基于星光大气折射的卫星自主轨道确定

本文研究了利用星敏感器进行卫星轨道确定的自主导航方案。这种自主导航方案完全利用高精度的CCD星敏感器，以及大气对星光折射的数学模型及误差补偿方法，精确敏感地平，从而实现航天器的精确定位。以某太阳同步轨道卫星为背景，针对本文给出的星光折射光的卫星导航方案，结合推广的卡尔曼滤波算法，使用模拟数据进行了仿真研究，定位精度为38m。仿真结果说明，星光折射角的测量误差和大气折射模型的不确定性是影响导航精度的主要因素。     

车载GPS/DR组合导航系统的信息融合新方案

总结了适用于车载 GPS/ DR组合导航系统的几种信息融合方法 ,提出一种可容错的新型联合卡尔曼滤波结构方案。针对系统重构和自适应调整的依据 ,提出一种新的分系统状态评估方法 ,定义了滤波器估计结果可信度的概念并给出对其进行模糊综合评判的方法。在此基础上进一步确定联合滤波模型的自适应信息分配准则 ,实时跑车数据处理结果表明 ,该方案大大提高了系统的导航精度和可靠性     

基于神经网络的SINS/GPS/TAN 容错组合导航系统设计

在联邦滤波器结构的基础上 ,设计了一种基于神经网络的天文惯性导航系统 /全球卫星定位系统 /战术导航系统 (SINS/GPS/TAN)容错组合导航系统。该系统首先在各子滤波器中用神经网络滤波 (NNF)代替传统的卡尔曼滤波 ,然后用模糊神经网络 (FNN)对各子系统进行故障检测 ,最后由神经元进行全局融合。通过仿真 ,验证了该方法的有效性     

多传感器组合导航系统分层融合算法

从信息融合角度来看，目前在组合导航系统中广泛应用的联合滤波算法居于两级式分布式融合结构。而分层融合结构作为多传感器信息融合的另一种重要的模式，在组合导航系统中应用尚未见报道。本文研究了多传感器组合导航系统的分层融合算法，重点与联合滤波算法进行了比较。以定理的形式证明了在一定条件下分层融合算法与联合滤波算法的等价性问题。进而提出了分层融合算法的部分反馈模式。仿真结果表明，部分反馈模式的有序分层融合算法可有效地应用于多传感器组合导航系统。在相同的容错能力和计算复杂性下，可以得到优于联合滤波的导航信息融合结果。     

星座自主导航系统设计与实现

基于星间测量的星座自主导航系统的设计与实现，方案中针对计算量过大问题，引入分组并行机制。在充分分析卫星轨道动力学的基础上，利用卫星网的网形约束进行整网平差，首次提出动力学和几何法相结合的自主导航算法。通过实际GPS数据进行仿真与检验，仿真结果表明：该方法精度高，满足卫星星座自主生存的要求，设计方案可行。     

捷联惯导系统大方位失准角下的非线性对准

采用欧拉角描述平台坐标系与导航坐标系间的失准角,推导了适用于捷联惯导系统的非线性误差方程,证明了该方法仅适用于方位误差角为大角度,而水平误差角为小量的情况。数学仿真表明:在方位误差角为大角度情况下,采用所推导的误差方程和非线性滤波技术能获得更高的估计精度。     

航天器编队飞行及其关键技术的开发

简要论述由分布式航天器系统构成的空间编队飞行的概念 ,扼要介绍 NASA为未来航天器编队飞行项目开发的几项关键技术 ,着重阐明基于 GPS的分散式编队飞行控制和相对导航技术能充当未来多星编队飞行任务的导航系统 ,从而使未来的空间科学研究发生深刻变化     

基于三轴磁强计与雷达高度计的融合导航算法

为了减小近地轨道(小于1000km)地磁导航的估计误差协方差，提高导航的可靠性和准确性，在地磁导航系统中引入雷达高度计作为一个新的测量设备，提出了一种基于三轴磁强计与雷达高度计的融合导航算法。该算法取卫星的位置和速度向量作为状态向量，建立状态方程；取卫星周围的磁场强度和卫星到星下点实际海平面距离求出的地心距，作为观测量建立观测方程；利用扩展卡尔曼滤波构成一种融合导航算法。仿真结果表明，提出的融合导航算法对轨道位置的估计误差小于20米，速度的估计误差小于1米／秒，导航算法的精度和收敛性都优于使用单一地磁导航的系统。     

熵理论在组合导航系统信息结构中的应用研究

组合导航就是采用多个导航传感器,通过信息融合技术,对测量结果进行重新整合。本文以亚音速飞行器为背景,通过对组合导航系统熵的结构进行研究,分析了组合导航系统的信息结构。结果表明,组合导航系统的最优控制规律等效于导航系统的最大熵原理。     

利用UKF的航天器自主导航方法研究

UKF(Unscented卡尔曼滤波)是一种新型的直接针对非线性系统的滤波方法。用星敏感器和地平仪测量星光与地平之间的“星光仰角”为观测量的天文自主导航方法,其状态方程和量测方程都是非线性的,使用以往的EKF(推广卡尔曼滤波)进行导航滤波,需将上述两方程分别线性化,故精度较低。本文提出在航天器天文自主导航系统中采用UKF方法,并从仿真计算结果中看到,导航精度有显著提高。