系统获得。
在修正时对每个测量值进行比较以得到滤波器的测量偏差，
记为，其中
在
偏差以误差状态的形式表示如下： 时刻的测量
篇二：智能行人导航系统中英文对照外文翻译文献
智能行人导航系统中英文对照外文翻译文献
(文档含英文原文和中文翻译)
翻译：
行人导航智能多传感器系统
摘要。在研究的项目——―行人导航系统在室内或室外环境的结合‖ (NAVIO)，我们正在发展的现代智能系统和服务的对于行人导航和指导。在现代，先进的智能化多传感器系统应该能够使用3 d方式定位一个用户的所在位置。因为卫星定位与全球导航卫星系统 (GNSS,GPS等)不能在任意的环境条件下工作(如在城市,峡谷,没有卫星信号的地方和室内)，一个组合和集成其他传感器(如航迹传感器、惯性导航系统(INS), 室内定位技术,手机定位等)的系统的建立是至关重要的。利用知识型系统，用我们的方法使得一个松散耦合的雇佣传感器能实现和模拟开发出一个多传感器融合模型。至少我们可以看到现在知识系统是十分健全和完善的。应当依据以知识型系统来决定应该使用的传感器，从而获得当前用户的一个最优的估计位置和权重的观察。新的算法将会是一个综合巨大优势和不同的传感器工作性能的为一体的的算法，其服务质量会有显著的提高。在本文中将对基本原理的新方法进行描述。为了测试和演示我们的方法和结果,该项目需要考虑一个实际的场景,即对行人的导航指导，我们从维也纳技术大学的附近的公共交通开始着手。
第一场测试的结果可能会证实, 一个行人在一个城市地区，不论是在室内还是室外的环境下，这种服务都可以实现高水平的绩效指导。虽然城市地区的障碍物频繁的导致卫星定位的失常，但是3D定位技术的定位标准误差仍然可以控制在几米范围内。因此，GPS可以用来弥补中断了150米航迹的观察并且提供所需的定位精度。室内区域卫星定
位能被替换为室内定位系统(如。WiFi,UWB)。由于开发先进的传感器是可以被预期的,这样的多传感器解决方案将被部署在行人导航服务。对于这些已经开始的应用程序，我们坚信它们在定位服务领域将扮演一个重要的角色，在不久的将来会有一个快速的发展。
关键词. 行人导航、集成定位、多传感器融合、卡尔曼滤波器,、知识型系统。
1. 介绍
所研究的项目NAVIO(行人导航系统在室内环境或室外环境的结合)。我们正致力于发展现代智能导航系统和服务,为行人提供导航和指导。因而研究工作是分为三个不同的模块进行的，例如第一个模块为―综合定位‖，第二个模块是―行人路径建模‖和第三个模块为―多媒体路由通信‖。为了测试和证明我们的方法和结果，该项目设计了一个真实的情景去模拟，例如引导游客去维也纳技术大学的某个部门。
在本文中我们将集中于研究工作，并且在第一个工作环节中产生相对的结果。对于具有挑战性的任务，我们是这样处理的
——有能力实时跟踪运动的行人，使用不同的合适的位置的传感器，通过评估获得用户最精确的位置
——可以通过三个层面、高精度的定位到用户（包括能确定一个用户在一个多层建筑中正确的所在楼层）
——有能力在室内外实现无缝过渡连续定位测定
因此，首先必须由自身经验丰富的行人提供导航支持，像位置、方向、运动的用户以及联系相关匹配的地理信息和在真实世界中所存在的问题。使用位置传感器对最适合的指导和导航服务选择进行分类。行人导航系统包括全球定位系统、全球导航卫星系统定位技术和室内定位技术，手机定位，推算传感器（如磁罗盘，陀螺仪和加速度计）用来测量航向和旅行距离，以及气压传感器用来测量高度。
我们建议未来的一部分研究工作应放在发展现代化的先进的移动智能传感器系统上，可以用于任何个人导航应用，特别是当个人在外地时所需要的基于定位的服务。由于卫星定位系统与导航系统（如伽利略系统、全球定位系统等），不能在任意的环境条件下工作（如在没有知名度的城市、峡谷等），结合与集成其他传感器（如推算传感器，惯性导航系统），对于实现手机定位是必不可少的。现在我们正在对一个松散耦合传感器进行处理，在一定意义上，一个混合系统的功能将会被实现。因此，它的进一步发展提出了一个利用知识型系统的多传感器数据融合模型。根据我们现在所了解到的知识系统，是完全可以实现它的。应根据当前用户所获得的最佳估计位置和相对的权重观察参数，并且在基于知识系统的条件下来选择应该被使用的传感器。新的算法将极大的有益于整合不同传感器之间的性能，传感器所能提供的服务质量将大大改善。我们现在主要发展的重点将是基于知识系统的演绎的多传感器融合模型。在本文中将描述关于基本原理的新的方法。
