基于GPS/INS不同测量特性的自适应卡尔曼滤波算法

在GPS/INS组合导航系统中,针对现有自适应滤波算法对GPS测量噪声估计准确性、可靠性不高的问题,提出了一种基于GPS、INS不同测量特性的自适应卡尔曼滤波算法.该算法基于GPS和INS不同的测量性质,利用惯导系统的短期高精度性,获得对GPS测量噪声统计特性自适应估计.仿真结果表明,该算法能够在GPS测量噪声统计特性未知或发生变化的情况下,适时地跟踪GPS测量噪声,准确估计滤波系统的观测噪声协方差阵R,其滤波精度和鲁棒性明显优于改进的sage-husa自适应算法,特别是在采用低精度INS情况下,能够有效克服改进的sage-husa自适应算法滤波发散的现象.     

用于MEMS陀螺阵列信号处理的OBE平滑算法

为提高MEMS陀螺的精度,提出了一种基于最优定界椭球(OBE)的平滑算法,并将其用于陀螺阵列信号的处理.首先,利用多个相同型号的MEMS陀螺构成阵列,测量同一角速率信号,并建立数据融合模型.对于融合问题而言,噪声统计特性的不确定会导致传统融合方法精度下降.为解决该问题,引入仅要求噪声未知但有界的集员估计理论,结合RTS平滑思想,提出一种新的平滑算法作为融合方法,它由前向滤波和反向平滑两个过程构成:前者采用集员估计理论中的OBE滤波估计角速率,后者则逆序执行OBE算法进一步提高估计精度.实验表明:该方法能够将陀螺的静态漂移由0.5130(°)/s降低到0.1368(°)/s;动态条件下,在有效跟踪载体角度变化的同时,将漂移由0.5343(°)/s降低到0.1704(°)/s,显著提高了陀螺的使用精度.     

用于MEMS陀螺阵列信号处理的OBE平滑算法（英文）

为提高MEMS陀螺的精度,提出了一种基于最优定界椭球(OBE)的平滑算法,并将其用于陀螺阵列信号的处理。首先,利用多个相同型号的MEMS陀螺构成阵列,测量同一角速率信号,并建立数据融合模型。对于融合问题而言,噪声统计特性的不确定会导致传统融合方法精度下降。为解决该问题,引入仅要求噪声未知但有界的集员估计理论,结合RTS平滑思想,提出一种新的平滑算法作为融合方法,它由前向滤波和反向平滑两个过程构成:前者采用集员估计理论中的OBE滤波估计角速率,后者则逆序执行OBE算法进一步提高估计精度。实验表明:该方法能够将陀螺的静态漂移由0.5130(°)/s降低到0.1368(°)/s;动态条件下,在有效跟踪载体角度变化的同时,将漂移由0.5343(°)/s降低到0.1704(°)/s,显著提高了陀螺的使用精度。     

基于扩展H_∞滤波的单站无源目标跟踪

针对无源定位与跟踪系统可观测性弱,目标初始状态估计精度低的特点,提出了一种基于扩展H∞滤波的单站无源目标跟踪方法。将扩展H∞滤波算法对被动声纳平台获得的目标方位数据进行目标运动分析,以实现较高精度的水下仅测角目标定位和跟踪,并采用雅克比矩阵来近似处理系统的非线性测量方程。扩展H∞滤波对噪声的不确定性具有鲁棒性,保证滤波算法的数值稳定性,提高跟踪的精度和可靠性。理论分析与仿真结果表明,扩展H∞滤波跟踪速度快,性能稳定,估计精度明显优于扩展卡尔曼滤波(EKF),用于水下运动目标跟踪是可行的。     

