基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

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.     

基于数据驱动的非合作航天器姿态估计与预测方法

针对临近操作对非合作航天器的相对导航问题，考虑角速度测量缺失以及视觉特征丢失，提出了一种融合乘性扩展卡尔曼滤波和姿态预测的框架，实现了对非合作航天器的姿态估计和预测。采用惯性参数对状态向量进行了扩维，在缺少角速度测量的情况下预估了非合作航天器的姿态和相对转动惯量的比值。基于函数拟合和神经网络分别设计了两种姿态预测方法，解决了传统方法误差随时间累积的问题，有效减少了计算成本。最后，通过数值仿真验证了滤波估计和姿态预测算法的实时性和准确性。     

基于耦合气动参数的HGV多模型估计

利用气动参数对未知气动力建模是提高高超声速滑翔目标跟踪精度的有效途径。对目标气动加速度及其导数项进行分析,在非耦合气动参数模型的基础上,考虑气动加速度在转弯和俯仰方向存在的先验信息,推导滚转和螺旋2种耦合气动参数模型。利用一种分离估计模型对目标状态与气动参数进行估计,分别给出状态滤波器和气动参数滤波器的表达式。同时,考虑不同飞行模式下参数的机动频率,构建基于耦合气动参数的交互多模型跟踪算法。仿真表明,本文所提算法精度显著高于针对该类目标的其他跟踪算法。同时,滚转模型的性能优于螺旋模型,且计算复杂度更小。      

航天器轨道机动过程中的自主导航方法

典型的航天器自主天文导航方法利用地球敏感器和星敏感器的观测信息,根据轨道动力学模型和测量信息,采用扩展卡尔曼滤波算法（EKF）估计航天器位置矢量。为了在航天器轨道机动过程中减小滤波器的估计误差,设计了用于航天器自主导航的自适应鲁棒扩展卡尔曼滤波（AREKF）算法。仿真结果表明,采用AREKF算法能够有效地减小推力不确定性的不利影响,在不增加导航敏感器的前提下改善系统的导航性能,取得优于传统EKF算法和自适应扩展卡尔曼滤波（AEKF）的估计精度。     

卫星编队对空间非合作目标测距相对导航精度分析

针对单颗卫星对空间非合作目标测距不能估计全部相对运动状态的问题,提出利用编队中多颗卫星同时测距相对导航。建立了相对运动状态估计的系统模型;推导了系统可观测矩阵;通过计算系统可观测度和采用无迹卡尔曼滤波（UKF）对目标相对运动状态进行估计,研究了观测矢量方向和数量与相对导航精度的关系。结果表明双星测距能估计全部相对运动状态,观测矢量夹角越大,相对导航精度越高,在编队尺寸远小于目标距离的前提下,多于两颗的卫星测距并不能明显提高相对导航精度。     

航天器自主交会对接的视觉相对导航方法

针对航天器自主交会对接在最终逼近阶段的相对导航问题,研究了基于特征光标的航天器视觉相对导航方法。首先建立了小角度假设条件下的相对导航模型。给出了航天器相对位置和采用欧拉角描述的相对姿态的近似解析算法。其次利用相对姿态的解析解作为观测信息,采用降阶的无迹卡尔曼滤波方法对目标航天器的姿态角和惯性角速度进行了估计,间接得到了相对姿态和相对姿态角速度的估计值。数值仿真表明提出的解析算法能够有效获得相对位置和相对姿态测量信息,通过降阶滤波可明显提高相对姿态确定精度。     

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IMU与UKF的船舶升沉运动信息测量方法

为获取实时、精确的船舶升沉运动信息，根据船舶升沉运动模型和频谱分析方法，建立描述惯性测量单元（IMU）的加速度测量信息与船舶升沉运动状态量关系的解析模型。基于无迹卡尔曼滤波（UKF）算法非线性滤波的特点，进行升沉运动滤波解算。通过仿真分析证明了所提方法在船舶升沉运动测量中的有效性。利用三自由度平台升沉运动测量实验验证，结果表明，同一模型下，相比于扩展卡尔曼滤波（EKF）算法的解算结果，所提方法具有更快的收敛速度和更高的测量精度；对船舶升沉位移的估计精度达到最大升沉幅值的5%，可以得到精确、无时延的船舶升沉运动信息。      

