基于最小二乘拟合法的分布式POS全局估计方法

针对无法保证各子阵天线附近均安装高精度子惯性测量单元（IMU）的问题，提出了一种基于最小二乘拟合的分布式位置姿态测量系统（POS）全局估计方法。首先，建立了考虑一维柔性变形角的主/子传递对准误差模型；然后，采用卡尔曼滤波（KF）估计已安装子IMU的子阵天线运动参数；最后，在已获取运动参数的基础上，采用最小二乘拟合估计未安装子IMU的子阵天线运动参数。半物理仿真实验结果表明，所提方法精确实现了阵列天线运动参数的全局估计，且未安装子IMU的子阵天线运动参数估计精度与相邻的子阵天线运动参数估计精度相当。      

一种基于自适应滤波的GPS滚转角估计方法

全球定位系统（GPS）测姿技术主要是利用GPS载波相位和信号功率2种方法，但是测量信息单一且独立，针对旋转载体的测姿问题，提出一种基于自适应滤波的GPS滚转角估计方法，通过融合GPS接收机天线信号功率和多普勒频率信息测量载体滚转角和滚转角速度。利用当前统计模型对滚转角和滚转角速度测量进行系统建模，根据滚转角预测估计值选取量测量，并提出自适应滤波，采用滚转角加速度估计自适应滤波算法，实现了对系统噪声方差阵的自适应调整，避免了滚转角加速度最值的选取问题，降低了噪声的影响。通过仿真验证了基于自适应滤波的GPS滚转角估计方法的可行性，结果表明该方法的测量精度高于无迹卡尔曼滤波（UKF）。      

基于AIGWO-IMMUKF的目标跟踪算法

针对目标跟踪算法中滤波器选择和模型设计问题，提出了一种具有自适应性的交互式多模型无迹卡尔曼滤波（IMMUKF）目标跟踪算法。首先，介绍了IMMUKF的算法步骤；其次，提出运用改进的灰狼优化（IGWO）算法优化其中的滤波参数，通过构造调节因子建立了时变的Markov状态转移概率，形成了AIGWO-IMMUKF算法，并给出其算法流程；最后，将所提AIGWO-IMMUKF算法与传统算法在相同条件下进行仿真，得出位置、速度均方根误差曲线，以及时效性对比。结果表明，所提AIGWO-IMMUKF算法克服了传统IMMUKF算法的不足，提升了算法性能，精度和时效性都更优。      

基于最小化新息协方差的修正SRCKF算法

目标跟踪过程中的模型误差会使得平方根容积卡尔曼滤波（SRCKF）性能下降,滤波精度降低;自适应滤波中的修正卡尔曼滤波（AKF）算法可以有效解决这一问题,但是难以应用到非线性滤波中。为了克服模型误差带来的不利影响,同时,进一步提高修正思想的应用范围,在SRCKF的基础上,基于最小化新息协方差准则推导了修正系数的向量形式,提出修正SRCKF(ASRCKF)算法。所提算法通过利用后期的测量数据,增加对测量值的信任度,从而达到对目标模型误差进行补偿的目的。仿真结果表明：与SRCKF和强跟踪SRCKF算法相比,所提ASRCKF算法能有效抑制模型误差,有着更优的滤波性能。     

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归（GPR）增强无迹卡尔曼滤波（UKF）预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。      

一种考虑GPS信号中断的导航滤波算法

针对无人机惯性（INS）/GPS组合导航系统,考虑导航过程中存在的GPS数据中断的问题,设计了一种改进的滤波算法。首先建立了无人机导航运动学模型,再将传统的扩展卡尔曼滤波（EKF）技术和强跟踪滤波结合,利用模糊理论中的隶属度函数设计了一种模糊强跟踪扩展卡尔曼滤波（STEKF）算法。仿真结果表明,所设计的改进算法能够快速适应GPS信号突变,即当GPS信号从故障状态恢复到正常状态时,改进算法相较普通EKF算法能更快速地收敛到稳定状态,重新完成对飞行状态的估计。同时相较普通EKF和强跟踪扩展卡尔曼滤波算法,改进算法具有更高的滤波精度。      

