基于鲁棒滤波的无人机着陆相对导航方法

针对无人机在移动平台上进行起降时的相对导航问题,提出了一种基于鲁棒高阶容积滤波的惯导/视觉相对导航方法。建立了相对导航系统模型,基于无人机与移动平台之间的相对运动给出了系统的相对惯导方程,并针对系统中传感器的量测特性给出了导航敏感器的测量方程。针对相对导航系统非线性较强且量测噪声不符合高斯分布等问题,在高阶容积滤波的基础上,结合Huber-based量测更新方程,设计了鲁棒高阶容积滤波相对导航滤波器,该方法具有较高的估计精度,且对混合高斯噪声有鲁棒性。相对姿态采用四元数表示,为保证四元数的归一化,在设计相对导航滤波器时采用修正的罗德里格斯参数表示姿态误差。仿真结果表明,该方法可以准确地给出无人机与移动平台之间的相对位置、速度和姿态信息,且估计精度高于扩展卡尔曼滤波、Huber-Based滤波以及高阶容积卡尔曼滤波。     

捷联惯导系统传递对准两种滤波方法比较研究

将H∞滤波方法用于捷联惯导系统（SINS）空中动基座传递对准，并对卡尔曼滤波和H∞滤波应用于传递对准的鲁棒效果进行了比较研究。仿真结果表明，在有色噪声和白噪声强度较小时，两种滤波方法的滤波精度差别不大，但当有色噪声和白噪声强度较大时，卡尔曼滤波精度优于H∞滤波。换言之，卡尔曼滤波对于噪声的不确定性是具有一定的鲁棒性的，并且就估计精度而言，其鲁棒性优于H∞滤波，但H∞滤波的估计速度优于卡尔曼滤波。     

SINS初始对准中的鲁棒超球体无迹卡尔曼滤波方法

捷联惯导初始对准大失准角系统误差模型中,当噪声具有不确定统计特性时,基于白噪声假设的无迹卡尔曼滤波算法鲁棒性较差.针对该问题,提出了一种基于H∞理论的鲁棒超球体无迹卡尔曼滤波算法.给出了计算量小的超球体采样策略,推导了H∞滤波的鲁棒机理,分离了鲁棒环节.将鲁棒环节引入超球体无迹卡尔曼滤波算法,得到鲁棒超球体无迹卡尔曼滤波算法,并分别在系统噪声和量测噪声为白噪声和有色噪声的条件下,对超球体无迹卡尔曼滤波和鲁棒超球体无迹卡尔曼滤波两种滤波方法进行了仿真实验.仿真结果表明,鲁棒超球体无迹卡尔曼滤波在白噪声情况下虽然精度有所降低,但是相对超球体无迹卡尔曼滤波具有了对有色噪声的鲁棒性,较超球体无迹卡尔曼滤波方法更适用于天向失准角为大角度并且噪声特性为有色噪声的情况.     

捷联主动雷达末制导信息提取及延时补偿设计

针对捷联雷达常规的惯性系视线角解耦方法在加入落角约束时需根据目标距离对落角进行补偿的不足,给出一种目标坐标系下捷联解耦方法.首先在预估目标点构建目标坐标系,利用坐标转换及雷达与目标相对运动关系构建关于视线角与相对距离的二阶非线性模型,结合扩展卡尔曼滤波解耦获得目标系视线角及角速度.其次在滤波解算视线角及角速度的过程中,...     

H^∞鲁棒滤波在惯导初始对准中的应用

本给出了惯导系统初始对准的非线性模型,针对一般非线性滤波线性化所引起的模型误差,提出了H^∞鲁棒滤波方法,并与卡尔曼滤波器、二次滤波等方法进行了比较。仿真结果表明,该方法比二次滤波等方法计算量大大减小,精度要高;对于非线性模型,在存在模型误差或噪声不确定情况时,其滤波性能远优于扩展卡尔曼滤波及其它非线性滤波算法。     

H~∞鲁棒滤波在惯导初始对准中的应用

本文给出了惯导系统初始对准的非线性模型 ,针对一般非线性滤波线性化所引起的模型误差 ,提出了 H∞ 鲁棒滤波方法 ,并与卡尔曼滤波器、二次滤波等方法进行了比较。仿真结果表明 ,该方法比二次滤波等方法计算量大大减小 ,精度要高 ;对于非线性模型 ,在存在模型误差或噪声不确定情况时 ,其滤波性能远优于扩展卡尔曼滤波及其它非线性滤波算法     

