SINS／GPS／EMC组合导航系统信息融合技术研究

基于无复位(No-Reset)联邦Kalman滤波信息融合算法,提出并且探讨了组合导航应用过程中的信息融合问题.在建立的相关误差模型基础上,对所设计的采用联邦Kalman滤波技术的SINS/GPS/EMC组合导航系统进行了计算机仿真.结果表明,采用无复位联邦滤波结构的SINS/GPS/EMC组合导航系统能充分融合系统各种导航传感器的信息,能发挥它们各自的优点,互相取长补短,有效地提高导航系统准确度和可靠性.     

基于可变遗忘因子的渐消记忆变分贝叶斯自适应滤波算法

针对全球卫星导航系统/捷联惯性导航系统（GNSS/SINS）组合导航中GNSS信号易受干扰，造成量测噪声突变的问题，提出一种基于可变遗忘因子的渐消记忆变分贝叶斯自适应Kalman滤波（VBAKF）算法。针对自适应滤波中突变噪声难以准确探测，构建基于初值的噪声突变检验准则；为解决自适应滤波估计突变噪声的拖尾现象，将变分贝叶斯自适应滤波的超参数传递结构转化为协方差阵修正结构，通过构造可变遗忘因子函数动态调节自适应滤波中的遗忘因子。仿真和实测数据表明：所提算法可在GNSS/SINS噪声突变时快速估计量测噪声，提高组合导航精度。     

车载GPS/DR组合导航系统的数据融合算法

建立了车载GPS/DR(全球定位系统/航位推算)组合导航系统自适应联合Kalman滤波的数学模型,研究了综合运用子系统状态评估、自适应信息分配、误差补偿、迭代扩展Kalman滤波、抗野值干扰、U-D协方差分解滤波等技术来提高精度和可靠性的融合滤波算法;针对滤波发散的问题,引入了一种在线估计观测噪声统计特性的自适应滤波方法.理论分析和半物理仿真结果表明,所设计的算法在精度、可靠性、适应性、实时性等方面效果都很好.      

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。     

导航解算中的有色噪声及其协方差矩阵自适应拟合

使用Kalman滤波进行动态导航定位解算需要涉及函数模型和随机模型, 而在实际应用中, 精确的函数模型和随机模型很难直接给出, 因此, 动态Kalman滤波的精度和可靠性将会受到函数模型误差和随机模型误差的影响. 在假设观测噪声和动力学模型噪声主要是具有一阶自相关特性的有色噪声的基础上, 提出了一种基于移动窗口的有色噪声函数模型和随机模型的自适应拟合法. 给出了计算有色噪声估值和噪声协方差矩阵的表达式, 并利用实测数据验证了模型及算法的可行性和实用性. 计算结果表明, 该算法能有效抵制有色噪声对导航滤波结果的影响.      

基于改进型两步卡尔曼滤波的相对导航方法

采用Clohessy-Wiltshire(C-W)方程描述的近圆轨道相对导航状态方程具有线性的形式,而以航天器相对距离和相对方位作为测量信息的观测方程是非线性的,针对近圆轨道航天器相对导航的这一特点,给出了采用两步卡尔曼滤波(Two Step Kalman Filtering,TSF)的相对导航算法,并且利用Unscented变换方法,解决了两步卡尔曼滤波的状态初值确定问题,给出了TSF的完整算法.数值仿真比较了TSF和扩展卡尔曼滤波(Extended Kalman Filtering,EKF)、无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)等算法的性能,验证了采用TSF方法实现相对导航的可行性和有效性.     