基于ML背景参数估计的CDKF-CPHD多目标跟踪算法

针对低信杂比环境下的多机动目标跟踪问题,提出了一种基于极大似然(ML)背景参数估计的中心差分卡尔曼-势概率假设密度滤波(BE-CDKF-CPHD)算法。算法采用ML法实时估计重尾分布模型参数,计算检测概率和虚警概率。运用极大似然-恒虚警(MLCFAR)算法对信号进行处理,提取有效量测值,将幅值似然函数与势概率假设密度滤波器(CPHD)中的目标位置似然函数相结合,通过中心差分法递归更新得到后验均值与协方差,达到对多机动目标进行跟踪的目的。仿真结果表明,在低信杂比环境中,所提算法提高了跟踪精度与目标数目估计准确度。     

基于MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。      

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。      

轨道机动过程中推力加速度的在线最小方差估计

定位和跟踪空间机动目标时，对目标运动建模受发动机推力的不确定性影响，通过统计处理离散的雷达观测数据实时估计发动机的推力，进而定位和跟踪机动目标便是本文所要研究和解决的问题，本文在地心惯性系建立了常推力轨道机动过程中连续变质量运动模型和离散雷达量测模型，机动过程中质量秒耗量和排气速度作为表征轨控发动机推力的两个近似常量，应用扩展卡尔曼滤波对离散雷达测量数据进行序贯统计处理得到发动机推力的最小方差估计；文中详细地给出了线性化量测模型的变分方程和观测矩阵；仿真结果表明该算法能快速、准确地在线估计轨控发动机的等效推力。     

一种用于目标跟踪的UT-BLUE滤波方法

雷达机动目标跟踪问题中,通常目标运动模型可精确地在直角坐标系下建模,但大多数情形下模型是非线性的,同时在传感器坐标系下所获得目标量测又是直接可用的.通过将无迹变换与最优线性无偏滤波器有机结合,提出一种新的BLUE(Best Linear Unbiased Estimator) 滤波算法,以便解决上述非线性跟踪问题.首先,该算法利用无迹变换对经由直角坐标系下非线性目标运动模型得到的目标状态及其协方差作出预测,然后在保持传感器坐标系(极坐标系)下所固有的量测误差的同时,直接对它们作出状态估计.在算法推导及Monte-Carlo仿真过程中,将新的BLUE滤波算法和EKF(Extended Kalman Filter)、UKF(Unscented Kalman Filter)滤波算法进行比较,结果表明新算法的有效性和适用性.      

电磁航天器编队位置跟踪自适应协同控制

通过引入一致性理论针对电磁航天器编队相对位置协同控制问题设计了自适应协同控制器。分析了电磁航天器编队的基本原理,建立了电磁航天器编队相对运动精确的非线性动力学方程。基于电磁力远场计算模型的不确定性,对相对运动动力学模型进行了修正。在电磁力计算模型不确定和航天器间存在通信时延的条件下,对位置跟踪控制的目标设计了自适应协同控制器。考虑到电磁航天器磁矩产生能力的不同,给出了通过优化进行磁矩分配的方案。通过仿真表明:所设计的自适应协同控制器不仅实现了对期望轨迹的准确跟踪,而且相比人工势函数法,暂态维持编队构型的能力提高了4.9倍,并且所给出的磁矩分配方案实现了磁矩的合理分配。     

基于STF和加权改进的群目标跟踪算法

为了进一步提高群目标交互多模型跟踪算法的估计性能,提出一种改进的群跟踪算法.首先,通过采用模型转换概率的自适应算法,优化模型与目标运动模式的实时匹配.并通过引入强跟踪滤波（STF,Strong Tracking Filter）中的渐消因子,提高机动阶段时的群质心的状态估计精度.其次,分别利用概率加权法和标量加权法完成群质心状态和扩展状态的融合估计.最后在变分贝叶斯滤波的基础上,建立完整的跟踪算法流程.仿真实验结果表明,该方法不仅能够提高群质心状态和扩展状态的估计精度,还能有效降低机动阶段时的峰值误差.     

基于行为的非合作目标多航天器编队轨迹规划

目前航天器编队轨迹规划的研究并未综合考虑目标非合作性、构型复杂性及控制协同性等问题,针对非合作目标多航天器编队系统,提出了一种基于行为的相对运动轨迹规划方法。首先,基于聚集行为模型设计了期望运动场,将期望速度视为一系列具有不同行为特性的速度矢量和,通过构造平衡态构型公式计算行为调节参数。其次,采用高斯型环境函数描述了非合作目标特性,并通过C-W方程对期望运动场进行了改进,使得该方法在多航天器编队系统与非合作目标形成期望构型的过程中,既能避免编队成员之间发生碰撞,又能保证与非合作目标之间的安全距离。仿真结果表明,该算法可以使多航天器编队系统在3000s内运动至期望构型。该方法在复杂的、多个控制目标的编队飞行轨迹规划中优势明显,具有自主性、协同性、鲁棒性强等特点,同时可应用于不同类型的编队构型相对运动规划。