改进的Sage—Husa滤波及在卫星姿态估计中的应用

基于极大后验估计原理,提出了一种改进的噪声估计器,以实现对噪声均值和方差的在线估计,抑制滤波器发散。对自适应扩展卡尔曼滤波算法在卫星姿态确定系统中的应用进行了仿真。结果表明新算法滤波精度优于扩展卡尔曼滤波（EKF）,与Sage—Husa自适应滤波算法相比,可阻止滤波器发散,提高系统滤波精度。     

GPS/速率陀螺组合Kalman滤波姿态确定算法研究

建立了GPS／速率陀螺组合姿态估计系统的模型，研究比较了三种典型的Kalman滤波姿态确定算法：状态扩充法、量测量求差法和时变噪声估计跟踪自适应滤波算法。给出了某航天器采用GPS／速率陀螺组合姿态确定的仿真计算结果，并对结果进行了分析。结果表明，与传统Kalman滤波算法比较，时变噪声跟踪自适应滤波算法和量测量求差滤波算法能较好地消除GPS测量中相关时变噪声的影响，提高姿态确定的精度；而且时变噪声跟踪自适应滤波算法能很好地消除由于噪声统计性能的不确定性对Kalman滤波的影响，提高姿态确定系统的性能。     

基于鲁棒非线性卡尔曼滤波的自适应SLAM算法

针对传统非迹卡尔曼滤波算法缺乏在线自适应调整能力,在噪声模型出现误差时滤波精度下降的问题,提出了一种基于鲁棒无迹卡尔曼滤波的同步定位与地图创建算法。该算法引入了一个多维观测噪声尺度因子,能根据观测噪声统计特性的实际变化情况对每种传感器的噪声模型做出自适应调整,使其逼近真实噪声水平,进而将滤波增益调整到一个适当值,实现滤波器的最优估计。SLAM仿真实验结果表明,在噪声统计特性发生变化的情况下,该算法相比其它几种SLAM算法具有更好的自适应能力,估计精度更高,鲁棒性更强。     

一种带自适应因子的IMM-UKF的GPS/BD-2导航方法

针对GPS/北斗-2(BD-2)卫星导航系统中机动载体运动模型和噪声统计特性不确定性导致滤波精度低的问题,为提高导航定位的精确性和稳定性,提出一种自适应的滤波方法。首先,提出了一种新的自适应UKF(AUKF)算法,该方法将残差序列的协方差矩阵视为过程噪声协方差矩阵的不确定量,基于此采用平滑滤波的方法设计自适应因子,并利用该自适应因子实时调整过程噪声协方差矩阵,减弱了噪声统计特性不确定性对滤波精度的影响;其次,采用交互式多模型(IMM)算法设置模型集M,并通过实时调整模型概率来实现各个模型间的软切换,解决了单一模型对载体运动状态描述不全面而导致滤波精度低的问题。仿真结果证明该算法能有效提高载体在复杂机动状态下的定位精度。     

基于深度前馈网络的自适应相对导航滤波

针对空间非合作翻滚目标近距离相对导航中出现测量异常偏差导致滤波精度下降甚至发散的问题,研究了具有抗差能力的自适应滤波估计方法。在设计了相对导航滤波模型的基础上,提出了基于深度前馈网络的自适应扩展卡尔曼滤波算法,并且详细设计了智能故障检测与估计的深度前馈网络模型与训练方法。数学仿真结果表明:深度前馈网络能够有效估计测量异常偏差且估计误差小于异常偏差值的15%,基于深度前馈网络的自适应扩展卡尔曼滤波结果显著优于常规扩展卡尔曼滤波。     

基于自适应采样滤波器的临近空间飞行器姿态确定

为提高临近空间飞行器的姿态估计精度和稳定性,研究了捷联惯性导航系统与星敏感器组合定姿方法和滤波融合算法.首先给出了临近空间飞行器的高精度姿态确定方案及其模型,然后针对一般采样型滤波器自适应能力有限的缺点,推导了一种能在线自适应估计过程噪声和量测噪声协方差阵的自适应采样滤波算法,该算法融合了自适应估计和非线性滤波各自的优点,不仅能对姿态确定系统的非线性滤波问题进行高精度估计,而且估计结果具有较强的鲁棒性,最后进行了仿真实验.实验结果表明本文方法达到10角秒的定姿精度,其滤波精度和稳定性均满足临近空间飞行器的定姿要求.     