强跟踪-容积卡尔曼滤波在弹道式再入目标跟踪中的应用

对于具有一定机动能力的弹道式再入目标跟踪问题,稳定性好、鲁棒性强、收敛精度高的估计方法是保证跟踪精度的关键。针对再入运动模型和测量体制的强非线性以及目标机动引起的滤波精度下降问题,提出一种将强跟踪滤波(STF)和基于三阶球面-向径容积规则的容积卡尔曼滤波(CKF)相结合的强跟踪-容积卡尔曼滤波(STCKF)。通过将强跟踪算法中的自适应渐消因子引入到滤波时间更新和测量更新方程中,在线实时调整滤波增益矩阵,能有效避免模型失准造成的滤波性能下降,使该算法兼具CKF滤波精度高和STF鲁棒性强的优点。通过数学仿真表明,改进后的STCKF可以实现对具有机动的弹道式再入目标的高精度跟踪,相对于CKF精度提高50%,并且具有更强的鲁棒性和自适应能力。     

基于改进交互多模型概率数据关联的机动目标跟踪（英文）

为了提高杂波条件下的空中机动目标跟踪精度,提出了一个改进的交互多模型概率数据关联算法。该算法将交互多模型、去偏转换测量和概率数据关联算法相结合,利用交互多模型算法模型集合间不同模型的相互切换来估计跟踪目标的状态;利用去偏转换测量算法对转换测量误差进行去偏补偿,从而减小观测数据坐标变换引起的误差;利用概率数据关联算法处理数据关联和测量的不确定性。通过将本文的算法和基于扩展卡尔曼滤波的概率数据关联算法进行对比分析和验证,实验结果表明本文提出的算法可以提高机动目标的跟踪精度,且跟踪精度相对基于扩展卡尔曼滤波的概率数据关联算法减少26.38%的位置误差。     

载波平滑伪距紧组合导航系统鲁棒自适应滤波算法

传统惯性/卫星紧组合导航系统采用载波相位平滑伪距可以有效提高伪距观测量精度,但平滑伪距后观测量噪声不符合白噪声特性而导致卡尔曼滤波器容易发散;同时由于周跳的存在会更加严重影响滤波器的稳定性。针对上述问题,分析了平滑伪距噪声特性并建立了噪声模型,在此基础上设计了鲁棒自适应滤波算法对观测噪声进行实时估计和补偿,结合抗差估计理论进行滤波以减小观测量噪声水平和模型不确定对滤波器带来的影响。理论分析和仿真结果表明,在复杂环境下,基于载波相位平滑伪距的鲁棒自适应紧组合导航系统定位精度提高了一倍以上。     

一种改进的姿态匹配船体变形测量方法

针对船体变形测量系统中模型不确定以及未知噪声影响导致的误差问题,分析并推导了模型偏差对滤波估计的影响,提出一种基于姿态匹配的强跟踪最大互相关熵卡尔曼滤波(STMCKF)算法,用于船体变形估计。该算法采用姿态匹配,基于两套惯性系统的姿态信息确立滤波观测量并建立线性量测方程,通过自适应在线调整多个渐消因子对多个数据通道进行渐消,减小模型失配导致的误差,并设计基于最大互相关熵准则为最优准则的滤波算法,减小量测过程中受到的非高斯噪声产生的误差。最后,在模型不匹配及噪声不确定的条件下进行了仿真验证。仿真结果表明,与传统卡尔曼滤波相比,变形估计精度提高10%～30%,提高了系统鲁棒性和环境适应性。     

有色噪声下的目标跟踪卡尔曼滤波新算法

传统卡尔曼滤波(KF)适用于白噪声数据的处理,当机动目标跟踪系统的噪声数据存在有色噪声时,采用KF解算的精度降低,不能满足高精度导航的要求。一步相关卡尔曼滤波(OCKF)虽能用于抵制有色噪声的影响,但不适用于高阶有色噪声模型,缺乏一定的适用性,因此提出一种处理有色噪声的多步相关卡尔曼滤波(MCKF)新算法:利用历元噪声的相关性特性,构建多步相关的噪声协方差矩阵,通过线性变换,得到改进的状态协方差公式和增益矩阵。仿真结果表明,MCKF算法在状态噪声为有色噪声或者观测噪声为有色噪声以及两者皆为有色噪声的情况下,均能有效减弱有色噪声在机动目标跟踪过程中对系统状态的扰动,提高滤波的估计精度。     

