基于四元数平方根容积卡尔曼滤波的姿态估计

针对飞行器姿态确定中乘性扩展卡尔曼滤波(MEKF,Multiplicative Extended Kalman Filter)在较大初始姿态误差角情况下存在估计精度低及收敛速度慢的问题,提出了一种四元数平方根容积卡尔曼滤波(QSCKF,Quaternion Square-root Cubature Kalman Filter)算法.在推导姿态确定系统四元数非线性误差模型的基础上,采用容积数值积分理论来计算非线性函数的均值与方差,同时使用平方根的形式来提高数值稳定性;针对四元数规范化问题,采用拉格朗日代价函数法求解四元数加权均值.仿真结果表明:在初始姿态误差较大的情况下,该算法相比较于MEKF以及无迹四元数估计法(USQUE,Unscented Quaternion Estimator),估计精度高且收敛速度快,滤波稳定性好,同时估计时间比USQUE缩短了1/3.     

基于预测滤波的捷联惯导任意双位置对准方法

针对捷联惯性导航系统(SINS,Strapdown Inertial Navigation System)在大失准角情况下的初始对准问题,建立基于加性四元数误差模型的非线性滤波方程,并提出一种基于模型预测滤波(MPF, Model Predictive Filter)与扩展卡尔曼滤波(EKF, Extended Kalman Filter)相结合的地面任意双位置初始对准方法.该方法将部分惯性器件误差作为模型误差,在线实时估计并修正系统模型,提高了状态估计的精度,并克服了将模型误差假设为高斯白噪声的局限性.半物理仿真结果表明,该方法有效提高了SINS姿态误差角的估计精度,而且也降低了系统状态变量的维数,提高了对准解算的实时性.      

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。     

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.      

基于Unscented四元数粒子滤波的 微小卫星姿态估计

针对基于微小卫星姿态确定系统精度低和噪声存在非高斯分布的情况,研究了适用于该定姿系统的Unscented粒子滤波(UPF,Unscented Particle Filter)算法.UPF方法结合了Unscented卡尔曼滤波(UKF,Unscented Kalman Filter) 与粒子滤波(PF,Particle Filter)的特点,用UKF得到PF的重要采样函数,从而克服了PF没有考虑最新量测信息、 扩展卡尔曼滤波(EKF,Extended Kalman Filter)和UKF只能应用到噪声为高斯分布的不足.以MEMS(Micro Electronic Mechanical System)陀螺和CMOS APS(Complementary Metal Oxide Semiconductor Active Pixel Sensors)星敏感器为姿态敏感器件,将UPF与基于误差四元数的卫星姿态运动学方程结合,构建了UPF定姿滤波器,并用MEMS陀螺采集的随机噪声数据进行了半物理仿真,对其特性进行了分析与比较.仿真比较结果表明:在敏感器精度较差并且系统噪声非高斯分布的情况下,这种基于UPF的姿态估计方法在计算粒子数目相对于PF较少的情况下,可以取得比UKF更好的滤波精度,从而有效地提高了定姿性能.      

自适应空间机动目标跟踪算法

在空间目标跟踪问题中,目标机动导致的模型不匹配问题会导致滤波算法出现滞后现象。为了对空间机动目标进行快速跟踪,在平方根容积卡尔曼滤波〖（Square rootCubatureKalmanFilter,SCKF）的基础上,引入强跟踪滤波（StrongTrackingFilter,STF）的思想,推导得到了次优渐消因子在SCKF中的等价描述。并通过建立以矩匹配方法为基础的自适应机制,设计了兼顾滤波精确性和鲁棒性的自适应强跟踪平方根容积卡尔曼滤波（AdaptiveStrongTrackingSquare rootCubatureKalmanFilter,AST SCKF）算法。仿真结果表明,在目标机动前,AST-SCKF算法和SCKF算法的位置收敛精度相差不足1%;在目标机动后,AST-SCKF算法的位置和速度的收敛精度相对SCKF算法分别提高了95.19%和30.50%,同时,其收敛速度相对SCKF算法分别提高了57.20%和24.68%。     

磁定姿近地轨道卫星EKF与UKF算法比较

某近地轨道(LEO)卫星通过磁强计测量、飞轮控制和磁力矩器卸载,实现三轴姿态稳定.围绕该卫星姿态确定问题,对扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法进行综合分析对比,最后给出该卫星姿态确定实现方法.分析了地磁模型误差、磁强计测量误差及剩磁的影响,推导了四元数均值及协方差的计算方法.分别引入EKF和UKF进行姿态确定,并讨论了影响算法性能的因素.对两种方法的估计精度、收敛时间及计算需求等指标进行了对比.最后针对该卫星姿态确定要求和硬件条件,选用EKF算法实现姿态确定,满足对地指向精度优于1°,稳定度优于0.1(°)/s的设计指标.     

