基于UPF滤波的微小航天器姿态矩阵估计方法

针对基于惯性-星光姿态确定系统噪声存在非高斯分布的情况,提出了将离散粒子滤波(UPF)方法应用于定姿系统滤波器设计,该方法用离散卡尔曼滤波(UKF)得到粒子滤波的重要采样函数,从而克服扩展卡尔曼滤波(EKF)和UKF只能应用到噪声为高斯分布的不足。文章以微机电系统(MEMS)陀螺和互补性金属氧化物半导体有源像素图像传感器(CMOS APS)星敏感器为姿态敏感器件,选取基于矢量观测的最小参数姿态矩阵估计方法为定姿算法,提出将UPF与最小参数姿态矩阵估计方法结合,设计了一种针对微小航天器的UPF姿态估计器,采用从MEMS陀螺采集的数据进行了半物理仿真并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的姿态估计方法可以取得比EKF和UKF更快的滤波收敛性和更好的滤波精度,有效地提高了定姿性能。     

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.      

基于SSUKF的航天器自主导航算法

针对航天器自主导航系统对稳定性、精确性和实时性的要求,将超球面分布采 样点变换SSUT(Spherical Simplex Unscented Transformation)和Unscented卡尔曼滤波(UK F)相结合,研究了基于SSUT的UKF(SSUKF)导航滤波算法.由于SSUT减少了采样点个 数,在保证滤波精度和标准UKF相当的条件下减轻了计算负担.根据UKF和扩展卡尔曼滤波(E KF)计算过程相似的特点,设计了SSUKF和EKF相结合的混合卡尔曼滤波算法.算法通过能够 度量估计误差的模式切换函数,可以自适应地在SSUKF和EKF之间切换,避免了UKF计算效率低 以及EKF对滤波参数敏感、容易发散的缺点.数值仿真结果表明,混合卡尔曼滤波器提高了 计算效率,保证了估计精度,具有良好的鲁棒性,适合于航天器自主导航系统.      

空间非合作目标的相对导航粒子滤波算法

针对激光交会雷达作为在空间交会对接过程中的相对导航敏感器,研究了未来特殊背景下,非合作目标航天器对雷达信号发射干扰的情况下的相对导航滤波算法.针对高维模型计算量大的特点对传统粒子滤波算法进行了改进,并与扩展卡尔曼滤波器进行了仿真比较,仿真结果表明改进后的粒子滤波器的滤波效果远远优于扩展卡尔曼滤波器,且计算量优于传统粒子滤波.     

一种基于AUKF的航天器自主导航算法

 将非线性Sage-Husa噪声估计器与无迹滤波器(UKF)相结合,提出了一种新型的自适应无迹滤波器(AUKF).对基于AUKF的航天器自主导航系统进行了计算机仿真,仿真结果表明,对于存在测量偏差的自主导航系统,AUKF的导航滤波精度较传统的扩展卡尔曼滤波器(EKF)有显著的提高.进而,针对航天器自主导航系统测量偏差周期时变的特点,提出了提高偏差估计精度的改进算法.仿真结果表明,在适当增加计算量的条件下,利用偏差估计改进算法的AUKF能够进一步提高自主导航系统的导航精度.     

航天器轨道机动过程中的自主导航方法

典型的航天器自主天文导航方法利用地球敏感器和星敏感器的观测信息,根据轨道动力学模型和测量信息,采用扩展卡尔曼滤波算法（EKF）估计航天器位置矢量。为了在航天器轨道机动过程中减小滤波器的估计误差,设计了用于航天器自主导航的自适应鲁棒扩展卡尔曼滤波（AREKF）算法。仿真结果表明,采用AREKF算法能够有效地减小推力不确定性的不利影响,在不增加导航敏感器的前提下改善系统的导航性能,取得优于传统EKF算法和自适应扩展卡尔曼滤波（AEKF）的估计精度。     

航天器天文导航模糊自适应卡尔曼滤波研究

星光折射间接敏感地平的自主天文导航方法能够获得很高的导航精度,但由于大气密度模型时空分辨率不高,这种方法所敏感的地平有可能出现较大的瞬时误差,从而导致导航滤波器精度降低,有时甚至发散.为了解决这一问题,提出将模糊推理系统应用于自主天文导航,研究基于Unscented卡尔曼滤波的模糊自适应算法,使导航滤波器在观测值异常时具有一定的自适应能力.计算机仿真结果验证了该方法的有效性.      

基于多传感器天文信息的自主导航算法及可观测性分析

自主导航是未来航天器的发展趋势,利用由太阳敏感器、月球敏感器和红外地球敏感器组成的一体化多传感器天文观测平台,构建了多传感器的天文测量模型,结合航天器动力学模型,分析了自主导航系统的可观测性. 基于UKF滤波算法,建立多传感器自主导航算法,并采用原始测量信息和单点解析定位信息两种模式分别进行了仿真验证. 仿真结果表明,基于原始天文测量信息的自主导航模式,其导航精度要高于单点解析定位数据的自主导航精度,在无系统误差情况下,导航精度约为200m. 采用系统误差估计的自主导航方法后,常值系统误差对导航精度基本不产生影响.      

