基于双滤波器的高精度目标跟踪估计方法

针对连续推力的合作航天器，采用双重无迹卡尔曼滤波(DUKF)算法估计其状态和加速度。通过状态滤波器和参数滤波器的配合，提升滤波精度，完成运动状态和参数的估计，从而实现合作目标的运动轨迹跟踪。与合作航天器相比，非合作航天器存在大小未知、发生时刻未知的机动，无法获得加速度，且信息获取和运动状态的估计难度大。针对非合作航天器，基于简化的相对运动方程，结合天基平台获得目标的观测信息，采用两个扩展卡尔曼滤波(EKF)及基于半正焦弦的机动检测策略实现多未知脉冲机动的运动状态的估计。仿真结果表明：相比于无迹卡尔曼滤波（UKF），DUKF在对合作航天器的状态和加速度估计方面具有更快的收敛速度和更高的滤波精度；对于存在未知机动的非合作航天器，通过对比验证机动检测策略与滤波器切换策略相结合的方法的有效性，该方法能够检测到多次机动并且减少误判。     

采用视觉伺服的月球样品容器夹持控制方法

嫦娥五号探测器月面采样封装任务需利用采样机械臂及其末端执行机构夹持样品容器,为克服非结构化月面环境对机械臂控制造成的不可知影响,确保精确夹持样品容器,提出并设计了一种视觉伺服样品容器夹持的控制方法和系统。系统通过固定安装相机和"眼在手"相机协同获取机械臂末端执行机构以及样品容器特征,采用扩展卡尔曼滤波算法对机械臂末端执行机构位姿的控制参数进行估计,消除控制位姿的轨迹抖动,实现了对样品容器的精确夹持。最后,通过分析在轨月球样品容器被夹持过程的数据和图像,验证了该视觉伺服控制方法和系统设计正确有效。     

基于等效电路模型与CDKF的锂离子电池荷电状态(SOC)估计

锂离子电池在社会生产各领域应用广泛,由于其复杂的电化学系统,状态检测难度较大,给供电保障带来不利影响.结合Thevenin等效电路与中心差分卡尔曼滤波法(CDKF),构建了一种聚合物锂离子电池的荷电状态(SOC)估计模型.MATLAB仿真验证表明,该模型能有效防止安时计数误差累积,电池SOC估计误差不超过5%.     

脉冲星方位误差估计的两步卡尔曼滤波算法

为了克服钟差和卫星位置误差对脉冲星方位误差估计的影响，设计了两步卡尔曼滤波（TSKF）算法。首先，介绍了脉冲星方位误差估计的传统模型，并通过分析和仿真验证了钟差、卫星位置误差以及2种误差同时存在时会使脉冲星方位误差估计结果产生较大偏差。其次，在传统的估计模型中加入了钟差和卫星位置误差，并将钟差和钟差变化率增广为新的状态量，从而推导出包含2种误差的新模型，并证明了该模型的完全可观测性；根据该模型并按照两步卡尔曼滤波原理，得到了TSKF算法的步骤。最后，通过仿真表明:在钟差和卫星位置误差同时影响下，传统脉冲星方位误差估计算法偏差较大且发散；TSKF算法则能够有效隔离2种误差的影响，使赤经和赤纬误差估计达到0.2 mas之内的精度。      

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

基于最小二乘拟合法的分布式POS全局估计方法

针对无法保证各子阵天线附近均安装高精度子惯性测量单元（IMU）的问题，提出了一种基于最小二乘拟合的分布式位置姿态测量系统（POS）全局估计方法。首先，建立了考虑一维柔性变形角的主/子传递对准误差模型；然后，采用卡尔曼滤波（KF）估计已安装子IMU的子阵天线运动参数；最后，在已获取运动参数的基础上，采用最小二乘拟合估计未安装子IMU的子阵天线运动参数。半物理仿真实验结果表明，所提方法精确实现了阵列天线运动参数的全局估计，且未安装子IMU的子阵天线运动参数估计精度与相邻的子阵天线运动参数估计精度相当。      

一种新的基于ANSYS的机翼挠曲变形建模方法

针对传递对准中机翼挠曲变形建模方法适用性差的问题,提出了一种基于有限元分析的不同挂点处弹载子惯导系统的机翼挠曲变形建模方法。以柔性较大的大展弦比机翼为研究对象,建立了薄蒙皮、双翼梁、多肋板式机翼模型。通过绕流分析得到的机翼上、下表面压力分布云图,在此基础上对机翼结构进行气动载荷的加载。根据ANSYS瞬态动力学分析,获取了机翼挠曲变形角的随机过程序列,并利用AR(n)模型代替ARMA(p,q)模型进行建模。采用一种改良卡尔曼滤波算法对模型参数进行估计,并利用信息准则对模型的适应性进行检验。根据参数辨识的结果,最终得到了机翼的挠曲变形模型。     

预测-五阶容积卡尔曼滤波方法

为适用于强非线性、非高斯过程噪声系统，结合预测滤波（PF）与高阶容积卡尔曼滤波（HCKF），提出一种预测-五阶容积卡尔曼滤波（P5thCKF）方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整，进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则，采用五阶球面单形积分准则处理球面积分，广义高斯-拉盖尔积分准则处理径向积分；描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强，单一寻的制导方式很难完成对目标的稳定跟踪和精确打击，需采用多种探测器作为传感器，提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型，利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题，避免了求解复杂的雅克比矩阵。对于分布式多传感器融合，传统的方法多采用协方差交叉（CI）融合方法，但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程，且计算量小。在此基础上，提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后，对算法进行了仿真分析，并进一步验证了提出算法的有效性。     

基于ICKF的永磁同步电机无传感器控制方法

针对在永磁同步电机(Permanent magnet synchronous motor,PMSM)中安装传感器带来的高成本、体积增大、可靠性降低和易受环境干扰等问题,提出采用迭代容积卡尔曼滤波(Iterative cubature Kalman filter,ICKF)算法来估计电机转速和转子位置,并将其应用于永磁同步电机无传感器控制。首先,建立了PMSM在α-β坐标系下的离散数学模型。其次,在Matlab/Simulink环境下分别建立了基于容积卡尔曼滤波(Cubature Kalman filter,CKF)和ICKF的PMSM转速、电流双闭环的无传感器矢量控制系统仿真模型,并进行了给定转速和加负载两种工况的仿真验证。最后,基于TMS320F28335芯片搭建了硬件实验验证平台。仿真分析与实验结果均表明,迭代容积卡尔曼滤波算法应用于永磁同步电机无传感器控制中抗负载变化干扰性好、电机运行稳定、电机转速和转子位置估计精度高,可满足对电机精确控制要求较高的应用场合,具有重要参考价值和推广意义。