改进的Sage—Husa滤波及在卫星姿态估计中的应用

基于极大后验估计原理,提出了一种改进的噪声估计器,以实现对噪声均值和方差的在线估计,抑制滤波器发散。对自适应扩展卡尔曼滤波算法在卫星姿态确定系统中的应用进行了仿真。结果表明新算法滤波精度优于扩展卡尔曼滤波（EKF）,与Sage—Husa自适应滤波算法相比,可阻止滤波器发散,提高系统滤波精度。     

多姿态敏感器测量的信息融合定姿方法研究

基于最优融合估计理论,给出并证明了多敏感器组合姿态确定系统状态最优融合估计形式。设计了基于信息分配的多信息融合联合滤波器结构和算法,分析估计性能,讨论了决定联合滤波器融合的性能信息分配因子选择方法,提出了一种基于协方差阵特征值平方分解的动态自适应信息分配因子确定方法。以某卫星多姿态敏感器组合测量为例,推导了卫星姿态确定的误差状态方程和各子系统的量测方程及观测阵。仿真结果表明：采用联合滤波器对多敏感器卫星姿态确定系统进行信息融合能改善定姿精度,有效抑制滤波发散,并提高整个系统的运算与收敛速度。     

基于磁强计和红外地平仪的卫星轨道姿态一体化确定方法

针对近地微小卫星,突破轨道姿态确定分而治之的传统模式,根据耦合的卫星轨道姿态动力学方程,提出了基于磁强计和红外地平仪的轨道和姿态同时确定方法.敏感器的测量值既跟轨道有关,又跟姿态有关,充分利用测量值中的轨道和姿态信息,推导了轨道姿态一体化确定的扩展卡尔曼滤波算法.利用非线性系统局部可观测性理论对系统进行了可观测性分析,给出了不同参数对局部可观测性的影响,并对不同观测量情况下的可观测性进行了比较.最后对该算法进行了数学仿真,结果表明,该算法的可行性和有效性.     

自适应融合滤波算法及其在INS/GPS组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在系统模型不确定时存在鲁棒性差、精度低的问题,设计了一种基于交互式多模型(IMM)的自适应融合滤波(AFF)算法。IMM\|AFF算法采用两个模型来描述系统结构,且与每个模型相对应的Sage\|Husa滤波器和强跟踪滤波器(STF)独立并行工作,系统的状态估计则是两种滤波器估计的模型概率加权融合。IMM\|AFF算法兼具Sage\|Husa滤波器状态估计精度高和STF对系统模型不确定具有强鲁棒性的优点,克服了两种滤波器各自单独使用时的缺点。将IMM\|AFF算法应用于INS/GPS组合导航系统的仿真结果表明,IMM\|AFF算法的滤波精度和鲁棒性均明显优于目前工程应用中的EKF,特别是大大提高了INS/GPS系统的定位 精度 。
     

时变噪声系统的自适应强跟踪滤波器研究

在目标跟踪过程中,强跟踪滤波可以对目标的突变状态进行较好的跟踪,但由于系统噪声和观测噪声协方差阵是时变的未知量,采用固定数值将会影响目标跟踪的精度,所以需要对两种噪声特征进行在线估计.应用噪声有限记忆自适应算法改进强跟踪滤波,在线自适应估计噪声协方差阵,并提出基于时变噪声系统自适应强跟踪滤波的目标预测算法,提高了对目标状态的估计精度.利用自主研发的全自主足球机器人进行目标跟踪的仿真,结果验证了该算法的有效性.     

基于UKF的航天器最小参数姿态矩阵估计方法

钊对航天器的惯性-星光姿态确定系统，选取基于矢量观测的最小参数姿态矩阵估计方法为定姿算法。但是由于系统模型是非线性的，针对系统模型的非线性，将UKF（Unscented Kalman Filter）与最小参数姿态矩阵估计方法结合，设计了一种针对MEMS陀螺和CMOS APS星敏感器的UKF姿念估计器。仿真结果表明：在敏感器精度较差的情况下，该UKF、姿态估计器能够满足大多数航天器对姿态确定精度的要求。此外，UKF和EKF（Extended Kalman Filter）的仿真对比结果表明：UKF滤波器的收敛速度高于EKF滤波器，状态估计的精度也优于EKF滤波器，且数值稳定性好。     

基于鲁棒非线性卡尔曼滤波的自适应SLAM算法

针对传统非迹卡尔曼滤波算法缺乏在线自适应调整能力,在噪声模型出现误差时滤波精度下降的问题,提出了一种基于鲁棒无迹卡尔曼滤波的同步定位与地图创建算法。该算法引入了一个多维观测噪声尺度因子,能根据观测噪声统计特性的实际变化情况对每种传感器的噪声模型做出自适应调整,使其逼近真实噪声水平,进而将滤波增益调整到一个适当值,实现滤波器的最优估计。SLAM仿真实验结果表明,在噪声统计特性发生变化的情况下,该算法相比其它几种SLAM算法具有更好的自适应能力,估计精度更高,鲁棒性更强。     

重力测量卫星KBR系统相位中心在轨标定算法

针对低低跟踪(SST-LL)重力测量卫星K频段测距(KBR)系统相位中心在轨标定问题,提出了一种应用预测卡尔曼滤波算法的KBR系统在轨标定算法。首先,以磁力矩器和姿态控制喷气发动机为执行部件,对一颗卫星施加一定的组合力矩,使其绕另一颗卫星进行周期性姿态机动;然后,将星敏感器数据代入预测卡尔曼滤波算法中估计出卫星姿态;最后,根据KBR系统观测值与卫星姿态角之间的关系,利用扩展卡尔曼滤波算法估计出KBR系统相位中心的位置。数值仿真结果表明:KBR系统相位中心可以被实时估计,当存在较大的卫星姿态动力学模型误差时,KBR系统相位中心的标定误差仍在0.3mrad以内,证明此算法估计精度较高且鲁棒性强。     

一种纯距离跟踪滤波器的改进算法

针对纯距离目标跟踪可观测程度较低的问题,提出一种基于角度参数的纯距离目标跟踪改进算法。文中方法将系统的观测区间范围划分为若干个子扇区,每个子扇区采用一个独立的加权扩展卡尔曼滤波器进行纯距离跟踪,利用贝叶斯理论来修正各滤波器的权重,系统的输出为各并行运行的滤波器估计值的加权和,最终获得目标的运动轨迹。系统的仿真结果表明,方法收敛速度快,跟踪精度高于扩展卡尔曼滤波器的跟踪精度。     

GPS/速率陀螺组合Kalman滤波姿态确定算法研究

建立了GPS／速率陀螺组合姿态估计系统的模型，研究比较了三种典型的Kalman滤波姿态确定算法：状态扩充法、量测量求差法和时变噪声估计跟踪自适应滤波算法。给出了某航天器采用GPS／速率陀螺组合姿态确定的仿真计算结果，并对结果进行了分析。结果表明，与传统Kalman滤波算法比较，时变噪声跟踪自适应滤波算法和量测量求差滤波算法能较好地消除GPS测量中相关时变噪声的影响，提高姿态确定的精度；而且时变噪声跟踪自适应滤波算法能很好地消除由于噪声统计性能的不确定性对Kalman滤波的影响，提高姿态确定系统的性能。