基于UPF的修正罗德里格参数卫星姿态估计

粒子滤波(PF)在卫星姿态估计中解决了非高斯分布的情况,在粒子滤波的基础上,利用修正罗德里格参数(MRPs)表示姿态,用动力学方程进行角速率的传播,提出将采样粒子滤波(UPF)算法应用到基于MRPs的卫星姿态估计中,该方法通过UKF得到粒子滤波的重要性采样函数,更充分地利用了最新的量测信息。仿真结果表明,这种基于UPF的姿态估计方法能够获得比UKF和标准PF更高的滤波精度,并且具有更好的滤波稳定性。     

UPF滤波参数对航天器天文导航性能的影响

对航天器天文导航这种模型非线性、噪声非高斯的系统,离散粒子滤波(UPF)具有比扩展卡尔曼滤波(EKF)、离散卡尔曼滤波(UKF)更高的精度。在基于UPF的航天器天文导航系统中,UPF滤波参数τ,Q和R以及粒子个数和重采样方法是影响系统导航精度的主要因素。文章通过计算机仿真系统研究了上述UPF滤波影响因素对航天器自主天文导航系统性能的影响,并对结果进行了分析。该文可为基于UPF的航天器自主天文导航系统的参数设置提供参考和依据。     

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。     

一种基于假设检验的多重渐消卡尔曼滤波

提出了一种基于假设检验的带多重渐消因子卡尔曼滤波的新算法.该算法采用χ2检验法,通过渐消因子矩阵对卡尔曼滤波器的噪声方差进行在线修正,从而使滤波器在对象模型存在误差或对象受到外扰时仍然收敛,同时能够提高系统的精度.该算法应用于车载GPS (Global Positioning System)/INS(Inerial Navigation System)组合导航系统中,取得了良好的效果.      

一种新的车载DR系统自适应卡尔曼滤波模型

提出了车载DR系统(Dead-Reckoning System)改进的自适应扩展卡尔曼滤波模型及其滤波算法.由于考虑了速率陀螺漂移误差中的马尔柯夫过程成分,和采用描述机动载体运动的"当前"统计模型及自适应算法,提高了DR系统模型的准确性.计算机仿真结果表明,应用该模型和算法与改进前相比,DR系统的定位精度得到明显提高.     

基于URTS平滑建议分布函数的PF算法设计及应用

为改善基于Unscented Kalman滤波建议分布函数的粒子滤波状态估计的性能,将Unscented Kalman滤波与RTS（Rauch-Tung-Striebel）固定区间平滑算法融合,产生了一种新的建议分布函数--Unscented RTS平滑建议分布函数。该函数首先实施Unscented Kalman滤波,之后对此滤波结果进行RTS固定区间平滑,以此产生预测样本。以此新建议分布函数得到的预测粒子的精度较通常的以Unscented Kalman滤波方法作为建议分布函数时得到的预测粒子的精度将大为提高,进而提高相应的粒子滤波算法--PF URTS的状态估计精度。新算法的可行性和有效性在GPS/DR组合导航数据处理中得到了应用验证。     

月球探测器天文导航的遗传粒子滤波方法

天文导航系统是典型的非线性和噪声非高斯分布的系统.针对传统的扩展卡尔曼滤波不适于非线性和噪声非高斯分布的系统,和一般粒子滤波存在的粒子退化和采样枯竭问题,提出了一种基于遗传算法进行再采样的月球探测器自主天文导航粒子滤波新方法.计算机仿真结果显示了该方法可以有效的克服传统粒子滤波方法的缺点,提高天文导航系统的定位精度.      

衰减因子自适应滤波及在组合导航中的应用

从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波算法发散的原因,提出了一组衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS/SINS组合导航系统中进行了计算机仿真.在计算衰减因子时,利用滤波残差序列在最优估计时为零均值白噪声的性质,构造了服从χ2分布的变量,并分别检验滤波残差每一个分量得出衰减因子值.仿真结果表明,该组算法能够自适应地估计出衰减因子的大小,有效地抑制滤波发散,且计算量较其它方法小.      

基于自适应联邦滤波的卫星姿态确定

卡尔曼滤波采用常值量测噪声协方差阵,当量测噪声统计特性发生变化时,易导致估计误差增大,甚至滤波发散。针对该问题,在联邦卡尔曼滤波子系统中采用自适应卡尔曼滤波,形成自适应联邦卡尔曼滤波算法,新算法采用模糊推理系统实时调整量测噪声协方差阵的加权系数,使模型量测噪声逐渐逼近真实噪声水平。将该算法应用于多传感器卫星姿态确定系统,仿真结果验证了算法的有效性。     

自适应混合信息滤波算法及其在 相对导航中的应用

为解决相对导航模型中线性、非线性并存,及多传感器信息融合时基于Kalman滤波的导航算法计算复杂度较大的问题,提出一种混合信息滤波算法;考虑测量噪声统计特性不准确等工程因素,提出一种自适应混合信息滤波相对导航算法.理论分析及仿真验证表明,与基于Kalman滤波的传统导航算法相比,给出的混合信息滤波算法具有多传感器数据融合时计算复杂度低、便于工程实现的优点,且可以完成线性、非线性并存时的导航滤波任务;除上述特点外,在传感器测量噪声统计特性不准确的情况下,给出的自适应混合信息滤波相对导航算法可以通过自适应调整量测协方差阵的方式,使导航系统仍保持较高的精度.