基于PF的SINS动基座初始对准

捷联惯性导航系统大方位失准角的误差模型是非线性的,传统的扩展卡尔曼滤波(Extended Kalman Filter, EKF)会产生线性化误差,影响初始对准精度.在给出捷联惯性导航系统动基座大方位失准角误差模型的基础上,推导了粒子滤波方法(Particle Filter, PF),并将扩展卡尔曼滤波、基于Scaled-Unscented变换的Unscented卡尔曼滤波(Unscented Kalman filter, UKF)和基于Residual重采样的粒子滤波用于捷联惯性导航系统的初始对准中,分别进行了加速和拐弯条件下的初始对准实验仿真.仿真结果表明,在大失准角情况下,粒子滤波相对于扩展卡尔曼滤波和Unscented卡尔曼滤波具有更高的对准精度和更快的收敛速度.     

基于交互式多模型滤波的船体变形惯性测量方法

基于惯性测量单元的匹配滤波算法是测量船体变形的发展趋势,然而在实际航行中,船体变形模型参数是未知或存在不确定性,模型参数的这一特性对滤波估计结果影响较大。针对此问题,利用"速度+角速度"匹配算法分析了模型参数未知对滤波估计效果的影响,引入交互式多模型卡尔曼滤波方法,利用不同模型参数的似然函数进行概率分配。最后通过仿真对提出的方法进行了验证,结果表明,与传统卡尔曼滤波相比,估计精度提高了5%~10%,收敛时间提高了1倍,动态变形角的收敛时间在10 s以内,静态变形角的收敛时间在5s以内,提高了系统的环境适应性。     

基于NPF-CKF的捷联惯导系统动基座初始对准技术

当海况不佳时,水下航行器大幅晃动,捷联惯导系统无法快速完成自主初始对准,因此提出了利用多普勒计程仪提供的速度信息进行运动中辅助对准。针对在非线性对准中扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,提出了一种基于非线性预测滤波的求容积卡尔曼滤波算法。该滤波算法将惯性器件测量误差作为模型误差使用非线性预测滤波器进行实时预测,然后再利用求容积卡尔曼滤波对模型误差补偿后的系统进行状态估计。仿真结果表明,与扩展卡尔曼滤波和求容积卡尔曼滤波算法相比,该滤波算法能够不仅提高失准角特别是方位失准角的估计精度,其精度约为45″,而且加快了收敛速度。同时由于该滤波算法降低了系统状态的维数,因此也大大减少了计算量。     

基于Krein空间的鲁棒Kalman滤波在传递对准中的应用研究

基于Krein空间的鲁棒Kalman滤波器与通过其它方法建立的鲁棒Kalman滤波器相比有较高稳态精度。文中将基于Krein空间的鲁棒Kalman滤波方法用于导弹捷联惯导系统动基座传递对准，并与标准Kalman滤波进行了比较。仿真结果表明，在垂直比力参数存在摄动的情况下，如果基于Krein空间的鲁棒Kalman滤波器的参数选取适当，它的精度鲁棒性优于标准Kalman滤波。     

广义联邦滤波器的全局最优性

基于分散化滤波算法和信息分配原理,建立了广义联邦滤波器设计理论。证明了联邦滤波器当其主滤波器和局部滤波器的维数都相同时,其全局滤波和集中卡尔曼滤波等价,是最优的;同时提出当主滤波器维数和局部滤波器维数不相同时,达到全局滤波最优的解析补偿方法,其附加计算量小,并可作为一种性能指标用于子系统的软故障检测。在组合导航系统中运用此方法对非公共状态信息进行补偿,仿真结果验证了该方法的有效性。     

惯导系统初始对准的非线性滤波算法

本文推导了方位误差角比较大时惯导系统初始对准的误差方程,在这个误差中包含了非 线性的部分。在方位误差角较小时,可将非线性的对准方程简化为线性的对准方程。用卡尔曼 滤波对线性系统进行仿真,用扩展卡尔曼滤波、迭代滤波、二次滤波对非线性系统仿真。比较仿 真结果可见,扩展卡尔曼滤波可大大提高方位对准的精度,而迭代滤波、二次滤波在方位角上 又比扩展卡尔曼滤波的精度高。     

联邦滤波器的滤波稳定性研究

首先证明了联邦滤波器中各局部滤波器实际上滤波不相关,然后通过使用集中式滤波器的滤波稳定性定理,来分析联邦滤波器的滤波稳定性。仿真实验首先根据上述方法证明了联邦滤波器的滤波稳定性,然后通过改变滤波初始值的方法对上述方法的执行结果进行了实验验证。     

