飞行数据处理的非线性鲁棒滤波技术

研究了飞机飞行试验数据处理中的非线性鲁棒滤波技术,分析给出了实际飞行条件了一种飞机运动的新模型,它是含不确定参数项的非线性模型,同时给出了该不确定参数项的解析的表达形式,然后研究了对应于此类非线不确定系统的鲁棒滤波算法,得到了该滤波问题的充分解,并对该解进行扩展线性化处理,得么了一个较易实现的扩展鲁棒滤波算法,最后利用该算法对实际的数据进行了处理,结果表明,所提出的算法是切实可行的。     

异常值和未知观测噪声鲁棒的非线性滤波器

针对含异常观测值的非线性系统滤波问题,以Huber损失函数替代推导滤波器最大后验准则中观测误差的l₂范数,构造出了一种新的优化准则函数,从而给出了一种对异常值鲁棒的非线性后验线性化滤波器。分析表明：由于Huber损失函数兼具l₁和l₂范数的性质,从而使得由这个新准则推导出的滤波器,不仅具有l₂范数的低误差拟合性,也具备l₁范数对异常值的鲁棒性。而当观测噪声的分布未知时,通过引入箱线图法检测异常值,并对噪声统计分布的参数进行估计,进一步提出了对异常值和未知观测噪声分布鲁棒的非线性后验线性化滤波器。仿真实验验证了分析结果的有效性,并表明本文算法的性能优于现有文献报道的非线性滤波算法。     

基于LMI的鲁棒滤波在无人机飞控系统中的应用

针对无人机在实际飞行过程中存在外界干扰以及传感器量测噪声的问题,应用线性矩阵不等式理论对无人机飞控系统进行了降阶鲁棒滤波器设计.讨论了适用于连续系统的降阶鲁棒滤波算法以及滤波器存在的条件.最后,进行了无人机纵向高度保持阶段的数字仿真,给出迎角与俯仰角速度的仿真曲线,仿真结果验证了该算法的合理性和有效性.     

基于鲁棒扩展卡尔曼滤波的双目视觉测量相对导航技术研究

针对非合作目标相对导航问题,为提高相对导航的精度和可靠性,采用双目视觉测量方法实现追踪器与目标器之间相对状态的测量,并基于鲁棒扩展卡尔曼滤波方法,提出了一种鲁棒相对导航滤波方法。仿真结果表明,该方法对相对导航系统模型中的不确定性具有良好的鲁棒性,且滤波精度较高。     

离散不确定系统的优化鲁棒滤波方法及在飞行试验中的应用

提出了一种离散系统的优化鲁棒滤波方法。为了得到滤波的逼近计算式，通过优化加权矩阵得到了上界不等式逼近和等效系统矩阵，得到了鲁棒滤波的时间更新算法；通过优化加权矩阵得到了下界不等式逼近和等效观测矩阵，得到了鲁棒滤波的测量更新算珐，并且给出了鲁棒滤波算法收敛的条件。飞行试验数据处理的结果表明，提出的方法是有效的。     

一种鲁棒GNSS矢量跟踪环

复杂环境下导航接收机的连续可用性一直是卫星导航领域的研究重点。针对矢量跟踪环动态适应性不够和误差在通道间传播的问题,提出一种鲁棒全球导航卫星系统(GNSS)矢量跟踪环。基于各通道的伪距、伪距率和伪距加速度状态量构建扩展卡尔曼滤波器(EKF),通过灵活设置过程噪声方差阵,实现跟踪通道的耦合与解耦;采用基于极大似然估计器(MLE)的鉴别器生成码延迟和载波频率偏差观测量;利用滤波值修正并预测伪距率来控制本地数控振荡器(NCO),实现环路的闭合。仿真结果表明,本文设计的矢量跟踪环在保证环路相互辅助的基础上,避免了衰减通道误差在通道间的传播,可以对被遮挡信号保持稳定跟踪,鲁棒性优于传统矢量延迟频率锁定环。     

推力矢量控制中的非线性鲁棒解耦控制方法

介绍了推力矢量控制的由来和意义，着重叙述了推力矢量控制，特别是推力矢量飞机在大迎角，过失速状态下目前主要的非线性鲁棒解耦控制律的设计方法，如非线性逆动态方法、ＮＬＱＲ（非线性二次最优调节器），自适应方法，变结构方法以及最近出现的基于人工神经元网络的方法，指出了这些方法在推力矢量控制飞机应用中各自的特色以及目前存在的问题。并指出了今后主要的工作方向。     

高超声速飞行器组合导航鲁棒滤波算法

高超声速飞行器由于其飞行环境的影响,使得GPS和星敏感器的量测噪声表现出非高斯特性。针对常规基于Kalman滤波的组合导航在非高斯噪声下性能下降的问题,提出了基于鲁棒滤波的高超声速飞行器组合导航算法。方法在惯性／GPS／＆异步量测建模的基础上,通过随机去耦将量测更新转化为线性回归问题,并基于M估计获得状态量最优估计。仿真结果表明,方法对非高斯噪声具有更好的鲁棒性,有效提高了高超声速飞行器组合导航系统的性能。     

