基于变量集结预测控制的四旋翼无人机控制器设计

针对四旋翼无人机路径跟踪问题,设计了一种基于变量集结预测控制的控制器。首先以四旋翼无人机状态空间模型为基础建立预测模型;接着设计控制器时采用分段集结的策略把控制量集结成三段优化序列以减少优化计算量,并降低优化保守性,为了进一步加强系统稳定性,控制器引入终端代价函数和终端约束;最后用四旋翼无人机的动力学模型作为被控对象进行仿真验证,结果表明：该控制器能使四旋翼无人机在三轴方向均能实现一个良好的路径跟踪效果。与传统方法相比,这种基于变量集结的预测控制策略能够减小在线优化量,更适合四旋翼无人机飞控芯片的应用。     

利用"火星快车"三程多普勒跟踪数据限定局部洛伦兹不变性

目前航天器的三程多普勒跟踪技术已经在深空探测的控制与导航领域起到了重要作用。利用包含了对局部洛伦兹不变性(LLI)以及局部位置不变性(LPI)原理有破坏的三程多普勒跟踪理论,研究分析了"火星快车"(MEX)三程多普勒跟踪数据的残差。这些多普勒观测于2009年8月7日和8日进行,利用了欧洲航天局(ESA)在澳大利亚新诺舍(New Norcia)的上行站和三个分别在中国上海、昆明以及乌鲁木齐的下行站。我们发现,这些观测结果给出的LLI上限在10-2的量级。但由于各观测站本身对频率测量的精度有限,这些数据并不适合于检验LPI。     

考虑失效性故障的火星探测器进入段姿态容错控制

火星进入过程中的故障和外部干扰不可避免地降低了火星进入制导和控制算法的性能。利用反步法设计了一种对转动惯量信息变化不敏感的火星进入姿态容错控制算法。首先,将虚拟控制律的微分量视作干扰量,利用自适应技术对其进行补偿,避免了传统反步法微分爆炸的缺陷。同时,控制设计过程中显式地引入了饱和函数,保证了在存在输入饱和的情况下,控制律仍然能使得探测器姿态保持稳定。最后,以“火星科学实验室”探测器为模型进行了数值仿真验证,结果表明该控制律在存在输入饱和约束、转动惯量不确定性、执行机构部分失效甚至完全失效的工况下,仍然能够完成对姿态的精准跟踪。     

Stochastic modelling considering ionospheric scintillation effects on GNSS relative and point positioning

Global Navigation Satellite Systems (GNSS), in particular the Global Positioning System (GPS), have been widely used for high accuracy geodetic positioning. The Least Squares functional models related to the GNSS observables have been more extensively studied than the corresponding stochastic models, given that the development of the latter is significantly more complex. As a result, a simplified stochastic model is often used in GNSS positioning, which assumes that all the GNSS observables are statistically independent and of the same quality, i.e. a similar variance is assigned indiscriminately to all of the measurements. However, the definition of the stochastic model may be approached from a more detailed perspective, considering specific effects affecting each observable individually, as for example the effects of ionospheric scintillation. These effects relate to phase and amplitude fluctuations in the satellites signals that occur due to diffraction on electron density irregularities in the ionosphere and are particularly relevant at equatorial and high latitude regions, especially during periods of high solar activity. As a consequence, degraded measurement quality and poorer positioning accuracy may result.     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

密集杂波背景下的水下多目标跟踪方法

水下多目标跟踪是水声信号处理领域研究的热点和难点问题。高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GM-PHD)滤波器以其高效的计算效率为解决水下多目标跟踪问题提供了保证。然而,GM-PHD滤波器在跟踪目标时需要先验已知新生目标的强度,否则其性能会出现严重退化。针对该问题,提出一种滑动窗两步初始化高斯混合概率假设密度(sliding window two step initialization GM-PHD, SWTSI-GMPHD)滤波器。将提出的滑动窗两步初始化方法嵌入GM-PHD滤波器,利用滑动窗两步初始化方法估计新生目标强度,减少杂波干扰导致跟踪结果中出现的虚假目标。仿真实验表明,在杂波密集环境下,相较于其他跟踪方法,提出方法将跟踪精度提高69.84%,52.62%和41.05%。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

一种小天体旋转参数估计方法

小天体旋转参数是科学数据,也是小天体测绘,着陆导航的基础数据.研究一种在小天体探测接近段过程中使用的基于图像上特征点跟踪和扩展卡尔曼滤波器的小天体旋转参数估计方法.该方法首先建立小天体旋转关系模型,表示小天体在相机坐标系中的姿态变化;然后定义小天体旋转的状态方程,推到了扩展卡尔曼滤波器的计算过程.通过对观测图像序列上的特征点跟踪,利用扩展卡尔曼滤波器方法得到小天体旋转轴指向和自转角速度估计.实验中,在仿真相机与小天体相机100 km距离上,分析了相机坐标系小天体坐标系之间的四元数初值,图像上特征点跟踪精度,相机的观测指向等因素对小天体旋转参数估计精度的影响.实验结果表明,提出的基于图像特征点跟踪和扩展卡尔曼滤波器的小天体旋转参数估计方法能够得到具有较高精度的估计结果.