多传感器加权观测融合自适应UKF滤波器

对于带有相同观测方程和未知噪声统计的非线性多传感器系统,提出了一种基于Sage-Husa估计的自适应UKF滤波算法.该算法利用导出的平稳随机序列的相关函数估计系统观测噪声方差统计R(j),并证明了其收敛性.进而利用Sage-Husa估计算法得到自适应UKF滤波算法.该方法避免了传统Sage和Husa的自适应滤波算法不能处理Q和R均未知的系统的局限性.为了将多传感器信息加以充分利用,提高滤波精度,本文利用加权最小二乘法(WLS),实现了多传感器加权观测融合自适应UKF滤波器.一个带3传感器非线性系统的仿真例子说明了该算法的有效性.     

基于三维地形匹配的月球软着陆导航方法研究

针对月球探测器定点着陆任务的需要,研究了基于三维地形匹配的导航方法。对三维地形匹配问题,将高程方差图局部极值点作为三维地形特征,在构建地形特征之间的相对位置与角度不变量的基础上,提出了基于投票的三维地形匹配策略。针对测量噪声统计特性的不确定性,将Sage\|Husa噪声估计算子与迭代卡尔曼滤波相结合,通过对测量噪声进行在线估计有效避免滤波精度下降甚至滤波发散的出现。数字仿真结果表明所研究的导航方法能够有效地实现探测器相对位置和姿态的精确估计。     

小天体着陆器协方差矩阵分割滤波方法

提出一种小天体着陆器协方差矩阵分割滤波方法,利用惯性测量单元和多个相机估计着陆器运动状态,通过分割协方差矩阵的方式将协方差矩阵隔离更新和传播,并在每次测量更新时使用残差卡方修正方法修正协方差矩阵。通过小天体着陆器着陆仿真测试,与传统扩展卡尔曼滤波算法相比,本文方法在测量噪声估计不准确时具有更好的精度和稳定性。     

基于容积滤波的自适应相对导航算法

针对激光交会雷达测量方程的非线性问题,将容积滤波算法应用于航天器相对导航中;并考虑测量噪声统计特性不准确以及测量信息偏差等工程因素,针对激光交会雷达测量参数类型不同的特点,提出了一种基于容积滤波的自适应相对导航算法。该算法通过自适应调整量测协方差阵,能有效降低统计特性不准确等测量异常给导航系统造成的不利影响。仿真结果表明该自适应导航算法在激光交会雷达测量值存在噪声统计特性不准确等情况下时仍可保持较高的导航精度。     

LMS自适应滤波算法改进及其在连线干涉测量中的应用

对航天测控信号进行滤波处理将有利于提高系统的测量性能。连线干涉测量以载波时延为测量量,所以其测量精度与载波差分相位估计性能直接相关,而该性能主要受近载频噪声的影响。提出采用LMS自适应滤波算法对测控信号进行滤波处理以提高载波差分相位估计精度的思路。首先给出基于LMS自适应滤波算法的相位估计方案,并分析其可行性和存在的问题;然后提出基于余弦函数的改进LMS自适应滤波算法,最后将改进算法应用于CEI测量仿真和观测试验中。蒙特卡罗仿真和实测数据处理表明,改进的LMS自适应滤波算法优于原算法,在同样数据处理长度下,滤波处理后载波差分相位估计精度提高了约一倍,这在航天测控中具有重要意义。     

高超声速机动目标天基跟踪鲁棒性滤波方法

为解决高超声速滑翔飞行器(HGV)机动飞行过程中的跟踪问题,提出了一种基于机动观测器补偿的鲁棒扩展卡尔曼滤波方法。针对传统卡尔曼滤波器由于模型误差而无法稳定跟踪的问题,首先建立了HGV动力学模型和天基红外测量模型;随后,设计机动观测器对未知气动加速度进行在线估计;在此基础上,利用机动估计对扩展卡尔曼滤波中的预测步骤进行修正,克服了因模型误差而导致的滤波发散问题;最后,考虑到机动观测器的时延误差,在扩展卡尔曼滤波迭代过程中引入次优渐消因子,提高了滤波跟踪的鲁棒性。与强跟踪滤波、扩维卡尔曼滤波、交互多模型滤波等典型跟踪方法相比,所提方法可在不具备目标机动先验信息的情况下,以较低的计算耗时取得良好的稳定性和跟踪精度。     

自适应SCKF在高动态COMPASS信号参数估计中的应用

高动态环境下北斗二号导航信号具有较高的非线性特性,载波参数估计难以保证较高的精度。在分析高阶非线性载波模型的基础上,提出了一种基于平方根容积卡尔曼滤波（SCKF）的自适应滤波算法,对载波相位及其三阶导数进行估计。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代滤波过程中,利用移动窗口法通过最新量测信息来改进过程噪声和量测噪声的协方差阵,可获得较高的估计精度。仿真结果表明,相比EKF和SCKF,本文提出的方法具有更高的估计精度和更快的收敛速度。     

