一种基于AUKF的航天器自主导航算法

 将非线性Sage-Husa噪声估计器与无迹滤波器(UKF)相结合,提出了一种新型的自适应无迹滤波器(AUKF).对基于AUKF的航天器自主导航系统进行了计算机仿真,仿真结果表明,对于存在测量偏差的自主导航系统,AUKF的导航滤波精度较传统的扩展卡尔曼滤波器(EKF)有显著的提高.进而,针对航天器自主导航系统测量偏差周期时变的特点,提出了提高偏差估计精度的改进算法.仿真结果表明,在适当增加计算量的条件下,利用偏差估计改进算法的AUKF能够进一步提高自主导航系统的导航精度.     

基于星间测距的编队卫星一致性导航算法

针对多航天器编队飞行的自主导航问题,利用高精度的相对距离测量手段,结合较少的参考卫星位置信息,对未知卫星的相对和绝对位置进行估计.针对扩展卡尔曼滤波算法的局部不稳定性,采用了一种误差补偿算法,使在系统可观度较低时仍有较稳定的输出.并将编队系统视为一个无线网络,提出了一种分布式一致性卡尔曼滤波算法,该算法结合一致性理论和分布式卡尔曼滤波器,可明显提高解算精度并消除高频噪声干扰,仿真结果验证了该方法的有效性与可靠性.     

基于小波神经网络的多传感器自适应融合算法

针对多传感器融合系统的非线性和不确定性,将小波分析与神经网络相结合,提出一种基于小波神经网络的多传感器自适应融合算法.融合系统包括扩展卡尔曼滤波器、小波神经网络、融合知识库以及航迹融合算法.该算法以分布式融合结构为基础,利用环境信息理论和测量方差归一化方法构建小波神经网络,并且通过数值样本训练小波神经网络,使其在融合过程中实时估计各传感器的信任度,再由融合知识库根据各传感器信任度来选择适合的航迹融合算法,最终得到全局状态估计.实验结果表明,提出的融合算法可以根据环境变化在线自适应融合来自多传感器的测量值,对不确定信息具有很好的融合能力.      

自适应高斯—厄米特滤波器

针对带有未知统计特性噪声的非线性系统，提出了一种新型的自适应滤波器——自适应高斯—厄米特滤波器(AGHF)，其过程是通过将Sage Husa噪声估计器推广到非线性系统，得到更为一般的噪声估计的递推形式，它与高斯—厄米特滤波器(GHF) 相融合，得到适用于带有未知统计特性噪声的非线性系统的高精度自适应滤波器.仿真结果表明，当非线性系统存在一类未知统计特性噪声(系统噪声或测量噪声)时，与扩展卡尔曼滤波器(EKF)、GHF和自适应扩展卡尔曼滤波器(AEKF)相比，AGHF滤波器可显著提高对噪声统计特性和系统状态的估计精度.     

基于多模型简化CDKF的故障诊断方法

针对使用传统卡尔曼滤波器对非线性系统进行故障诊断,估计精度低的问题,提出了一种新的故障诊断方法.该方法结合多模型自适应估计和简化中央差分卡尔曼滤波器的优点,能在线快速地检测出故障,利用中央差分代替了雅可比矩阵的求解,使系统状态估计准确收敛到真实值附近,而且避免了反复求解量测预测方差等一系列繁杂过程.在执行机构不同故障的情况下,通过与其他算法进行诊断对比,结果表明提出的算法在精度上和运行速度上具有明显的优势.     

一种基于Particle Filter的攻击目标高度估计算法

利用目标高度估计确定目标攻击要害点是精确制导武器信息处理中的一个重要内容。传统方法主要有直接利用几何方法估计和扩展卡尔曼滤波器方法,这两种方法精度都不高。Partic le F ilter是一种新出现的滤波方法,在解决非线性问题中得到了广泛应用。利用Partic le F ilter设计了一种新的目标高度估计算法。该算法通过贝叶斯递推方法,避免了在测量方程非线性很强的时候,扩展卡尔曼滤波器不合理的线性化所带来的误差。仿真结果表明,这种基于Partic le F ilter的目标高度估计算法提高了估计精度和收敛的鲁棒性。     

