混合高斯测量噪声下的多模型滤波

就带有混合高斯测量噪声的离散时间系统 ,提出了一种简化的多模型滤波。理论分析证明该滤波方法用较少的计算量得到了与交互多模型滤波相同的估计性能。为满足应用要求 ,给出了该滤波器的数值鲁棒实现方法。一个关于仅有方位测量的制导例子验证了该滤波算法的有效性。     

一种新的鲁棒非线性卡尔曼滤波

Huber方法是一种基于l1/l2联合范数的估计方法,该方法可以实现估计的鲁棒性,同时尽量不损失滤波精度和效率.基于Huber估计的无味卡尔曼滤波虽提高了无味卡尔曼滤波的鲁棒性,但这种方法用统计线性回归模型来近似非线性的观测模型,损失了无味变换的精度.从Huber方法的数学意义出发,对观测信息(观测值或观测噪声)进行重新构造,然后对精确的非线性观测方程进行标准的无味卡尔曼滤波,这种新的基于Huber方法的无味卡尔曼滤波无需对非线性观测方程进行线性近似,在保持鲁棒性的前提下提高了滤波精度.通过一个具有混合高斯分布观测噪声的简明实例,验证了新算法在鲁棒性、滤波精度以及估计一致性方面的优势.     

发射系下SINS/GPS/CNS组合导航系统联邦粒子滤波算法

传统的扩展卡尔曼滤波(Extended Kalman filter, EKF)算法应用于未来高超、空天飞行器的组合导航系统时,因其模型线性化展开会导致模型不准确,从而引起导航精度下降;采用蒙特卡洛方法来实现递推贝叶斯估计问题的粒子滤波(Particle filter,PF)算法能有效避免引入线性化误差,具有一定的优势。据此,针对高超、空天飞行器在发射过程中通常需要直接获得发射惯性系下的高精度导航参数的需求,提高发射惯性系下弹载组合导航系统滤波算法的精确性就尤为重要,PF滤波算法无需对非线性系统进行线性化展开即可直接实现对非线性系统的状态误差估计。为此,本文将PF滤波算法引入空天飞行器SINS/GPS/CNS多信息融合组合导航系统,设计了发射系下基于联邦滤波器的PF滤波算法,实现了对组合导航系统状态参数的直接建模估计。算法仿真结果表明,相较于发射系下SINS/GPS/CNS组合导航系统联邦EKF滤波算法,PF滤波算法有效提高了组合导航系统滤波精度。     

基于双滤波器的高精度目标跟踪估计方法

针对连续推力的合作航天器,采用双重无迹卡尔曼滤波(DUKF)算法估计其状态和加速度。通过状态滤波器和参数滤波器的配合,提升滤波精度,完成运动状态和参数的估计,从而实现合作目标的运动轨迹跟踪。与合作航天器相比,非合作航天器存在大小未知、发生时刻未知的机动,无法获得加速度,且信息获取和运动状态的估计难度大。针对非合作航天器,基于简化的相对运动方程,结合天基平台获得目标的观测信息,采用两个扩展卡尔曼滤波(EKF)及基于半正焦弦的机动检测策略实现多未知脉冲机动的运动状态的估计。仿真结果表明：相比于无迹卡尔曼滤波（UKF）,DUKF在对合作航天器的状态和加速度估计方面具有更快的收敛速度和更高的滤波精度;对于存在未知机动的非合作航天器,通过对比验证机动检测策略与滤波器切换策略相结合的方法的有效性,该方法能够检测到多次机动并且减少误判。     

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     

火星探测器捕获段自适应卡尔曼滤波方法

天文导航是一种广泛应用于深空探测任务中的节能、高效的导航方式。基于轨道动力学模型和星光角距的卡尔曼滤波方法已经被成功应用在天文导航系统中。在捕获段由于探测器所处动力学环境复杂,未建模的加速度误差,星历误差等都会造成过程噪声统计特性不完全。针对以上问题,提出一种根据新息和残差序列的变化趋势来调节过程噪声协方差阵的自适应平方根容积卡尔曼的方法（AQSCKF）。该方法先分别利用新息和残差计算调节因子,然后判断新息和残差的变化趋势,当新息和残差的变化趋势一致时,取二者调节因子的均值作为过程噪声方差阵的调节因子,对其进行调节。此外,本文还将该方法与传统的只利用新息或残差在线调节协方差阵的平方根容积卡尔曼滤波（SCKF）方法进行对比,仿真结果表明,在解决由于过程噪声统计特性不能完全已知的问题上,AQSCKF算法不仅能显著提高导航精度,并且具有很好的稳定性。     

Kalman弹道滤波器的快速收敛性研究

在弹道修正过程中,需根据一段实测弹道参数,准确地估算常规弹箭的飞行弹道。工程中,常应用Kalman滤波方法,结合质点弹道模型建立六状态滤波弹道模型。速度初值估计的准确性,是对滤波过程造成影响的主要因素。为改善这一状况,采用多项式拟合用以对速度状态进行估计并以此作为滤波初始值。在此种估计下滤波,速度滤波过程可快速收敛,位置滤波过程收敛速度大幅度提高,可使最优弹道诸元参数获取时间缩短30%。     

基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。