基于Gauss-Newton和UKF结合的微小卫星姿态确定算法

为提高微型低成本姿态敏感器的姿态确定精度,文章基于磁强计/太阳敏感器/陀螺的姿态敏感器配置,设计了高斯牛顿（Gauss-Newton,GN）迭代算法和无迹卡尔曼滤波（Unscented Kalman Filter,UKF）有机结合的微小卫星姿态确定算法,先用Gauss-Newton算法融合磁强计和太阳敏感器的数据,迭代计算最优四元数,然后以最优四元数联合陀螺数据作为观测量,以姿态四元数和惯性系下的角速度为状态量进行UKF,降低观测维数,并将观测方程转化为线性方程,显著减小计算量,同时克服了测量误差对姿态确定精度的影响。     

无陀螺下基于修正罗德里格参数的星体姿态确定

介绍了修正罗德里格参数(MRP),分析比较了姿态表示参数修正罗德里格参数和四元数的算法特点。通过仿真计算,比较了当卫星受一阶马尔柯夫干扰力矩作用和CCD星敏感器为唯一星载角运动传感器时,分别用修正罗德里格参数和四元数作为姿态表示参数,采用UKF(Unscented Kalman Filter)估计卫星航向、姿态及相应角速率的滤波效果。结果表明,用修正罗德里格参数法的姿态解算精度比用四元数法的姿态解算精度高,且计算效率明显优于四元数算法,计算量仅相当于四元数算法的一半,这是由于四元数的规范化条件(即模值为1),在姿态确定中会导致误差协方差阵奇异,而修正罗德里格参数虽然不是全局非奇异的,但是可以通过切换方法解决奇异性问题。     

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。     

基于最小化新息协方差的修正SRCKF算法

目标跟踪过程中的模型误差会使得平方根容积卡尔曼滤波（SRCKF）性能下降,滤波精度降低;自适应滤波中的修正卡尔曼滤波（AKF）算法可以有效解决这一问题,但是难以应用到非线性滤波中。为了克服模型误差带来的不利影响,同时,进一步提高修正思想的应用范围,在SRCKF的基础上,基于最小化新息协方差准则推导了修正系数的向量形式,提出修正SRCKF(ASRCKF)算法。所提算法通过利用后期的测量数据,增加对测量值的信任度,从而达到对目标模型误差进行补偿的目的。仿真结果表明：与SRCKF和强跟踪SRCKF算法相比,所提ASRCKF算法能有效抑制模型误差,有着更优的滤波性能。     

多星对合作目标的分布式协同导航滤波算法

针对多颗在轨卫星对空间合作目标的协同导航问题,提出了一种适用于协同导航的分布式球面单形-径向容积求积分卡尔曼滤波（DSSRCQKF）算法。为了计算非线性滤波中的高斯加权积分,分别使用球面单形准则和二阶高斯-拉盖尔求积分准则计算球面积分和径向积分,提出了一种新的球面单形-径向容积求积分准则。将该准则嵌入分布式卡尔曼滤波框架中,结合协同导航的非线性数学模型,给出适用于协同导航的DSSRCQKF算法,该算法要求每颗导航星仅与其邻居星进行通信,通过数据的分布式融合实现对目标星轨道状态的一致估计,从而避免了传统集中式处理中较高的通信和计算压力。仿真实验结果表明,与分布式卡尔曼滤波相比,本文算法将对合作目标的实时定位精度提高了11 m,定速精度提高了0.02 m/s,从而验证了本文算法的有效性。      

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。     

一种高动态条件下惯性星光组合定姿方法

针对高动态条件下星图拖尾导致惯性星光组合定姿精度下降甚至无法定姿的问题,提出了一种基于乘性扩展卡尔曼滤波的惯性星光深度组合姿态确定方法.利用星敏感器观测信息修正姿态误差,补偿陀螺漂移,并建立了陀螺输出的角度变化量与星图像移的关系,利用陀螺输出信息估计星图拖尾的模糊参数,采用维纳滤波复原方法对产生拖尾的星图进行复原以提高星图信噪比和观测精度.仿真结果表明该方法可以有效提高星像质心提取精度和星图识别率,对初始姿态误差修正更快,且不存在星图误匹配的情况,保证了惯性星光组合定姿方法在高动态条件下仍能保持较高的精度.     

四元数UKF超紧密组合导航滤波方法

针对GPS/SINS(Global Positioning System/Strapdown Inertial Navigation Sys-tem)超紧密组合导航系统线性化滤波在高动态、弱GPS信号等环境下性能下降严重的问题,提出了一种以四元数UKF(Unscented Kalman Filter)为基础的GPS/SINS超紧密组合导航系统非线性滤波方法.通过分析GPS与SINS在超紧密组合导航系统中的关系,提出了一种利用SINS信息来估计、修正GPS载波信号的方法,在此基础上建立了组合导航滤波的状态方程和量测方程;以四元数乘性误差模型为基础,提出了一种可应用于UKF滤波的求解四元数加权均值的方法;提出了基于四元数UKF的GPS/SINS超紧密组合导航滤波方法.仿真实验表明:在高动态环境下,四元数UKF滤波方法增强了GPS/SINS超紧密组合导航系统的定位精度和抗干扰能力.     

控制受限航天器无角速度反馈姿态控制

重点研究了控制受限和角速度不可测情况下航天器姿态快速跟踪问题。首先定义了四元数辅助系统,并设计了包含实际误差四元数和观测误差四元数的双曲正切函数的非线性控制律;然后,证明了系统的稳定性以及控制量的有界性;最后通过数字仿真与已有的方法进行比较研究,说明该方法能大大提高卫星姿态跟踪精度和响应速度。     

非线性量测下自适应噪声协方差PHD滤波

概率假设密度(PHD)滤波算法已被证明是实时多目标跟踪的有效方法,但现有这些基于PHD滤波的方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对这一问题,提出了一种适用于非线性量测模型的自适应噪声协方差多目标跟踪算法。该算法以PHD滤波为基础,采用容积卡尔曼(CK)技术近似非线性量测模型,利用逆威沙特(IW)分布描述量测噪声协方差分布,通过变分贝叶斯(VB)近似技术迭代估计量测噪声协方差和多目标状态联合后验密度。仿真结果表明,本文所提算法可有效估计量测噪声协方差,同时实现准确的目标数和目标状态估计。