微小卫星鲁棒自适应姿态确定算法

基于磁强计测量的微小卫星姿态确定系统中,由于状态方程和测量方程均为轨道参数的函数,因此在轨道估计存在误差的情况下,标准的扩展卡尔曼滤波算法（ExtendedKalmanFilter,EKF）并不能获得姿态的最优解。针对轨道确定误差对姿态确定的影响,基于自适应滤波及鲁棒估计原理,提出了鲁棒自适应卡尔曼滤波（RobustAdaptiveKalman Filter,RAKF）算法。该算法通过构建合理的膨胀因子和自适应因子,自动调节观测噪声方差矩阵和一步预测方差矩阵的大小,从而改变旧有数据及观测信息在滤波中的权重,获得更合理的卡尔曼增益,使滤波器获得近似最优结果。基于标准卡尔曼滤波的稳定性理论,证明了若系统一致完全可控并且一致完全可观,该滤波器是一致渐近稳定的。数学仿真表明,与EKF相比,RAKF能够将欧拉角估计精度从0.3°提高到0.2°,从而证明了该算法的有效性。     

适用于时变不确定系统的并行模型自适应估计

摘要： 针对受到潜在模型不确定性影响的系统,设计一种并行模型自适应估计(PMAE)算法.以往基于不确定性系统模型设计的滤波算法,在模型精确的情况下,性能往往不及传统卡尔曼滤波（KF）.为了解决该问题,设计基于多个并行滤波器的自适应状态估计算法,其中一个滤波器为KF,用于在未出现模型不确定性的情况下,对系统进行最优状态估计;另一个滤波器为扩维卡尔曼滤波（AKF）,用于在出现模型不确定性的情况下,对不确定性模型参数进行辨识.以空间目标监视为例,分析算法的性能.仿真结果表明,利用PMAE算法能够自适应地对两个并行滤波器进行切换和折衷,从而有效应对模型中存在不确定性和不存在不确定性两种情况.     

一种重力卫星质心在轨标定算法

针对重力卫星质心在轨标定问题,提出了一种将预测滤波与卡尔曼滤波相结合的标定算法。该算法首先利用磁力矩器产生一个明显大于干扰力矩的周期性力矩作用于卫星上,然后利用陀螺数据实现了卫星角加速度的预测滤波估计,并通过静电加速度计信息设计卡尔曼滤波器,实现卫星质心的标定;最后进行了数学仿真,仿真结果表明该算法针对卫星的角加速度及质心位置能够实时估计,三轴最佳标定精度分别为[0.0628 0.0324 0.0414]mm,实现了卫星质心较为精确的标定。     

一种小天体旋转参数估计方法

小天体旋转参数是科学数据，也是小天体测绘，着陆导航的基础数据.研究一种在小天体探测接近段过程中使用的基于图像上特征点跟踪和扩展卡尔曼滤波器的小天体旋转参数估计方法.该方法首先建立小天体旋转关系模型，表示小天体在相机坐标系中的姿态变化；然后定义小天体旋转的状态方程，推到了扩展卡尔曼滤波器的计算过程.通过对观测图像序列上的特征点跟踪，利用扩展卡尔曼滤波器方法得到小天体旋转轴指向和自转角速度估计.实验中，在仿真相机与小天体相机100 km距离上，分析了相机坐标系小天体坐标系之间的四元数初值，图像上特征点跟踪精度，相机的观测指向等因素对小天体旋转参数估计精度的影响.实验结果表明，提出的基于图像特征点跟踪和扩展卡尔曼滤波器的小天体旋转参数估计方法能够得到具有较高精度的估计结果.     

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。     

一种多步的基于切换星间测量的多星自主导航算法

针对基于星间测量的多星自主导航问题,从载荷优化和节约成本考虑,提出了一种单套敏感器切换测量的导航方案。建立了该导航方案下的系统状态空间模型,并基于扩展卡尔曼滤波方程给出了导航估计算法。基于多步卡尔曼滤波方法,将集中的滤波算法解耦为多个平行的子滤波器,使计算量降低到原算法的50%以下,并且在切换测量的导航方案下,部分解耦出的子滤波器可以只预测不更新,能够进一步地降低计算负担。给出了多步滤波算法的推导过程,证明了其与标准卡尔曼滤波的数学等价性,故算法的估计性能及计算结果与标准卡尔曼滤波一致,但计算速度有明显提升。最后,通过具体算例给出了算法的仿真验证。     