联邦滤波器理论研究

应用矩阵理论和信息分配原理导出集中卡尔曼滤波、分散化滤波和联邦滤波之间的等价关系，证明联邦滤波器的全局滤波精度和集中卡尔曼滤波的滤波精度相同，并用信号流程图直观清晰地说明联邦滤波比分散化滤波结构更简单，计算量小。提出一种动态最优信息分配系数确定的方法，该方法使联邦滤波局部滤波器的设计也成为最优，并从理论上证明其具有最高的软故障检测灵敏度。     

组合导航系统多重衰减因子自适应估计算法比较研究

提出了多重衰减因子自适应估计卡尔曼滤波方法,用该方法对系统每个误差状态估计进行控制,提高滤波器的估计性能。仿真结果表明,新算法在系统噪声特性不准确的情况下,能够抑制卡尔曼滤波估计的发散,GPS/SINS组合导航精度比强跟踪滤波估计的精度高。这种算法推导形式简单,计算量小,适合在线运算。     

基于矢量观测确定卫星姿态的两种非线性滤波算法

在确定卫星姿态确定的状态估计法中，经典的扩展卡尔曼滤波（EKP）和新提出的非线性预测滤波（NPF）这两种实时滤波算法各有优缺点。通过大量仿真计算，对这两种滤波算法在不同情况下进行了多角度的对比分析，旨在寻求它们各自的适用条件。结果表明：当模型误差较大甚至非线性或测量误差较大时，NPF滤波效果好于EKF：当状态变量的初始估计误差较大时，EKF滤波效果好于NPF：当需要估计真实模型误差时，只能用NPF。     

基于简化无迹Kalman滤波的非线性SINS初始对准

传统的小干扰失准角模型只适合于小失准角情况下的初始对准,对于处于大失准角下的舰船或飞机的对准必须寻求不做任何线性假设的非线性模型和非线性滤波方法。针对以上问题,建立了基于四元数的姿态误差方程,给出了基于复杂噪声模型的UKF算法,在该算法的基础上假设量测方程为线性,得出简化的UKF算法,避免了重采样、多次求解量测预测方程、计算量测预测方差等一系列繁杂过程。基于以上理论建立了适合简化UKF算法的非线性滤波模型,在大失准角、小失准角下与常规Kalman和EKF算法做对比仿真,结果表明,在小失准角下三种方法效果相当,但在大失准角下简化UKF和EKF显示出了处理非线性模型的优势,对准速度和精度都好于常规Kalman算法。由于EKF线性化造成的高阶截断误差使得对准精度略低于简化UKF。     

粒子滤波在惯导系统非线性对准中的应用

首先介绍了粒子滤波中自举滤波的原理和算法，说明该算法可用于处理非线性系统的状态估计问题。进而列出了捷联惯导系统速度误差方程和姿态误差方程，并将其用于惯导系统非线性对准。最后，通过对仿真结果的分析，指出通过结合粒子滤波和传统的扩展卡尔曼滤波，可以得到一种精度优于卡尔曼滤波，而计算量小于粒子滤波的非线性滤波方法。     

基于单向无迹卡尔曼滤波的飞机姿态算法

针对扩展卡尔曼滤波方法在飞机姿态滤波中存在的线性化误差大、需要解繁琐的Jacobian矩阵等问题,将一种新型卡尔曼滤波方法——单向无迹卡尔曼滤波应用于载有低精度、高噪声传感器的低成本飞机姿态滤波系统,并在精度及计算量上与EKF和容积卡尔曼滤波进行了比较。利用实测飞行数据进行实验,结果表明:相对于EKF,SUKF实现容易,且使姿态滤波精度提高到二阶;相对于CKF,SUKF计算简单,比CKF减少约33%的计算量。     

基于奇异值分解的多重渐消鲁棒Cubature卡尔曼滤波及在组合导航中的应用

为了提高标准Cubature卡尔曼滤波（CKF）的稳定性和鲁棒性,提出一种改进的多重渐消H∞滤波Cubature卡尔曼滤波算法。首先基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;其次,引入H∞鲁棒思想,构造多重渐消H∞滤波Cubature卡尔曼滤波器;最后,提出采用一种奇异值分解的矩阵分解策略代替标准Cubature卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性。实际GPS/INS组合导航实验表明,改进的多重渐消H∞滤波Cubature卡尔曼滤波算法不仅能有效抑制滤波发散提高算法的稳定性,而且对观测野值具有更高的鲁棒性;提出的新算法与标准CKF算法相比,XYZ三个方向的位置精度分别提高了55.8%,46.6%和39.7%。