这里有一个实际中的例子，在NAVIO项目中，我们研究部门通过维也纳技术大学公共运输站，对关于游客的引导进行调查。我们将介绍第一次使用航位推算传感器的结果。
2. 概念的智能化多传感器融合模型 应根据在
NAVIO项目中智能化多传感器数据模型来整合不同传感器和定位方法。利用知识型系统，使用卡尔曼滤波方法对一个用户的当前位置进行估计。图1显示了一个工艺流程的智能化多传感器数据融合模型。首先，观察每一个传感器，然后利用对一个以知识体系为基础的预处理过滤器的多传感器的位置技术。在这一步，对我们来说最为可靠的意见就是进行测试，对严重错误和异常值的检测和消除。先分析和纠正意见，然后用卡尔曼滤波器对用户当前位置、速度和运动方向进行最优估计。在对这一加工步骤所有合适传感器观测确定之前，使用随机滤波模型是适应使用知识的预处理步骤。例如，如果在目前由于一个过高的几何精度因子而使得全球定位系统精度较低，那么权重的观测就可以被减少（即被损坏的卫星接收机）。然后对于用户所在位置的最优估计应该基于其他传感器的观察（例如航位推算传感器）。
图1 工艺流程的智能化多传感器数据融合模型
在以下的原则里，以知识为基础的预处理过滤器将做更详细的讨论
3. 知识库系统的原理
我们选择了一个知识型的方法那就是提供一个能够自动预处理的传感器的观察。在下文中，我们将对基本的知识型系统做简要的介绍。他们在人工智能领域研究的成果——程序，在定义良好的问题域下模仿人类专家被称为知识系统（例如史蒂芬克。1998）。其优于传统技术的是编程语言（如Delphi、Fortran和C++）.
——对于知识的问题域需要从一般的解决问题的知识着手，这使得它更容易被知识型工程师所掌握。
——专家知识的存在，往往可以在不用转换为复杂的定义和程序的程度下，捕获到一种知识的规则和形式。知识型系统的组成分为以下几个主要部分：一个知识库，一个干扰引擎，用户接口，一个知识采集工具和一个讲解工具。各种知识型方案的表示都可以采用，例如规则、框架、语义网络等等。每种方法都有其利弊。结构的基于规则的方法与人们日常解决问题的方法十分的类似。因此专家们发现它十分便于表达自己的知识形式（即情况——行动对）。此外，规则的表示方法并不需要复杂的知识编程结构。
我们为了实现一个知识型系统可以通过实践中的不同方法加以完成，如程序方法、面向对象方法、逻辑方法等。在实践中也采用不同的方式加以组合，为实施知识型预处理过滤规则为基础的面向对象的方法是选择法。基于规则的系统有两部分组成，即工作记忆（WM）和一套规则或所谓规则的记忆。WM是一个集存储原件，其本身是实例化的一个工作记忆的类型。WMT可以视为用帕斯卡尔语言记录的声明或者是用C语言编写的结构声明。二者共同组成一个以规则为基础的系统规则。规则库总共由三组规则构成。即：
——规则选择合适的算法
——规则的预定义的必要参数
——规则确定的顺序的算法
规则是一分为二的，即左手边（LHS）右手边（RHS）。对于―左手边‖规则来说，它是由先决条件的规定而制定的，而对于―右手边‖规则来说是由具体的实际行动而制定的。如果所有的前提刻度都是适合的，那么这个规则就是可以适用的，反之即不适用。然后指定的行动在―右手边‖规则下进行。规则可以被视为所谓的数据报表。例如：如果（情况一和情况二）然后（行动）。有一个所谓相匹配的算法，即在该阶段，所有的规则是核对所有与工作记忆相关的元素，这个是一种有效的实践。在匹配结果是相冲突的阶段，期中包括了准备被放弃的实例。策略性的选择一个规则实例来解决冲突，这实际上就是放弃。编码规则是进行编程语言的选择。