基于智能优化箱粒子滤波的移动机器人FastSLAM

针对传统FastSLAM算法需要大量粒子构建地图导致计算复杂度高、难以提高估计精度等问题,研究构建了一种基于智能优化箱粒子滤波（IOBPF）的移动机器人FastSLAM算法。首先,将萤火虫算法（FA）的动态寻优机制引入箱粒子滤波（BPF）,建立了箱粒子的荧光亮度更新公式、吸引度计算公式和位置更新公式,使箱粒子集智能化地向高似然区域移动,避免了箱粒子的退化现象。然后,以改进的智能优化箱粒子滤波进行机器人位姿估计,并采用扩展区间卡尔曼滤波（EIKF）完成地图的构建和更新。移动机器人的模型仿真和实体实验结果表明:所提智能化FastSLAM算法可有效提升箱粒子的性能,并降低地图构建所需粒子数,从而显著提高FastSLAM的定位精度和地图构建的鲁棒性。      

基于交互式多模型鲁棒滤波的目标机动估计算法

针对雷达导引头的测量信息带有闪烁噪声的问题，研究了交互式多模型和鲁棒滤波在雷达导引头目标机动估计中的应用.采用Huber Based滤波理论改进高阶容积卡尔曼滤波，提出高阶容积鲁棒滤波算法，选取Singer模型、“当前”统计模型、常加速度模型作为目标机动模型，建立雷达导引头测量模型，结合交互式多模型算法框架，设计目标机动估计滤波器.蒙特卡洛数字仿真结果表明，所提算法的鲁棒性较强，与传统高斯滤波相比，所提算法对闪烁噪声具有更高的滤波精度.     

低复杂度自适应容积卡尔曼滤波算法

确定采样型滤波算法中的容积卡尔曼滤波（CKF）算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。      

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

基于视线测量和轨道预报高轨非合作目标相对导航方法

对于非合作目标,由于中远距离星上相对测量手段有限,大多情况仅能获得视线角信息.仅视线测量相对导航方法在GEO轨道条件下滤波精度低、可观测性差.提出一种基于星间视线方位测量和轨道预报信息结合的非合作目标相对导航方法.建立基于星间相对运动模型的状态方程和基于星间视线测量和轨道预报信息的观测方程,分别选取了扩展卡尔曼滤波和无迹卡尔曼滤波两种方法,仿真分析了轨道预报信息精度和滤波方法对导航精度的影响.     

基于SINS/CNS组合导航系统的多模型自适应估计算法

针对单一模型滤波器在未知或不确定的系统参数下适应性较差的问题,提出了一种新的基于多模型自适应估计(multiple model adaptive estimation,MMAE)的滤波方法。该方法利用改进的卡尔曼滤波代替传统的卡尔曼滤波,比如扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)。EKF和UKF被用来作为多模型自适应估计的子滤波器,从而实现对非线性系统的状态估计。同时,还将该方法应用于基于弹道导弹模型的组合导航中实现了系统仿真。仿真结果表明,与传统的EKF和UKF算法比较,改进的滤波方法可以解决传统模型滤波器适应性差的问题,并提高系统的导航精度。     

基于并行模型自适应滤波的空间目标相对位姿估计

摘要： 扩展卡尔曼滤波(EKF)的估计精度受限于测量噪声统计特性的准确程度,如果敏感器测量噪声方差偏离其标称值,将会对滤波性能产生不利影响.尽管自适应扩展卡尔曼滤波(AEKF)能够对测量噪声方差进行估计,但是,噪声特性准确的情况下,AEKF的性能往往不及传统EKF.针对上述问题,本文提出一种并行模型自适应滤波(PMAF),基于特定的自适应率将EKF和AEKF结合起来,使得在先验信息准确的情况下,EKF在状态估计中起主导作用;相反,在实际噪声方差偏离标称值时,令AEKF起主导作用.这样,即能有效削弱测量噪声统计特性不确定性对滤波性能的影响,又能确保正常情况下的估计精度.以空间目标相对位姿估计为例,通过数学仿真对EKF、AEKF和PMAF进行了对比研究,表明所提算法的综合性能优于传统方法.     

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波（SRCKF）算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明：相比鲁棒多渐消因子容积卡尔曼滤波（RMCKF）等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。     

Real-time sensor fault detection and isolation for LEO satellite attitude estimation through magnetometer data

Attitude estimation is a critical component of the Attitude Determination and Control System (ADCS) of any satellite. It is used to convert the sensor observation data to an estimated attitude using filtering algorithms. However, in the presence of sensor faults, the ADCS fails to achieve the desired attitude accuracy. In this paper, the Fault Tolerant Extended Kalman Filter (FTEKF) is proposed to handle this imperfection. In accordance, various filtering steps are included in the FTEKF design to enhance both attitude estimation and sensor fault detection. The developed algorithm can detect and isolate any unexpected sensor faults in real time, which provides a reliable attitude estimation. A comparative study with the classical and robust Kalman filters is performed through numerical simulations in order to validate the effectiveness of the adopted filter in case of magnetometer fault data.     