一种用于实时轨道确定的NPF-SRCKF滤波算法

针对航天器实时轨道确定中建模复杂、计算量大、估计精度低的问题,设计了一种考虑地球J 2 摄动影响的基于NPF-SRCKF的实时轨道确定算法,该算法采用非线性预测滤波(NPF)对模型误差进行补偿修正,利用平方根容积卡尔曼滤波(SRCKF)算法对修正模型误差后的系统进行状态估计。针对单测站、双测站跟踪测量设计了不同的实时轨道确定算法。实验结果显示,将非线性预测滤波和平方根容积卡尔曼滤波结合在一起,运用于简化的实时轨道确定模型,能有效降低计算复杂度,改进数值运算的稳定性,提高状态估计的精度。     

自适应渐消EKF方法及其在卫星跟踪中的应用

针对在系统不能确切建模或模型误差随时间改变等场合下,传统扩展卡尔曼滤波方法及其改进算法估计误差较大甚至引起滤波发散等问题,将基于新息序列对状态噪声协方差矩阵实时估计的方法引入到渐消EKF中,提出了一种自适应渐消扩展卡尔曼滤波方法,推导了相关公式并详细给出了新方法的计算流程。采用单星对卫星仅测角被动定轨跟踪的例子对算法性能进行了对比分析。仿真结果表明,与传统EKF方法及其改进算法相比,该方法在估计精度、滤波收敛速度以及对初始状态误差的适应性等方面,显著提高了非线性滤波器的性能。     

基于卡尔曼滤波器的高动态GPS载波跟踪环

为解决传统锁相环( PLL)在高动态环境下对全球定位系统(GPS)信号的跟踪精度问题,将自适应渐消滤波和二级卡尔曼滤波相结合研究了一种新的自适应二级卡尔曼滤波算法,并且提出了一种利用新息协方差计算渐消因子的方法,通过自适应渐消因子在线调节误差协方差矩阵补偿不完整信息的影响,使滤波器在系统模型不完整或者噪声统计特性不准确时仍接近最优.基于自适应二级卡尔曼滤波算法提出了一种高动态GPS载波跟踪环的设计方案.仿真结果表明,提出的方案较传统PLL的跟踪精度有显著提高,频率跟踪精度提高到9.28Hz.     

自适应滤波在磁暴期间地磁导航中的应用

对磁暴期间巡航导弹巡航段的地磁导航问题进行了讨论。针对地磁导航在磁暴期间常规卡尔曼滤波容易发散的问题,提出了一种基于Sage\|Husa自适应卡尔曼滤波的地磁导航算法。算法根据新息的变化自适应调整测量噪声矩阵,消除了磁暴影响,提高了滤波稳定性。仿真表明在选择合适的遗忘因子基础上,即使在磁暴最剧烈的时间段,采用自适应卡尔曼滤波仍能保证一定的精度,定位精度在200m以内,满足巡航导弹中程制导的精度要求。     

基于自适应滤波的飞艇组合导航系统研究

研究一种基于自适应滤波的飞艇组合导航系统。采用低精度光纤陀螺和石英加速度计构造惯性测量装置(IMU),研究其高精度导航解算算法;对标准的Sage-Husa自适应滤波方程进行简化变形,设计IMU/北斗组合导航自适应滤波算法,解决组合导航系统噪声和量测噪声统计特性不确定问题。仿真结果表明,在长航时复杂恶劣环境下,基于自适应滤波的IMU/北斗飞艇组合导航系统仍具有较高的导航精度和优越的抗干扰能力,具有良好的工程应用前景。     

飞行器目标跟踪中的改进自适应滤波算法

针对经典“当前”统计模型预设目标参数无法随运动状态进行实时调整的问题,提出一种基于卡尔曼滤波的改进自适应滤波算法(MAF),通过对机动频率及加速度方差的计算,实现目标运动参数的自适应调整,提高跟踪精度。仿真结果表明,该种新型自适应滤波算法相比固定参数的“当前”统计模型滤波算法具有更高的跟踪精度、更强的稳定性,在高信噪比环境下的位置跟踪精度提高20%,低信噪比环境下的位置跟踪精度提高2倍,具有一定工程实用价值。     

时变噪声系统的自适应强跟踪滤波器研究

在目标跟踪过程中,强跟踪滤波可以对目标的突变状态进行较好的跟踪,但由于系统噪声和观测噪声协方差阵是时变的未知量,采用固定数值将会影响目标跟踪的精度,所以需要对两种噪声特征进行在线估计.应用噪声有限记忆自适应算法改进强跟踪滤波,在线自适应估计噪声协方差阵,并提出基于时变噪声系统自适应强跟踪滤波的目标预测算法,提高了对目标状态的估计精度.利用自主研发的全自主足球机器人进行目标跟踪的仿真,结果验证了该算法的有效性.