地形辅助导航

本文阐述了地形辅助导航(TAN)系统及有关技术的概念、基本原理、算法以及发展概况,并与GPS系统进行了比较.讨论了在飞越平坦地形时所存在的问题及解决途径,介绍了TAN的最新发展分支—地形特征匹配(TCM)技术.     

基于改进的自适应平方根容积卡尔曼滤波相对导航算法

针对无人机编队飞行时由于目标建模的不确定性导致相对导航滤波算法精度降低甚至出现滤波发散的问题,提出了一种自适应平方根容积卡尔曼滤波算法。首先,建立了无人机双机编队时的相对导航模型。然后,基于新息的自适应修正准则,对滤波状态预测量进行修正,进行了基于自适应修正的平方根容积卡尔曼滤波相对导航算法设计。最后,开展了仿真计算与结果分析。仿真结果表明,该算法具有较好的滤波精度和稳定性,且当目标运动状态与模型不匹配时,该算法与平方根容积卡尔曼滤波算法相比有更好的滤波性能。     

一种实时飞行轨迹重构方法

提出一种有效的实时纵向飞行轨迹重构的新方法。为了得到状态估计的快速算法,本文把非线性飞行轨迹重构转化为线性、离散、时变状态和参数估计问题。将数值稳定性好、计算量也小的序列U-D分解滤波算法用于状态方程为线性、观测方程为线性或非线性的滤波问题中。由于测量值中常常含有系统偏差,本文把这些偏差作为增广状态加入增广状态模型中,并利用模型的一些特点,提出偏差分离的U-D分解算法,使计算量大大减少。仿真和实际试飞数据计算表明、本文的方法可得到比平方根协方差滤波更有效的实时飞行轨迹重构结果。     

惯性导航系统标定滤波方法研究

捷联惯导系统标定技术对提高导航精度十分必要,而惯性导航系统标定选择的滤波方法直接影响到标定的精度。本文对不同状态的滤波估计方法进行了理论分析,利用不同标定仿真环境下所采用的卡尔曼滤波及其他滤波方法,对惯性器件误差及安装误差进行了估计,并通过仿真分析比较了惯性导航标定中各种滤波算法的特点及适用范围,得出了算法的应用建议,对惯导误差模型标定具有一定的工程指导意义。     

地形景象匹配辅助导航可视化仿真研究及软件实现

为了直观有效验证地形景象匹配算法和演示地形辅助导航的过程,设计了地形景象辅助导航可视化仿真软件系统.利用Visual C 和OpenGL的功能实现了对导航数据和飞行过程的动态二维可视化曲线显示,对匹配区域中的实测图和参考图进行动态显示,能够直观地分析匹配结果的正确性;并在此基础上着重对地形景象匹配辅助导航过程实现了可视化仿真显示,能形象直观地演示地形景象辅助导航的过程及其性能.通过多次试验表明,该软件能很好地演示地形景象辅助导航系统的全过程及其性能,具有很好的实际应用价值.     

基于UKF的GPS/SINS组合导航直接式滤波算法

基于无迹卡尔曼滤波(UKF)方法,使用姿态、速度、位置等9个导航参数组成状态向量,以GPS系统输出的速度、位置组成6维观测向量,构建直接式结构的UKF滤波器。该滤波器能够直接反映系统导航参数的动态过程,准确显示运动状态演变。针对GPS/SINS组合导航系统的特点,构建了GPS/SINS组合导航直接式卡尔曼滤波仿真验证系统,仿真结果验证了基于UKF的GPS/SINS组合导航直接式滤波算法的有效性,该直接式非线性滤波算法可使惯性组合导航系统的导航精度得到提高。     

火星探测光学自主导航半物理仿真系统设计

针对火星探测中的捕获段和环火段,探讨火星探测光学自主导航半物理仿真系统的设计方案.研究了轨道动力学模型和光学相机导航系统图像处理方法,建立了自主导航算法模块的观测模型和输出显示模块的模型,利用Unscented卡尔曼滤波算法对探测器的位置和速度滤波.仿真结果表明,自主导航精度较高.     

GHQF精度分析及其在组合导航中的应用

针对非线性滤波算法在组合导航系统中的应用问题,利用泰勒级数展开对无味卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)和高斯厄米特积分滤波(GHQF)三种非线性高斯滤波算法的性能进行了比较分析;基于泰勒展开的精度分析表明,UKF和CKF从四阶项开始出现截断误差,而GHQF可以逼近任意阶精度的非线性系统的后验均值;以CNS/SAR/SINS非线性组合导航系统为应用背景,对三种滤波算法的精度进行了仿真验证。数学仿真结果表明,与UKF和CKF相比,GHQF具有更高的滤波估计精度。     

基于DKF的IMU误差预测算法

作为导航领域常用的组合导航方式,全球导航卫星系统(GNSS)/惯性导航系统(INS)组合导航在GNSS信号失锁后,由于惯性测量单元(IMU)误差随时间迅速积累,其定位结果会偏离载体真实位置,导航精度下降.针对此问题,提出了一种长短期记忆网络(LSTM)辅助的算法,称之为深度卡尔曼滤波(DKF)算法.DKF算法的核心思想是使用LSTM训练IMU误差模型,然后通过训练出的模型预测IMU误差,最后将预测的IMU误差代入IMU数据以校正导航结果.仿真结果表明:在200s测试数据上,DKF算法将误差从1.1537m/s降低到0.3746m/s.与平均预测、卡尔曼预测和最小二乘估计等方法相比,DKF算法的误差最小,具有更优越的导航性能.     

杂波环境下基于数据压缩的多传感器容积滤波算法

针对杂波环境下非线性系统中多传感器多目标跟踪问题,基于广义多维分配(S-D分配)规则获取最佳的量测划分,通过多传感器数据压缩技术得到等效量测点与等效量测协方差,结合容积卡尔曼滤波原理实现多目标跟踪,提出了一种基于数据压缩的多传感器容积滤波算法(SD-DCCKF)。仿真结果表明:相对已有算法,SDDCCKF不仅避免了因模型线性化误差导致的滤波发散问题,而且克服了算法在高维系统中数值不稳定的缺点,算法估计精度较高,收敛速度较快,能够更加有效地解决非线性系统中的多目标跟踪问题。