基于修正似然滤波的无人机编队相对导航方法

针对无人机编队相对导航系统中视觉导航传感器量测数据存在随机时延问题,提出一种能够处理多步随机延迟量测的修正似然容积卡尔曼滤波（ML-CKF）算法。用多个伯努利随机变量对量测模型进行修正以描述随机延迟;通过边缘化延迟变量来计算滤波的似然函数以从延迟量测中提取准确的信息;采用三阶球面-径向容积准则计算高斯加权积分以解决系统的非线性。滤波中的加权因子根据接收量测的特性进行调整,因此,所提修正似然滤波具有自适应卡尔曼滤波属性。利用罗德里格斯参数表示姿态误差,设计了基于修正似然容积卡尔曼滤波的相对导航滤波器。仿真结果表明：所提算法可以准确地估计出长机和僚机之间的相对位置、速度和姿态,且估计精度高于容积卡尔曼滤波和传统随机时延滤波。     

基于单目视觉的非合作目标相对位姿测量

为实现对空间姿态翻滚航天器的在轨服务与维护以及对空间碎片的清理，需对其进行精确的相对位姿测量。针对相对位姿测量问题，提出了基于单目视觉与卡尔曼滤波的相对位姿测量方法。通过对特征点匹配算法进行调查，采用了具有尺度不变性与旋转不变性的尺度不变特征变换算法(SIFT)和加速稳健特征算法(SURF)的特征点提取方法，并对二者进行了对比，得到了二者分别适用的工况条件。通过对Kalman滤波算法进行研究，引入了相机偏置矩阵，设计了Kalman滤波器，解决了单目相机的距离模糊问题，估计得到了非合作目标的相对位姿、主惯量比以及特征点位置信息。经过仿真，姿态角度估计误差在稳定后低于0.3°，相对位置估计误差在稳定后低于0.5m，相较于真值，误差小于1.67%，主惯量比估计误差在稳定后低于0.01，特征点位置误差在稳定后低于0.005m。在引入相机偏置条件后，滤波状态变量均收敛，并得到具有足够精度的估计，成功解决了单目相机深度信息缺失问题。     

运用信息融合式高阶UKF的微小卫星姿态确定算法

为提高微小卫星微型低成本姿态敏感器的姿态确定精度，基于磁强计/太阳敏感器/陀螺仪的姿态敏感器配置以及无迹卡尔曼滤波方法（Unscented Kalman Filter，UKF），设计了一种基于高阶UKF算法并且融合磁强计与太阳敏感器观测信息的微小卫星姿态确定算法.为提高系统状态方程非线性函数的一步预测精度，采用基于五阶UT变换的高阶UKF算法，增加了Sigma采样点数量，提高了系统状态预测精度.单一观测向量滤波算法不能同时满足多个不同量纲观测数据，本文提出一种同时利用两个观测向量的信息融合式滤波算法，根据磁强计和太阳敏感器的观测信息，通过卡尔曼滤波原理中的增益计算，分别得出地磁矢量和太阳矢量对应的卡尔曼增益信息.采用高斯概率密度准则进行信息融合，进而完成预测值的修正，得到同时满足磁强计以及太阳敏感器观测需求的四元数估计值，降低了观测误差的影响.仿真分析验证了算法的优越性.      

一种无人机视觉导航方法及其滤波算法改进

设计了一种无人机视觉/惯性组合导航系统,将无人机和地标点的运动模型作为状态方程,视觉信息作为观测量构建了与之对应的滤波模型.在滤波处理上,采用了复杂加性噪声模型对系统噪声进行建模处理;将小波分析引入到UKF(Unscented Kalman Filter)滤波中得到小波-UKF滤波算法,以此克服视觉观测噪声对滤波的影响;采用最大后验概率准则(MAP,Maximum A Posterior)自适应估计观测噪声协方差阵,并将其反馈到滤波过程中克服了小波处理后观测噪声方差阵不易确定的不足.仿真结果证明:对滤波算法的改进可以有效地提高滤波估计的精度.