基于星间测距的编队卫星一致性导航算法

针对多航天器编队飞行的自主导航问题,利用高精度的相对距离测量手段,结合较少的参考卫星位置信息,对未知卫星的相对和绝对位置进行估计.针对扩展卡尔曼滤波算法的局部不稳定性,采用了一种误差补偿算法,使在系统可观度较低时仍有较稳定的输出.并将编队系统视为一个无线网络,提出了一种分布式一致性卡尔曼滤波算法,该算法结合一致性理论和分布式卡尔曼滤波器,可明显提高解算精度并消除高频噪声干扰,仿真结果验证了该方法的有效性与可靠性.     

基于UKF和信息融合的航天器自主导航方法

X射线脉冲星导航利用X射线辐射脉冲到达时间 (Time of Arrival, TOA)作为信息输入,星敏感器导航利用星光角距等作为信息输入,是两种不同机理的天文导航方法。提出一种将脉冲星TOA和星敏感器星光角距测量结合的信息融合天文自主导航方法,设计了一种利用激光光量子模拟脉冲星X射线辐射光子的半物理仿真系统用于算法验证,并基于无迹卡尔曼滤波(Unscented Kalman Filter, UKF)使用真轨道参数做了仿真试验。结果表明,基于UKF的信息融合方法比基于EKF（Extended Kalman Filter）的信息融合方法性能更好,与仅使用脉冲星或星敏感器的导航方法相比,能将位置估计精度分别提高52.7%和43.6%,速度估计精度分别提高82.2%和70.5%。     

磁定姿近地轨道卫星EKF与UKF算法比较

某近地轨道(LEO)卫星通过磁强计测量、飞轮控制和磁力矩器卸载,实现三轴姿态稳定.围绕该卫星姿态确定问题,对扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法进行综合分析对比,最后给出该卫星姿态确定实现方法.分析了地磁模型误差、磁强计测量误差及剩磁的影响,推导了四元数均值及协方差的计算方法.分别引入EKF和UKF进行姿态确定,并讨论了影响算法性能的因素.对两种方法的估计精度、收敛时间及计算需求等指标进行了对比.最后针对该卫星姿态确定要求和硬件条件,选用EKF算法实现姿态确定,满足对地指向精度优于1°,稳定度优于0.1(°)/s的设计指标.     

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。     

初级教练机中的低成本导航仪组合导航算法设计

为了解决初级教练机低成本组合导航仪中全球定位系统(GPS, Global Positioning System)信息更新频率过低,导致传统组合导航算法失效的问题,在对惯性器件进行建模的基础上,提出了一种基于运动学非线性模型的组合导航算法.该算法选取载体的姿态、速度和位移量作为状态量,以GPS、磁强计和高度计的测量值作为观测量,建立组合导航系统模型,利用卡尔曼滤波对线性化后的系统模型进行数据融合.通过静态试验和动态跑车试验,表明该组合导航算法能够使姿态误差均值控制在0.12°以内,速度误差均值不大于0.03m/s,位移量误差均值不大于3.94m,精度能够满足初级教练机的应用需要.     

基于UKF的姿态无关GPS双差整周模糊度确定

基于运动的GPS双差整周模糊度确定方法需要预先知道载体的姿态,为了消除对姿态的依赖,研究了一种新的整周模糊度确定方法。首先将多天线载波双差相位矢量观测方程转化为标量观测方程,消去了对载体姿态矩阵的依赖。经过短时离线观测,以中心估计算法和协方差白化算法估计和修正双差整周模糊度的近似解及协方差矩阵。再以该近似解和协方差矩阵为初值,由无迹卡尔曼滤波(UKF)实时估计双差整周模糊度的精确解。最后对该方法进行了仿真,仿真结果表明经过离线批处理算法的预处理UKF可准确收敛于真实解,证明了方法的正确和有效性。     

SINS／GPS／EMC组合导航系统信息融合技术研究

基于无复位(No-Reset)联邦Kalman滤波信息融合算法,提出并且探讨了组合导航应用过程中的信息融合问题.在建立的相关误差模型基础上,对所设计的采用联邦Kalman滤波技术的SINS/GPS/EMC组合导航系统进行了计算机仿真.结果表明,采用无复位联邦滤波结构的SINS/GPS/EMC组合导航系统能充分融合系统各种导航传感器的信息,能发挥它们各自的优点,互相取长补短,有效地提高导航系统准确度和可靠性.     

一种用于高动态GPS频率估计的滤波算法

针对常用高动态GPS(Global Positioning System)频率估计算法扩展卡尔曼滤波(EKF,Extended Kalman Filter)的缺陷,提出了一种新的称为简化无迹高斯粒子滤波(SUGPF,Simplified Unscented Gaussian Particle Filter)的算法.SUGPF将卡尔曼滤波(KF,Kalman Filter)、无迹卡尔曼滤波(UKF,Unscented Kalman Filter)与高斯粒子滤波(GPF, Gaussian Particle Filter)三者相结合.在时间更新阶段,用KF的方法更新预测分布;在测量更新阶段,用UKF的方法得到重要采样函数,并用GPF的方法更新后验分布.仿真结果表明:与EKF和UKF相比,SUGPF性能更优越,功能更全面,在高斯与非高斯观测噪声环境下均能取得与GPF类似的良好性能,并且其计算复杂度低于GPF.     

基于时变TVAR模型和CKF滤波的助推器落点预测

为解决助推器难以精确回收的问题,提出了一种容积卡尔曼滤波(CKF)和时变自回归(TVAR)模型融合的助推器落点预测方法。针对外弹道观测数据的非平稳时序特点,利用TVAR模型对其建模,预测助推器脱落时和助推器落地之间一段时间的未来测量值,以离散化质点弹道模型作为状态方程,将未来测量值作为CKF滤波弹道位置估计的测量值。为普适非平稳序列,考虑时变TVAR对非平稳时间序列的时变参数和模型阶数的确定。该方法是预测助推器落点滤波外推法的一种新实践。实验数据结果表明,TVAR预测助推器落点与TVAR-CKF融合预测的助推器落点相比,融合后预测的结果与实际测量的助推器落点的偏差更小,可为实际应用提供参考。     

基于惯性/偏振光/光流的六足步行机器人自主导航方法研究

针对惯性/卫星组合导航系统易受干扰或自主性不足等问题，引入偏振光传感器和光流传感器，分别建立航向角和速度量测方程，以辅助惯性导航系统，提出了一种基于惯性/偏振光/光流的自主导航方法。同时，为实现惯性传感器、偏振光传感器和光流传感器等多传感器的融合，设计了无迹Kalman滤波器。为验证该方法的有效性，以六足步行机器人为对象开展仿真和实验验证。结果表明，在没有卫星信号源的情况下，仅依靠机器人自身感知，可实现较高精度的机器人位姿估计，实现了不依赖于卫星导航信号的自主导航，提升了导航系统的自主性。