基于RBF神经网络的一类非线性系统反演鲁棒自适应控制

提出一种基于RBF神经网络的一类非线性系统反演鲁棒自适应控制器设计方法。使用RBF神经网络逼近系统不确定性,并和控制器与虚拟控制器中的鲁棒项一起消除不确定性的影响,由Lyapunov稳定性理论推出的RBF神经网络权值矩阵的自适应律能保证闭环系统的所有信号有界,且误差能够全局指数收敛于原点的邻域。该方法不需要系统不确定性的上界以及其任意阶导数,最后的仿真结果验证了方法的有效性。     

基于变分贝叶斯的自适应鲁棒滤波算法

针对组合导航姿态估计中,观测同时受到野值与时变观测噪声影响的问题,构造一种基于变分贝叶斯的自适应鲁棒滤波算法。该算法可以有效地解决自适应与鲁棒滤波策略的矛盾,利用变分贝叶斯近似估计变换的观测噪声,在变分贝叶斯的滤波框架内,利用Huber滤波鲁棒化方法处理连续野值。在组合导航姿态估计试验中,验证了该算法具有良好的自适应与鲁棒性,并能够保持较高的估计精度。     

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

A novel two-stage extended Kalman filter algorithm for reaction flywheels fault estimation

This paper investigates the problem of two-stage extended Kalman filter(TSEKF)-based fault estimation for reaction flywheels in satellite attitude control systems(ACSs). Firstly, based on the separate-bias principle, a satellite ACSs with actuator fault is transformed into an augmented nonlinear discrete stochastic model; then, a novel TSEKF is suggested such that it can simultaneously estimate satellite attitude information and actuator faults no matter they are additive or multiplicative; finally, the proposed approach is respectively applied to estimating bias faults and loss of effectiveness for reaction flywheels in satellite ACSs, and simulation results demonstrate the effectiveness of the proposed fault estimation approach.     

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

Rapid and robust initialization for monocular visual inertial navigation within multi-state Kalman filter

Sensor-fusion based navigation attracts significant attentions for its robustness and accuracy in various applications. To achieve a versatile and efficient state estimation both indoor and outdoor, this paper presents an improved monocular visual inertial navigation architecture within the Multi-State Constraint Kalman Filter (MSCKF). In addition, to alleviate the initialization demands by appending enough stable poses in MSCKF, a rapid and robust Initialization MSCKF (I-MSCKF) navigation method is proposed in the paper. Based on the trifocal tensor and sigma-point filter, the initialization of the integrated navigation can be accomplished within three consecutive visual frames. Thus, the proposed I-MSCKF method can improve the navigation performance when suffered from shocks at the initial stage. Moreover, the sigma-point filter is applied at initial stage to improve the accuracy for state estimation. The state vector generated at initial stage from the proposed method is consistent with MSCKF, and thus a seamless transition can be achieved between the initialization and the subsequent navigation in I-MSCKF. Finally, the experimental results show that the proposed I-MSCKF method can improve the robustness and accuracy for monocular visual inertial navigations.     

近地航天器量子导航定位卡尔曼滤波算法研究

针对近地航天器量子导航定位系统,为了进一步提高其定位精度,利用滤波技术将QPS测量值结合航天器的运动模型进行状态量的滤波估计.给出了基于基线干涉原理的量子定位系统观测方程和以二体运动为主的航天器轨道运动模型,在此基础上详细推导了扩展卡尔曼滤波处理过程,并针对该模型进行了仿真.仿真结果表明,基于EKF的量子导航定位精度有明显提高.     

一种基于冗余测量的自适应卡尔曼滤波算法

针对目前自适应滤波算法的不足,在测量系统量测噪声方差未知的情况下,设计了一种基于冗余测量的自适应卡尔曼滤波(RMAKF)算法。通过对系统冗余测量值的一阶、二阶差分序列进行有效的统计分析,可以准确估计系统量测噪声统计特性,进而在滤波过程中自适应调节噪声方差阵R,提高滤波精度。以全球定位系统/惯性导航系统(GPS/INS)松组合导航系统为对象进行了仿真实验,结果表明该算法在测量系统噪声特性未知或发生改变时,可对其进行准确估计,在采用低精度惯性器件情况下,滤波结果较其他主要自适应卡尔曼滤波算法有较明显的改进。     

自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

A fast pulse phase estimation method for X-ray pulsar signals based on epoch folding

X-ray pulsar-based navigation (XPNAV) is an attractive method for autonomous deep-space navigation in the future. The pulse phase estimation is a key task in XPNAV and its accuracy directly determines the navigation accuracy. State-of-the-art pulse phase estimation techniques either suffer from poor estimation accuracy, or involve the maximization of generally non-convex object function, thus resulting in a large computational cost. In this paper, a fast pulse phase estimation method based on epoch folding is presented. The statistical properties of the observed profile obtained through epoch folding are developed. Based on this, we recognize the joint prob-ability distribution of the observed profile as the likelihood function and utilize a fast Fourier transform-based procedure to estimate the pulse phase. Computational complexity of the proposed estimator is analyzed as well. Experimental results show that the proposed estimator significantly outperforms the currently used cross-correlation (CC) and nonlinear least squares (NLS) estima-tors, while significantly reduces the computational complexity compared with NLS and maximum likelihood (ML) estimators.