编码的规则是选择中执行编程语言。实现在知识型预处理过滤器基础上实施剪辑。 执行上文所述的规则处理。在研究下表明此正向推理的进程是运行于识别行为周期之后的。对于符合条件的数据库 正向推理的具体规则是从现有数据库中实现双边原则，对于符合条件的数据库，其行动部分那些适合（或者不适合）的行动改变了现有的数据库。这个过程的重复只要没有明显的限定就可以被应用了。识别行为周期包括以下三个步骤，即：
——检测作为第一步，对所有的规则进行可能性的测试
——规则的选择作为第二步，在选中的预选规则中选择出一个特定的规则
——行动作为最后一步，选定规则或其适应的行动部分
这个运行周期只要没有限定就可以被执行或者停止信号的输出
4. 卡尔曼中央滤波器
经过预处理过滤器，利用合适的传感器和定位技术，在一个卡尔曼中央滤波器处理下对运动中的用户的速度、位置、方向做出最优的估计。利用这种递归的方法，再根据用户运动行为和现实中个观察，可以对行人的运动状态进行估计。卡尔曼滤波器提了一个精确解的线性高斯滤波问题，这个问题完全由其状态向量和协方差矩阵决定的。在过滤过程中要求减少预测量并且要更新这些统计参数。
该系统的三维运动学方程运动模型是用来预测从一个时间点到下一个时间点过程中某个运动状态的行人（如目前位置。速度和方向）。不同类型的模型的不同参数可以包括在状态向量x(k)中。以下参数可以用来描述状态系统：
——用户在三维坐标y, x, z中的位置
——三维速度vy, vx, vz,
——三维加速度ay, ax, az,
——以地平线为基准的方向运动（航向）φxy
——地平面的速度 v
——以地平面为基础的径向加速度arad
如果状态向量x(k)包含六个参数，即当前位置的三维坐标y, x, z和速度vy, vx, vz，运动学模型描述了一个常数的线性运动。恒定加速度运动是描述九个参数的状态向量，除了以往的三维加速度ay, ax, az也包括运动学模型。恒定的径向运动可以说是由不同参数的状态向量决定的，即：当前位置的三维坐标y, x, z，航向坐标φ，以地平线x，y和z轴方向上的速度为基础的速度v和加速度arad。利用这些模型对用户的运动进行预测会略有不同，与第一种模型相比，第二种模型没有使用加速度这个量，而第三种新型径向运动模型没有使用切向加速度。模拟结果表明，第三种模型很好的近似的描述出行人的运动行为。
篇三：智能导航外文翻译
行人导航智能多传感器系统
摘要。在研究的项目——―行人导航系统在室内或室外环境的结合‖ (NAVIO)，我们正在发展的现代智能系统和服务的对于行人导航和指导。在现代，先进的智能化多传感器系统应该能够使用3 d方式定位一个用户的所在位置。因为卫星定位与全球导航卫星系统 (GNSS,GPS等)不能在任意的环境条件下工作(如在城市,峡谷,没有卫星信号的地方和室内)，一个组合和集成其他传感器(如航迹传感器、惯性导航系统(INS), 室内定位技术,手机定位等)的系统的建立是至关重要的。利用知识型系统，用我们的方法使得一个松散耦合的雇佣传感器能实现和模拟开发出一个多传感器融合模型。至少我们可以看到现在知识系统是十分健全和完善的。应当依据以知识型系统来决定应该使用的传感器，从而获得当前用户的一个最优的估计位置和权重的观察。新的算法将会是一个综合巨大优势和不同的传感器工作性能的为一体的的算法，其服务质量会有显著的提高。在本文中将对基本原理的新方法进行描述。为了测试和演示我们的方法和结果,该项目需要考虑一个实际的场景,即对行人
第一场测试的结果可能会证实, 一个行人在一个城市地区，不论是在室内还是室外的环境下，这种服务都可以实现高水平的绩效指导。虽然城市地区的障碍物频繁的导致卫星定位的失常，但是3D定位技术的定位标准误差仍然可以控制在几米范围内。因此，GPS可以用来弥补中断了150米航迹的观察并且提供所需的定位精度。室内区域卫星定位能被替换为室内定位系统(如。WiFi,UWB)。由于开发先进的传感器是可以被预期的,这样的多传感器解决方案将被部署在行人导航服务。对于这些已经开始的应用程序，我们坚信它们在定位服务领域将扮演一个重要的角色，在不久的将来会有一个快速的发展。 关键词. 行人导航、集成定位、多传感器融合、卡尔曼滤波器,、知识型系统。
