旋转调制下的抗晃动干扰初始对准方法

针对晃动基座下的对准精度受限于惯性器件常值误差，提出了旋转调制下的抗晃动干扰初始对准方法。首先，分析了单轴连续旋转调制技术对常值误差的补偿机理，并在此基础上建立了晃动基座下的惯性器件输出模型;其次，详细推导了基于双重积分的惯性系粗对准算法，通过惯性坐标系下的姿态更新跟踪载体实际姿态变化消除了角晃动干扰，通过对比力进行双重积分克服了线振动影响;最后，在粗对准算法基础上，进一步建立了旋转调制下的系统状态方程和量测方程，通过反馈校正的卡尔曼滤波算法实现最优估计精对准。仿真结果表明:旋转调制下的抗晃动对准方法在克服晃动干扰的同时，能够解决对准精度受限问题，有效提高了初始对准精度。     

船载惯性测量单元姿态信息优化方法

随着海洋卫星通信技术的广泛应用，船载通信系统的需求量与日俱增。基于微电子系统的惯性测量单元主要用于测量船体姿态信息，实现姿态反馈与控制补偿，是船载卫星通信设备的核心器件。实际应用中通过卡尔曼滤波处理的惯性测量单元的姿态信息并不完善，经过分析惯性测量单元在运动过程中存在干扰性的有害加速度。分析了有害加速度的产生原因和对测量姿态的影响并提出姿态信息的优化方法。通过此优化方法可提升惯性测量单元的测量精度，增强船载通信系统的控制精度。     

基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法，然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此，提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量，包含不确定性参数的目标网络值作为观测变量，结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程，通过EKF的迭代更新求解，得到DQN模型中的最优真实参数估计值，解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境，并能够有效提高车辆的通行效率。      

探测与避让系统监视跟踪算法的设计与实现

无人机的探测与避让(Detect and Avoid, DAA)系统是无人机防撞的重要保证，监视跟踪算法对于DAA系统的可靠工作至关重要。基于DAA最低性能标准的描述，以雷达跟踪器、广播式自动相关监视和主动监视应答器监视跟踪入侵飞机的航迹信息，先用α-β滤波保证稳定跟踪，然后再用扩展卡尔曼滤波(Extended Kalman Filter, EKF)进行航迹估计，通过航迹管理算法计算出中心航迹，以供DAA系统作出警报和导引。通过基于ARM的嵌入式Linux平台设计的仿真验证系统和实验平台，验证了设计的DAA系统监视跟踪算法具有良好的监视跟踪性能。     

基于DKF的IMU误差预测算法

作为导航领域常用的组合导航方式,全球导航卫星系统(GNSS)/惯性导航系统(INS)组合导航在GNSS信号失锁后,由于惯性测量单元(IMU)误差随时间迅速积累,其定位结果会偏离载体真实位置,导航精度下降.针对此问题,提出了一种长短期记忆网络(LSTM)辅助的算法,称之为深度卡尔曼滤波(DKF)算法.DKF算法的核心思想是使用LSTM训练IMU误差模型,然后通过训练出的模型预测IMU误差,最后将预测的IMU误差代入IMU数据以校正导航结果.仿真结果表明:在200s测试数据上,DKF算法将误差从1.1537m/s降低到0.3746m/s.与平均预测、卡尔曼预测和最小二乘估计等方法相比,DKF算法的误差最小,具有更优越的导航性能.     

多传感器融合状态估计方法综述

随着传感器网络技术的发展，多传感器融合状态估计凭借其鲁棒性、灵活性、可扩展性以及便于故障检测等优点，长期受到国内外学者的广泛关注，并取得了大量研究成果。数据融合的方法为融合状态估计奠定了理论基础，也是早期研究的主要方向，从20世纪70年代到20世纪末，相继发展出了集中式和分散式滤波架构及相应算法。无线通信技术的成熟以及一致性算法的出现使得分布式状态估计的研究进入了快车道，自2005年以来，大量基于一致性的分布式滤波算法被提出，其中不乏实用的经典方法和优秀的开创性方法。旨在梳理多传感器融合状态估计的发展，探究从数据融合到分布式滤波的内在联系，并对一些经典方法进行了总结。     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

基于卡尔曼滤波的时分星间信号跟踪技术研究

在星间链路领域的测量过程中，时分双工体制星间测量逐渐成为新兴技术，而时分信号的跟踪精度决定了接收机测量误差。传统的接收机载波跟踪环路可以保证对连续信号的稳定跟踪，但受相位抖动的影响较大，且对于时分双工体制间断信号，会出现开环阶段跟踪结果发散的问题。针对以上问题，提出了一种基于自适应卡尔曼滤波的时分信号跟踪技术，采用卡尔曼滤波器对鉴相结果进行处理，在开环阶段根据前一时刻的最终状态对频率进行稳定外推。相比于传统跟踪环路，该技术的载波相位跟踪误差绝对值均值降低了92.9%，标准差降低了93.5%。实验结果表明，该技术不仅实现了开环阶段载波相位的稳定跟踪，且有效抑制了闭环阶段相位抖动的影响，对实现时分双工体制星间精密测量具有重要应用意义。     

地图辅助行人航迹推算技术的室内定位方法

针对目前室内定位技术中位置漂移、定位结果偏差较大的问题,提出了一种融合行人航迹推算(PDR)、地标匹配修正和地图辅助的室内行人定位方法.该方法利用基于惯性传感器的PDR技术计算行人位置信息,利用行走过程中的传感器读数特征识别室内特定地标点,与地标库数据进行匹配后,修正PDR轨迹产生的累积误差.室内地图辅助主要是通过判断行人是否位于走廊等区域,限制轨迹穿墙,约束PDR定位轨迹.实验结果表明,融合定位算法得到的轨迹优于纯惯性递推算法得到的轨迹,更加接近真实的行走轨迹,定位精度提高了51.2％,平均定位误差降至1.8m,满足室内定位需求.     

空天飞行器星敏感器安装误差在线标定方法

空天飞行器高动态、长航时的运动特性可能导致一体化安装的惯性/天文组合导航系统中星敏感器与惯导间产生安装误差角。设计了一种星敏感器安装误差角动态辨识方法,建立了星敏感器安装误差角模型,设计了基于天文角度观测的星敏感器安装误差角动态辨识方案,分析了不同机动飞行方式下星敏感器安装误差角的可观测度。仿真结果表明,所设计的基于卡尔曼滤波的动态辨识方法能够在飞行器机动过程中快速地对星敏感器安装误差角进行在线标定,对安装误差角的标定值可以达到实际误差值的85%以上,有效地提高了组合导航系统的精度。