空间非合作目标快速姿态跟踪导航方法研究

提出了一种空间非合作目标快速姿态跟踪导航方法。在非合作目标相对测量过程中,激光测距仪测距数据具有不连续的特点。当不具备测距数据时,采用基于位置-速度方差修正的姿态跟瞄导航滤波算法,引导追踪航天器完成对目标的粗捕获和保持;当具备测距信息时,通过引入间接量测矩阵和Wonham能控规范型极点配置方法,采用基于全维状态观测器的姿态跟瞄导航滤波算法,完成对目标的连续精确指向跟踪,并通过配置观测器极点调整滤波收敛速度。本文提出的姿态指向跟瞄导航算法克服了非合作目标跟瞄过程中测距信息不连续的问题,与传统扩展卡曼滤波算法相比,能够避免量测方程近似线性化过程中的大量矩阵求导运算,因而提高了跟踪导航滤波的收敛速度,增强了追踪航天器对非合作目标的快速姿态指向与跟瞄能力。     

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.     

与非合作目标编队的相对姿态控制

针对非合作目标卫星编队飞行过程中,根据任务需要受控卫星保持指目标卫星。为了跟踪目标姿态,提出了一种相对姿态控制方法。该算法只需测量目标的相对位置,通过计算得到目标姿态。然后设计了相对角速度观测器,得到相对角速度,通过跟踪控制器实现无误差姿态跟踪。完整相对姿态控制任务包括姿态机动和姿态跟踪两部分,因此设计了混合控制器实现被控星的姿态机动和对目标姿态的动态跟踪。数值仿真结果表明该方法可以实现对运动目标的无差快速跟踪。     

单极化雷达的散射矩阵测量新方法及其外场实验研究

针对现有装备的雷达系统不具备极化测量能力,而开发专用极化测量系统复杂度高,设备量大代价高昂的问题,本文利用国防科技大学研制的瞬态极化雷达实验系统,研究并针对一种新的极化测量算法进行了外场验证实验。该方法不需要两路正交极化发射接收设备,仅需在目标稳定跟踪阶段利用波束在空域扫掠目标过程中极化状态发生变化的固有属性对目标回波序列进行采集和处理即可实现目标极化散射矩阵的测量,外场实验和数据处理结果验证了算法的正确性。该方法对于利用天线特性来解决设备量相对较小,跟踪制导体制下目标特性测量,反隐身目标、抗干扰,低空突防和对抗辐射攻击等重要问题提供了参考依据。     

临近空间高超声速滑翔弹双通道跟踪算法

为了提高临近空间高超声速滑翔目标的跟踪精度,提出了一种双通道并行跟踪算法。首先对比分析了目标的弹道轨迹,目标角度域参数相比位置域参数存在更显著的变化规律,为了在雷达测量直角坐标系下跟踪,采用倾角和方位角代替航迹倾角和航向角,将倾角变化率和方位角变化率描述成零均值正弦自相关随机过程,分别建立了纵向通道和横向通道的角度域模型。然后将目标轨迹分解到纵向观测平面和横向观测平面,通过量测数据预处理、双通道并行滤波、输出状态合并,实现目标的三维跟踪。最后通过仿真实验设置了算法中两个通道的机动模型的参数,分析了过程噪声对跟踪精度的影响,仿真结果表明,与现有的临近空间高超声速目标跟踪算法相比,该算法具有较高的跟踪精度。     

一种多级弹道导弹主动段状态/参数联合估计算法

为了提高未知弹道参数下的多级弹道导弹主动段目标跟踪精度和鲁棒性,提出了一种目标状态/参数联合估计算法。首先对多级弹道导弹主动段运动进行建模和动力学特性分析;然后在重力转弯目标跟踪模型（GT1）基础上进行改进,得到三维重力转弯目标跟踪模型（GT3）,并与容积卡尔曼滤波（CKF）算法结合,设计了多级弹道导弹目标主动段状态/参数联合估计算法;在此基础上给出一种多级弹道导弹目标机动飞行模式,最后分别在常瞄准攻角飞行和机动飞行条件下完成仿真验证。GT3算法对导弹主动段三轴机动比较敏感,克服了GT1算法无法准确描述主动段运动的缺陷,算法精度、鲁棒性有所提升。GT3对瞄准攻角不为零的多级助推弹道导弹主动段跟踪表现出明显优势,且对级间切换具有一定的识别能力。     

一种基于简化自适应SCKF的目标跟踪算法

为降低传统自适应SCKF(Square-Root Cubature Kalman Filter)在目标跟踪过程中的计算负担,依据目标跟踪模型中状态方程通常为线性的特点,提出一种简化自适应SCKF算法。该算法在一步预测过程中,利用状态转移矩阵代替容积点,实现对状态变量和协方差矩阵的计算,达到降低运算复杂度的目的。通过对机动目标跟踪的仿真验证:相比于传统的自适应SCKF,提出的简化自适应SCKF不但能够保证跟踪精度,还能有效地提高运算效率。     

一种基于SIFT和KLT相结合的特征点跟踪方法研究

在目标发生明显姿态和大小变化条件下,为了利用基于特征点的跟踪算法实现对目标可靠、稳定跟踪,提出了一种SIFT算法和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪方法。通过对SIFT算法进行优化,使得到特征点分布相对均匀,同时不存在聚集现象;通过对KLT匹配算法进行分层迭代设计,提高了目标作快速运动时的匹配精度;最后根据特征点匹配结果,结合Greedy算法得到目标的准确位置。实验结果表明：该算法能够很好地适应目标姿态和大小的变化,实现对结构复杂目标的稳定跟踪;比KLT跟踪算法具有更好的鲁棒性和稳定性,能得到更加准确的目标位置。      

基于修正模型的自适应跟踪算法

提出一种基于修正模型的自适应跟踪算法（CSM-AKF）。通过状态扩维和机动检测实现模型参数的自适应调整,克服＂当前＂统计（CS）模型中参数预设的负面影响,提高了系统的跟踪精度以及目标在做强机动时的快速响应能力。仿真结果验证了算法的有效性。     

一种基于强机动的目标跟踪改进算法

针对传统目标跟踪算法鲁棒性较差等问题,提出了一种基于当前统计模型的无迹卡尔曼滤波交互式多模型(IMM-CS-UKF)融合算法。在交互式多模型算法框架内,计算当前统计模型的概率,提高了统计模型的目标加速度和自适应性。该算法结合了交互式多模型和无迹卡尔曼滤波算法,具有对不同机动模式目标的自适应跟踪能力和精度高等优点。仿真结果表明,该算法对以多种机动策略实时机动的目标具有较好的跟踪性能。