1. 介绍
所研究的项目NAVIO(行人导航系统在室内环境或室外环境的结合)。我们正致力于发展现代智能导航系统和服务,为行人提供导航和指导。因而研究工作是分为三个不同的模块进行的，例如第一个模块为―综合定位‖，第二个模块是―行人路径建模‖和第三个模块为―多媒体路由通信‖。为了测试和证明我们的方法和结果，该项目设计了一个真实的情景去模拟，例如引导游客去维也纳技术大学的某个部门。
在本文中我们将集中于研究工作，并且在第一个工作环节中产生相对的结果。对于具有挑战性的任务，我们是这样处理的
——有能力实时跟踪运动的行人，使用不同的合适的位置的传感器，通过评估获得用户最精确的位置
——可以通过三个层面、高精度的定位到用户（包括能确定一个用户在一个多层建筑中正确的所在楼层）
——有能力在室内外实现无缝过渡连续定位测定
因此，首先必须由自身经验丰富的行人提供导航支持，像位置、方向、运动的用户以及联系相关匹配的地理信息和在真实世界中所存在的问题。使用位置传感器对最适合的指导和导航服务选择进行分类。行人导航系统包括全球定位系统、全球导航卫星系统定位技术和室内定位技术，手机定位，推算传感器（如磁罗盘，陀螺仪和加速度计）用来测量航向和旅行距离，以及气压传感器用来测量高度。
我们建议未来的一部分研究工作应放在发展现代化的先进的移动智能传感器系统上，可以用于任何个人导航应用，特别是当个人在外地时所需要的基于定位的服务。由于卫星定位系统与导航系统（如伽利略系统、全球定位系统等），不能在任意的环境条件下工作（如在没有知名度的城市、峡谷等），结合与集成其他传感器（如推算传感器，惯性导航系统），对于实现手机定位是必不可少的。现在我们正在对一个松散耦合传感器进行处理，在一定意义上，一个混合系统的功能将会被实现。因此，它的进一步发展提出了一个利用知识型系统的多传感器数据融合模型。根据我们现在所了解到的知识系统，是完全可以实现它的。应根据当前用户所获得的最佳估计位置和相对的权重观察参数，并且在基于知识系统的条件下来选择应该被使用的传感器。新的算法将极大的有益于整合不同传感器之间的性能，传感器所能提供的服务质量将大大改善。我们现在主要发展的重点将是基于知识系统的演绎的多传感器融合模型。在本文中将描述关于基本原理的新的方法。
这里有一个实际中的例子，在NAVIO项目中，我们研究部门通过维也纳技术大学公共运输站，对关于游客的引导进行调查。我们将介绍第一次使用航位推算传感器的结果。
2. 概念的智能化多传感器融合模型
应根据在NAVIO项目中智能化多传感器数据模型来整合不同传感器和定位方法。利用知识型系统，使用卡尔曼滤波方法对一个用户的当前位置进行估计。图1显示了一个工艺流程的智能化多传感器数据融合模型。首先，观察每一个传感器，然后利用对一个以知识体系为基础的预处理过滤器的多传感器的位置技术。在这一步，对我们来说最为可靠的意见就是进行测试，对严重错误和异常值的检测和消除。先分析和纠正意见，然后用卡尔曼滤波器对用户当前位置、速度和运动方向进行最优估计。在对这一加工步骤所有合适传感器观测确定之前，使用随机滤波模型是适应使用知识的预处理步骤。例如，如果在目前由于一个过高的几何精度因子而使得全球定位系统精度较低，那么权重的观测就可以被减少（即被损坏的卫星接收机）。然后对于用户所在位置的最优估计应该基于其他传感器的观察（例如航位推算传感器）。
图1 工艺流程的智能化多传感器数据融合模型
在以下的原则里，以知识为基础的预处理过滤器将做更详细的讨论
3. 知识库系统的原理
我们选择了一个知识型的方法那就是提供一个能够自动预处理的传感器的观察。在下文中，我们将对基本的知识型系统做简要的介绍。他们在人工智能领域研究的成果——程序，在定义良好的问题域下模仿人类专家被称为知识系统（例如史蒂芬克。1998）。其优于传统技术的是编程语言（如Delphi、Fortran和C++）.
