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。     

多敏感器联邦SSUKF融合姿态确定算法

针对四元数姿态估计问题,提出了一种分布式非线性滤波融合结构。通过引入基于超球面分布采样点变换(SSUT)技术的无迹卡尔曼滤波算法(SSUKF),以较低的计算量实现了高数据更新率、高精度的非线性滤波,并通过融合重构,保障系统无间断可靠工作,不受敏感器故障、视场盲区等因素影响。应用该算法对陀螺、磁强计、太阳敏感器、星敏感器构成的系统进行了具体设计并开展仿真研究,验证了算法的有效性。     

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。     

基于双目视觉的非合作目标自主姿态估计方法

针对在轨服务任务对于空间非合作目标的自主相对导航需求,提出了一种基于双目视觉的自主姿态估计方法。该方法以Markley变量描述目标的姿态运动,并利用双目相机对目标表面的特征点进行观测,利用特征点的运动规律与目标姿态运动的相关性,并通过容积卡尔曼滤波算法实现了对非合作目标角速度与自旋轴方向的估计。数学仿真验证了所给出的姿态估计方法,并分析了估计精度的影响因素。     

基于F代表点的高斯过程矩匹配滤波

提出了一种基于F偏差代表点的高斯过程矩匹配滤波方法。该方法通过高斯过程学习系统的过程函数和观测函数,在高斯矩匹配滤波的框架下利用F偏差代表点进行数值计算。在单变量非线性模型及静基座初始对准中进行的仿真实验表明,该方法的精度不低于解析计算的高斯过程假设密度滤波（GP-ADF）,远高于高斯过程无迹卡尔曼滤波（GP-UKF）。     

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。     

基于交互式多模型鲁棒滤波的目标机动估计算法

针对雷达导引头的测量信息带有闪烁噪声的问题,研究了交互式多模型和鲁棒滤波在雷达导引头目标机动估计中的应用.采用Huber Based滤波理论改进高阶容积卡尔曼滤波,提出高阶容积鲁棒滤波算法,选取Singer模型、“当前”统计模型、常加速度模型作为目标机动模型,建立雷达导引头测量模型,结合交互式多模型算法框架,设计目标机动估计滤波器.蒙特卡洛数字仿真结果表明,所提算法的鲁棒性较强,与传统高斯滤波相比,所提算法对闪烁噪声具有更高的滤波精度.     

卫星编队对空间非合作目标测距相对导航精度分析

针对单颗卫星对空间非合作目标测距不能估计全部相对运动状态的问题,提出利用编队中多颗卫星同时测距相对导航。建立了相对运动状态估计的系统模型;推导了系统可观测矩阵;通过计算系统可观测度和采用无迹卡尔曼滤波（UKF）对目标相对运动状态进行估计,研究了观测矢量方向和数量与相对导航精度的关系。结果表明双星测距能估计全部相对运动状态,观测矢量夹角越大,相对导航精度越高,在编队尺寸远小于目标距离的前提下,多于两颗的卫星测距并不能明显提高相对导航精度。     

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.     

基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。     

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.     

星载GNSS确定GEO卫星轨道的积分滤波方法

采用星载全球导航卫星系统（GNSS）确定地球静止轨道（GEO）,以解决目前应用星载全球定位系统(GPS)时导航卫星可见性差的问题。以风云卫星为例,分析了未来的GNSS相对于GEO卫星的可见性,针对GEO轨道上导航接收机采样间隔较长的问题,综合轨道积分和卡尔曼滤波方法的优点,提出了确定GEO卫星轨道的积分滤波方法。并利用STK软件仿真产生所需数据,用MATLAB对提出的算法编程并进行仿真验证,结果表明,提出的方法性能优越,定轨精度较高。     

超低轨道地球卫星脉冲星/星光折射/光谱组合导航

针对超低轨道地球卫星导航自主需求,提出了一种脉冲星/星光折射/光谱测速组合天文导航方法。首先根据地球超低轨道卫星运行轨道动力学方程建立导航系统状态模型;分别根据脉冲到达时间差和星光折射角与天体光谱频率建立导航系统量测模型;使用Unscented卡尔曼滤波方法,降低随机误差对导航精度的影响,使用基于UKF的信息融合方法,有效融合了三种天文导航方法结果数据。经计算机仿真分析,该组合导航方法位置导航误差均值为85.62m,速度误差均值0.190m/s,能够满足超低轨道地球卫星在轨运行导航需求。     

基于星光角距/激光测距的卫星组合导航方法

为了进一步提高卫星天文自主导航精度,提出了一种利用激光测距辅助的天文组合导航方法。激光测距能够直接获取卫星到地面参考信标的高精度距离信息,在以星光角距为观测量的天文导航系统中引入激光测距辅助数据,可以拓展滤波器观测量的维度,从而改善滤波效果。由于组合导航系统为非线性系统,为避免泰勒展开线性化引起的二阶截断误差,采用UKF滤波方法进行组合导航系统信息融合。仿真结果表明,所提出的组合导航方法能够明显提升导航精度,改善滤波性能。     

自适应两级UKF算法及其在时变偏差估计中的应用

针对存在时变偏差的非线性系统状态估计问题,提出了一种新型的自适应两级UKF算法（ATUKF,adaptive two—stage unscented Kalman filter）．该算法利用衰减因子补偿模型的不确定性,对状态和偏差实施分离估计,并利用估计偏差对状态进行更新．将该算法用于存在随机时变偏差的近地卫星自主导航系统的状态估计问题中,仿真结果验证了其有效性,并利用可观测性分析方法对导航系统的可观测性进行了分析．     

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。