基于SSUKF的航天器自主导航算法

针对航天器自主导航系统对稳定性、精确性和实时性的要求,将超球面分布采 样点变换SSUT(Spherical Simplex Unscented Transformation)和Unscented卡尔曼滤波(UK F)相结合,研究了基于SSUT的UKF(SSUKF)导航滤波算法.由于SSUT减少了采样点个 数,在保证滤波精度和标准UKF相当的条件下减轻了计算负担.根据UKF和扩展卡尔曼滤波(E KF)计算过程相似的特点,设计了SSUKF和EKF相结合的混合卡尔曼滤波算法.算法通过能够 度量估计误差的模式切换函数,可以自适应地在SSUKF和EKF之间切换,避免了UKF计算效率低 以及EKF对滤波参数敏感、容易发散的缺点.数值仿真结果表明,混合卡尔曼滤波器提高了 计算效率,保证了估计精度,具有良好的鲁棒性,适合于航天器自主导航系统.      

基于改进预测滤波的小天体精确着陆自主导航方法研究

针对小天体形状不规则、质量不均匀导致模型建立不准确的问题,研究基于改进的预测滤波实现自主着陆过程中精确导航的关键技术。在导航算法设计中,首先建立了小天体引力场模型,并建立了导航系统运动学模型,然后建立了基于惯性测量单元、光学相机及测速敏感器多信息融合的测量模型,结合扩展卡尔曼滤波(Extended Kalman Filter, EKF)算法对非线性预测滤波(Nonlinear Predictive Filter, NPF)算法进行改进,在该导航算法下,对系统的可观性进行了分析。仿真结果表明:在引力不确定性引起的模型不准确度下,该方法可实时估计模型误差,在与EKF导航精度比较的基础上验证了改进的NPF算法的有效性和精确性。     

一种用于高动态GPS频率估计的滤波算法

针对常用高动态GPS(Global Positioning System)频率估计算法扩展卡尔曼滤波(EKF,Extended Kalman Filter)的缺陷,提出了一种新的称为简化无迹高斯粒子滤波(SUGPF,Simplified Unscented Gaussian Particle Filter)的算法.SUGPF将卡尔曼滤波(KF,Kalman Filter)、无迹卡尔曼滤波(UKF,Unscented Kalman Filter)与高斯粒子滤波(GPF, Gaussian Particle Filter)三者相结合.在时间更新阶段,用KF的方法更新预测分布;在测量更新阶段,用UKF的方法得到重要采样函数,并用GPF的方法更新后验分布.仿真结果表明:与EKF和UKF相比,SUGPF性能更优越,功能更全面,在高斯与非高斯观测噪声环境下均能取得与GPF类似的良好性能,并且其计算复杂度低于GPF.     

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.     

基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法，然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此，提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量，包含不确定性参数的目标网络值作为观测变量，结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程，通过EKF的迭代更新求解，得到DQN模型中的最优真实参数估计值，解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境，并能够有效提高车辆的通行效率。      

一种模型误差鲁棒的卫星姿态确定方法

提出一种结合非线性预测滤波和二阶插值滤波实现基于星光/陀螺的高精度姿态确定的新算法.该算法用非线性预测滤波估计模型误差,再对补偿后的模型用高精度的二阶插值滤波来估计姿态参数.解决了在卫星实际运行中难以获得姿态确定系统的精确动力学模型,采用传统EKF(Extended Kalman Filter)将模型误差作为零均值白噪声处理,导致滤波精度降低甚至发散的问题.同时,二阶插值滤波将非线性模型按照二阶近似,无需计算函数偏导数,得到高精度的卫星姿态估计.仿真验证了该方法能有效地实时估计并补偿模型误差,提高了姿态估计的精度,且估计精度受滤波周期的影响不大,从而验证了算法的鲁棒性和有效性.      

一种新的星载GPS定轨滤波算法

针对传统EKF(Extended Kalman Filtering)算法应用于星载GPS(Global Positioning System)低轨卫星定轨时系统噪声方差初值不易确定的问题,提出了一种新的定轨滤波算法.该算法在非线性方程线性化过程中,在前一时刻滤波估值点进行线性化,从而得到扰动方程,并将该扰动方程引入到传统EKF进行滤波处理.该算法与传统EKF分别应用在星载GPS低轨卫星的定轨中,通过比较,结果表明改进的算法在一定程度上抑制了由于系统噪声方差阵选取偏差较大而引起的滤波发散现象,且对于系统噪声方差的初值选取有较强的鲁棒性.