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MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。      

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。     

天线罩干扰下的雷达/红外复合导引头数据融合

针对雷达/红外复合导引头中存在天线罩折射以及外部干扰问题,在三维模型下,提出一种基于扩展卡尔曼滤波(EKF,Extended Kalman Filter)的多模型算法,对天线罩斜率进行估计,并将估计结果代入EKF,降低观测视线角中的天线罩折射干扰,形成最优局部估计.采用基于环境信息的加权因子法对雷达/红外局部估计结果进行融合,通过环境信息度量传感器测量结果的可信度,忽略不可信的局部估计结果.设计4组算例检验融合算法性能,仿真结果表明:所提算法可以准确估计天线罩斜率,合理并有效使用雷达/红外传感器信息,提高系统估计精度.     

基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

一种非线性不确定系统的鲁棒H∞滤波方法研究

考虑EKF滤波方法的线性化过程对估计误差的影响,提出一种非线性不确定系统的鲁棒H∞滤波方法．基于H∞理论,该算法将滤波模型和观测模型在线性化过程中所产生的误差作为系统的不确定部分,力求此误差对导航精度的影响最小,并且利用李亚普诺夫方法证明了该滤波算法的稳定性．利用所提算法对月球环绕段自主导航系统进行滤波估计,仿真结果证实了算法的有效性．     

基于并行模型自适应滤波的空间目标相对位姿估计

摘要： 扩展卡尔曼滤波(EKF)的估计精度受限于测量噪声统计特性的准确程度,如果敏感器测量噪声方差偏离其标称值,将会对滤波性能产生不利影响.尽管自适应扩展卡尔曼滤波(AEKF)能够对测量噪声方差进行估计,但是,噪声特性准确的情况下,AEKF的性能往往不及传统EKF.针对上述问题,本文提出一种并行模型自适应滤波(PMAF),基于特定的自适应率将EKF和AEKF结合起来,使得在先验信息准确的情况下,EKF在状态估计中起主导作用;相反,在实际噪声方差偏离标称值时,令AEKF起主导作用.这样,即能有效削弱测量噪声统计特性不确定性对滤波性能的影响,又能确保正常情况下的估计精度.以空间目标相对位姿估计为例,通过数学仿真对EKF、AEKF和PMAF进行了对比研究,表明所提算法的综合性能优于传统方法.     

基于模型混合的多分辨率多模型跟踪算法

在原有的多分辨率多模型算法的基础上引入了滤波器混合的方法,提出了一种新的机动目标跟踪算法.原多分辨率算法在多分辨率框架下应用硬切换多模型算法,改善了多模型算法在非机动段的跟踪性能,但是保留了硬切换算法的固有缺点.交互式多模型算法由于采用模型混合,避免了硬切换算法存在的问题,但是非机动段的跟踪性能不如多分辨率多模型算法.所提出的新算法综合了两者的优点,不仅解决了多分辨率多模型算法中存在的问题,而且其综合滤波性能优于交互式多模型算法.      

利用一次雷达实现低空空域的安全监视

介绍了一种低成本的低空空域雷达监视实验系统,并提出了一种基于雷达平面位置指示(PPI,Plane Position Indicator)图像的目标检测与跟踪算法,其中杂波抑制和目标状态估计是两项关键技术.经过背景差分的雷达PPI图像,仍然含有大量的背景边缘杂波,该算法利用其空域特性进行杂波抑制,并采用交互式多模型(IMM,Interactive Multiple Models)方法对目标的匀速、加速、减速、转弯等机动运动进行跟踪.详细分析了仿真数据的跟踪效果,并将整套算法应用于两组实测PPI图像,实验结果说明其有效性.     

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。     

一种基于自适应滤波的GPS滚转角估计方法

全球定位系统（GPS）测姿技术主要是利用GPS载波相位和信号功率2种方法,但是测量信息单一且独立,针对旋转载体的测姿问题,提出一种基于自适应滤波的GPS滚转角估计方法,通过融合GPS接收机天线信号功率和多普勒频率信息测量载体滚转角和滚转角速度。利用当前统计模型对滚转角和滚转角速度测量进行系统建模,根据滚转角预测估计值选取量测量,并提出自适应滤波,采用滚转角加速度估计自适应滤波算法,实现了对系统噪声方差阵的自适应调整,避免了滚转角加速度最值的选取问题,降低了噪声的影响。通过仿真验证了基于自适应滤波的GPS滚转角估计方法的可行性,结果表明该方法的测量精度高于无迹卡尔曼滤波（UKF）。      

基于并行扩展卡尔曼滤波的自主卫星星座导航方法

针对星间距离测量容易受到外界干扰的问题,提出了一种适用于多颗地球卫星和一颗月球卫星的卫星星座自主导航的并行扩展卡尔曼滤波算法.通过解决噪声统计不确定情况下的测量调度问题来选择适当的测量,降低干扰的影响.为了自适应地选择适当的测量,提出一种基于不同来源的测量构造多个子集的并行扩展卡尔曼滤波器,其中每个扩展卡尔曼滤波器用于...     

空间非合作目标交会对接影像测量自适应处理

分析了空间非合作目标影像测量及特征点提取机理,根据对接中特征点识别噪声不确定和空间摄动引起的模型误差,对传统滤波方法进行改进;通过量测更新后的新息数据对量测噪声量级进行估计,同时采用渐消自适应方法对模型误差进行处理,增进滤波效果;设计了针对空间非合作目标对接段的滤波器,能够提供对接段相对位置、速度、姿态角及角速率估计信息。仿真结果表明,提出的改进滤波算法能够在测量噪声不确定和模型误差条件下达到较好效果。     

轨道机动过程中推力加速度的在线最小方差估计

定位和跟踪空间机动目标时，对目标运动建模受发动机推力的不确定性影响，通过统计处理离散的雷达观测数据实时估计发动机的推力，进而定位和跟踪机动目标便是本文所要研究和解决的问题，本文在地心惯性系建立了常推力轨道机动过程中连续变质量运动模型和离散雷达量测模型，机动过程中质量秒耗量和排气速度作为表征轨控发动机推力的两个近似常量，应用扩展卡尔曼滤波对离散雷达测量数据进行序贯统计处理得到发动机推力的最小方差估计；文中详细地给出了线性化量测模型的变分方程和观测矩阵；仿真结果表明该算法能快速、准确地在线估计轨控发动机的等效推力。     

小视场星敏感器量测延时滤波算法

针对小视场（NFOV）星敏感器用于姿态估计时存在的量测延时情况,提出了一种用于解决量测延时的鲁棒扩展卡尔曼滤波（REKF）算法。根据最小方差准则的思想求解各方差的最小上界,通过最小上界确定滤波增益,设计的REKF算法可以有效解决量测延时问题,提高了姿态估计的精度。对REKF算法进行了仿真验证,结果表明:该算法优于常规加性扩展卡尔曼滤波（AEKF）算法、鲁棒有界时域滤波（RFHF）算法及鲁棒卡尔曼滤波（RKF）算法,能较好解决非线性系统存在的量测延时问题,验证了该算法的有效性。