——对于知识的问题域需要从一般的解决问题的知识着手，这使得它更容易被知识型工程师所掌握。
——专家知识的存在，往往可以在不用转换为复杂的定义和程序的程度下，捕获到一种知识的规则和形式。知识型系统的组成分为以下几个主要部分：一个知识库，一个干扰引擎，用户接口，一个知识采集工具和一个讲解工具。各种知识型方案的表示都可以采用，例如规则、框架、语义网络等等。每种方法都有其利弊。结构的基于规则的方法与人们日常解决问题的方法十分的类似。因此专家们发现它十分便于表达自己的知识形式（即情况——行动对）。此外，规则的表示方法并不需要复杂的知识编程结构。
我们为了实现一个知识型系统可以通过实践中的不同方法加以完成，如程序方法、
面向对象方法、逻辑方法等。在实践中也采用不同的方式加以组合，为实施知识型预处理过滤规则为基础的面向对象的方法是选择法。基于规则的系统有两部分组成，即工作记忆（WM）和一套规则或所谓规则的记忆。WM是一个集存储原件，其本身是实例化的一个工作记忆的类型。WMT可以视为用帕斯卡尔语言记录的声明或者是用C语言编写的结构声明。二者共同组成一个以规则为基础的系统规则。规则库总共由三组规则构成。即：
——规则选择合适的算法
——规则的预定义的必要参数
——规则确定的顺序的算法
规则是一分为二的，即左手边（LHS）右手边（RHS）。对于―左手边‖规则来说，它是由先决条件的规定而制定的，而对于―右手边‖规则来说是由具体的实际行动而制定的。如果所有的前提刻度都是适合的，那么这个规则就是可以适用的，反之即不适用。然后指定的行动在―右手边‖规则下进行。规则可以被视为所谓的数据报表。例如：如果（情况一和情况二）然后（行动）。有一个所谓相匹配的算法，即在该阶段，所有的规则是核对所有与工作记忆相关的元素，这个是一种有效的实践。在匹配结果是相冲突的阶段，期中包括了准备被放弃的实例。策略性的选择一个规则实例来解决冲突，这实际上就是放弃。编码规则是进行编程语言的选择。
编码的规则是选择中执行编程语言。实现在知识型预处理过滤器基础上实施剪辑。 执行上文所述的规则处理。在研究下表明此正向推理的进程是运行于识别行为周期之后的。对于符合条件的数据库 正向推理的具体规则是从现有数据库中实现双边原则，对于符合条件的数据库，其行动部分那些适合（或者不适合）的行动改变了现有的数据库。这个过程的重复只要没有明显的限定就可以被应用了。识别行为周期包括以下三个步骤，即：
——检测作为第一步，对所有的规则进行可能性的测试
——规则的选择作为第二步，在选中的预选规则中选择出一个特定的规则
——行动作为最后一步，选定规则或其适应的行动部分
这个运行周期只要没有限定就可以被执行或者停止信号的输出
4. 卡尔曼中央滤波器
经过预处理过滤器，利用合适的传感器和定位技术，在一个卡尔曼中央滤波器处理下对运动中的用户的速度、位置、方向做出最优的估计。利用这种递归的方法，再根据用户运动行为和现实中个观察，可以对行人的运动状态进行估计。卡尔曼滤波器提了一个精确解的线性高斯滤波问题，这个问题完全由其状态向量和协方差矩阵决定的。在过滤过程中要求减少预测量并且要更新这些统计参数。
该系统的三维运动学方程运动模型是用来预测从一个时间点到下一个时间点过程中某个运动状态的行人（如目前位置。速度和方向）。不同类型的模型的不同参数可以包括在状态向量x(k)中。以下参数可以用来描述状态系统：
——用户在三维坐标y, x, z中的位置
——三维速度vy, vx, vz,
——三维加速度ay, ax, az,
——以地平线为基准的方向运动（航向）φxy
——地平面的速度 v
——以地平面为基础的径向加速度arad
如果状态向量x(k)包含六个参数，即当前位置的三维坐标y, x, z和速度vy, vx, vz，运动学模型描述了一个常数的线性运动。恒定加速度运动是描述九个参数的状态向量，除了以往的三维加速度ay, ax, az也包括运动学模型。恒定的径向运动可以说是由不同参数的状态向量决定的，即：当前位置的三维坐标y, x, z，航向坐标φ，以地平线x，y和z轴方向上的速度为基础的速度v和加速度arad。利用这些模型对用户的运动进行预测会略有不同，与第一种模型相比，第二种模型没有使用加速度这个量，而第三种新型径向运动模型没有使用切向加速度。模拟结果表明，第三种模型很好的近似的描述出行人的运动行为。
图2显示了卡尔曼中央处理器的构架。
它由四个不同的模块组成，用来叙述当前环境下（户外或者室内）的行人，或者运动中的行人（行人移动或者不移动），或者需要考虑一个可能出现故障的过滤器。因此对于户外环境下的可能出现故障的全球定位系统的检测是十分重要的，其出现故障可应归于故障的几何卫星接收机或者多路径定位。
从知识型的预处理过滤器在通过运动学模