高超声速飞行器惯性/天文鲁棒组合导航方法

对于高超声速飞行而言,惯性/天文组合导航的应用将会面临异常值干扰和噪声特性变化等问题,需要控制天文量测中异常值扰动的影响,提高对于可靠量测信息的利用效率。为此,本文研究了一种基于平衡因子的组合导航方法,采用鲁棒滤波方法进行惯性/天文组合导航系统的量测更新,将自适应滤波技术引入到鲁棒滤波中,考虑到天文量测信息不同的噪声特性和水平,将自适应因子分解为姿态自适应因子和位置自适应因子,从而平衡状态预测信息和天文测量信息的贡献。仿真结果表明,本文方法可以显著提高高动态环境影响下的组合导航性能。     

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.     

基于改进动静态滤波的脉冲星/CNS深空探测组合导航方法

为了提高深空探测器的自主导航系统性能,文章提出一种基于改进动静态滤波的脉冲星/CNS组合导航方法。脉冲星观测数据和星光角距信息通过改进动静态滤波器进行信息融合。其中,动态滤波采用UKF处理采样速率快、测量方程非线性强的星光角距测量量,静态滤波采用EKF处理采样速率慢、测量方程线性特征明显的脉冲星测量量,其运行周期可以是动态滤波的若干倍。利用该改进动静态滤波进行组合导航,可避免联邦滤波器中由于各局部滤波器采用相同的状态方程而导致的融合滤波结果不具备最优性的问题。仿真分析表明,基于所提出的组合导航系统,深空探测器的导航精度可提高至10km以内。     

基于陆标图像的天体定点着陆信息融合导航方法

要安全准确着陆于地外天体指定地点,探测器在下降过程需实时精确确定其相对位置和速度.针对惯性导航结合斜距和相对速度测量的导航方式不能修正相对水平位置估计的缺点,以及多敏感器测量信息融合问题,提出基于陆标图像和协方差交叉算法的天体定点着陆自主导航方法.将光学成像敏感器加入到组合导航系统中,用于测量探测器相对陆标的视线方向以获得关键的相对水平位置信息.在状态估计时采用基于协方差交叉的分布式扩展卡尔曼滤波对多源测量信息作最优融合,提高算法的精度和鲁棒性.通过数学仿真验证了该方法的有效性.     

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.     

基于并行扩展卡尔曼滤波的自主卫星星座导航方法

针对星间距离测量容易受到外界干扰的问题，提出了一种适用于多颗地球卫星和一颗月球卫星的卫星星座自主导航的并行扩展卡尔曼滤波算法.通过解决噪声统计不确定情况下的测量调度问题来选择适当的测量，降低干扰的影响.为了自适应地选择适当的测量，提出一种基于不同来源的测量构造多个子集的并行扩展卡尔曼滤波器，其中每个扩展卡尔曼滤波器用于处理不同测量子集，并基于残差序列计算子滤波器的权重，组合并行滤波器的估计结果.通过与EKF和传统的多模型自适应估计算法进行比较，表明所提出方法在干扰条件下的三轴位置估计误差的稳定性，体现了性能优势.     

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。     

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。     

一种基于假设检验的多重渐消卡尔曼滤波

提出了一种基于假设检验的带多重渐消因子卡尔曼滤波的新算法.该算法采用χ2检验法,通过渐消因子矩阵对卡尔曼滤波器的噪声方差进行在线修正,从而使滤波器在对象模型存在误差或对象受到外扰时仍然收敛,同时能够提高系统的精度.该算法应用于车载GPS (Global Positioning System)/INS(Inerial Navigation System)组合导航系统中,取得了良好的效果.      

新型复合多视场光学敏感器及其导航方法

基于利用四面镜结构实现的复合多视场光学敏感器,给出了一种高精度天文导航方法,即通过四面镜同时观测地球、导航星和折射星,利用卫星、地球、恒星之间的位置关系,实现自主导航。通过研究导航量测信息的获取途径,给出了复合多视场光学敏感器的5种实用工作方式。结合卡尔曼滤波算法,建立了自主天文导航的仿真模型,并对5种工作方式进行了仿真与比较。仿真结果表明:双组直接敏感地平与单组间接敏感地平结合的导航方式精度最高,位置精度达到了10 m量级。