一种自适应GNSS弱信号载噪比估计方法

全球导航卫星系统（GNSS）信号的载噪比（CNR）是衡量接收机工作性能的一个重要参数。为了准确得到载噪比估计值,推导并分析了2种常用的GNSS信号载噪比估计方法（方差求和法（VSM）、窄带宽带功率比值法（PRM））,并同时提出一种基于渐消因子容积卡尔曼滤波的自适应载噪比估计方法,比较了3种方法在通常的信号环境下和弱信号环境下的载噪比估计能力。结果显示:在信号较弱环境或信号受到遮挡产生突变等情况时,VSM方法与PRM方法均会产生较大的误差,而自适应载噪比估计方法能准确估计出信号的载噪比。      

基于数据驱动的非合作航天器姿态估计与预测方法

针对临近操作对非合作航天器的相对导航问题,考虑角速度测量缺失以及视觉特征丢失,提出了一种融合乘性扩展卡尔曼滤波和姿态预测的框架,实现了对非合作航天器的姿态估计和预测。采用惯性参数对状态向量进行了扩维,在缺少角速度测量的情况下预估了非合作航天器的姿态和相对转动惯量的比值。基于函数拟合和神经网络分别设计了两种姿态预测方法,解决了传统方法误差随时间累积的问题,有效减少了计算成本。最后,通过数值仿真验证了滤波估计和姿态预测算法的实时性和准确性。     

基于智能优化箱粒子滤波的移动机器人FastSLAM

针对传统FastSLAM算法需要大量粒子构建地图导致计算复杂度高、难以提高估计精度等问题,研究构建了一种基于智能优化箱粒子滤波（IOBPF）的移动机器人FastSLAM算法。首先,将萤火虫算法（FA）的动态寻优机制引入箱粒子滤波（BPF）,建立了箱粒子的荧光亮度更新公式、吸引度计算公式和位置更新公式,使箱粒子集智能化地向高似然区域移动,避免了箱粒子的退化现象。然后,以改进的智能优化箱粒子滤波进行机器人位姿估计,并采用扩展区间卡尔曼滤波（EIKF）完成地图的构建和更新。移动机器人的模型仿真和实体实验结果表明:所提智能化FastSLAM算法可有效提升箱粒子的性能,并降低地图构建所需粒子数,从而显著提高FastSLAM的定位精度和地图构建的鲁棒性。      

基于深度学习的无人机视觉目标检测与跟踪

针对目标检测中小目标物体漏检率及误检率高等问题,提出了一种基于Yolov3-Tiny算法的改进模型。改进k-means聚类方法,增加3×3和1×1的卷积池化层,将第9层卷积输出上采样,并与第8层卷积得到的特征图进行连接,得到新的输出:52×52卷积层,形成新的特征金字塔。基于卡尔曼滤波算法实现目标跟踪,提出融合跟踪算法的检测网络,使用匈牙利匹配算法对检测边缘框与跟踪边缘框进行最优匹配,利用跟踪结果修正检测结果,提高了检测速度,同时提升了检测能力。在ROS、Gazebo和自动驾驶仪软件PX4的综合仿真环境下对所提算法进行了对比试验。试验结果表明:改进算法平均检测速度降低了15.6%,mAP提高了6.5%。融合跟踪算法后的网络平均检测速度提高了34.2%,mAP提高了8.6%。融合跟踪算法后的网络能够满足系统实时性和准确性的要求。      

基于Bancroft算法的GPS动态定位非线性滤波法

由于系统线性化时存在忽略项,扩展卡尔曼滤波成为一种次优的梯度下降算法.当滤波方程病态时,求解存在发散倾向,且估计量为有偏的,而非最优估计.即使动态系统噪声为高斯噪声时,残差也不是高斯噪声.在伪距定位中,由于线性化后的伪距方程是局部解,这有可能丢失正确解值.针对GPS动态导航扩展卡尔曼滤波定位问题,基于美国Bancroft的全局性非线性"闭合式求解"最小二乘算法(Bancroft算法),本文提出一种闭合式GPS非线性代数解的卡尔曼滤波法(两步算法).该方法将GPS滤波问题中的空间与时间分离,较好地解决了非线性GPS动态定位求解问题,且获得稳定可靠的动态定位解.     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

民用飞机组合导航实际导航性能计算方法

提出了一种民用飞机组合导航实际导航性能计算方法,通过提取组合导航卡尔曼滤波器的误差协方差 矩阵,并对水平位置误差进行近似拟合,获得95% 的概率误差圆半径,即为组合导航实际导航性能。该方法 计算过程简单,易于实现,具有较强实用价值。     

基于角加速度估计的非线性增量动态逆控制及试飞

针对非线性增量动态逆（INDI）控制方法运用到飞行试验时需要进行状态量导数（角加速度）的实时估计并且存在延迟等问题进行了研究,并给出了工程应用上的实际解决方案。对试飞无人机（UAV）平台进行了动力学建模,利用非线性增量动态逆控制方法和控制器分层设计方法设计了无人机姿态控制系统。采用卡尔曼滤波器设计了角加速度估计器为控制律提供角加速度实时反馈。通过基于模型的控制系统设计方法将控制律实现,并进行实际试飞试验。结果表明：该控制方法工程上可实现,具备良好的鲁棒性和指令跟踪能力。     

未知参数高阶线性系统基于特征模型的卡尔曼滤波

针对一类有量测噪声的未知参数高阶线性系统设计了基于特征模型的卡尔曼滤波器,改进了由于传统卡尔曼滤波器在未知系统状态转移阵时应用的难题.在对高阶线性系统的自适应控制中,利用建立系统的特征模型构造状态转移阵,结合卡尔曼滤波的思想对系统输出进行滤波,使系统输出以及控制量的性能得到极大的改善.通过对一个未知参数的高阶线性系统仿真实验验证了此方法的有效性.     

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.