基于神经模糊网络的自适应α-β-γ目标跟踪算法

针对传统α-β-γ滤波器噪声统计特性未知时,受色噪声的影响精度严重降低,甚至出现发散等现象,设计了一种基于神经模糊网络的自适应的α-β-γ滤波跟踪器。该滤波器通过利用神经模糊网络作为误差估计器,估计出α-β-γ滤波器的估计误差,从而对α-β-γ滤波跟踪器的预测结果进行修正,得到更优的预测值。通过计算机仿真以及在图像目标跟踪平台验证结果表明,该算法可以克服传统算法的局限性,有效地防止滤波器发散,缩小实际的滤波误差,提高滤波精度,实现对跟踪结果的在线改进。     

光电跟踪模型噪声卡尔曼滤波算法

为减小滤波性能对跟踪目标状态空间模型噪声的敏感性,提出一种基于新息同时更新系统噪声方差和测量噪声方差方法,并将其与非线性卡尔曼滤波类算法相结合,构成一类适用于光电跟踪目标的自适应非线性卡尔曼滤波算法.同时将此方法应用到非线性测量光电跟踪系统中,并与扩展卡尔曼滤波和U卡尔曼滤波进行性能对比.仿真实验结果证明该方法可以实时调整系统噪声方差和测量噪声方差,有效地避免由于系统模型噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于扩展卡尔曼滤波和U卡尔曼滤波.     

基于螺旋修正的卫星位姿更新算法

由于卫星运动的不可交换性,在卫星测量过程中引入螺旋修正算法描述编队卫星中主从星的相对位置和姿态信息,提出了基于螺旋修正的编队卫星相对位姿测量算法。首先基于典型的螺旋环境,设计了螺旋修正算法,论证了其与传统圆锥修正算法和划船修正算法的一致性,采用三子样螺旋修正算法进行仿真并与传统算法的精度进行比较。仿真结果表明该算法的位置和姿态精度分别可以达到10-3 m和10-6数量级,满足测量精度要求。该算法不用像传统算法分别为卫星的位置更新和姿态更新设计两组优化系数,因此降低了算法复杂度。     

基于鲁棒滤波的捷联导引头视线角速度估计方法

针对捷联导引头无法直接获取视线角速度等信息的问题,研究了鲁棒滤波在大气层外飞行器捷联导引头视线角速度估计中的应用。为了建立非线性滤波估计模型,考虑目标视线角速度的慢变特性,采用一阶马尔科夫模型建立了状态方程;推导了视线角速度的解耦模型,并建立了量测方程;考虑到实际应用中存在系统噪声统计特性失准的问题,基于Huber-Based鲁棒滤波方法,设计了视线角速度滤波器,并完成了基于Huber-Based滤波方法和扩展卡尔曼滤波方法的数学仿真。仿真结果表明Huber-Based滤波方法的视线角、视线角速度及视线角加速度估计精度分别达到0.1140'、0.1423'/s、0.0203'/s2,而扩展卡尔曼滤波方法的视线角、视线角速度及视线角加速度估计精度仅分别为0.6577'、0.6415'/s、0.0979'/s~2。仿真结果证明了该方法可以有效地估计出相对视线角速度等信息,并且在非高斯噪声的条件下,依然可获得较高的估计精度,具有一定的鲁棒性。     

一种基于M估计的抗差自适应多模型组合导航算法

针对复杂环境下因量测噪声统计特性时变及量测粗差而引起的组合导航精度下降的问题,提出了一种基于M估计的抗差自适应多模型组合导航算法。所提算法突破了传统交互式多模型算法定结构的限制,凭借所提出的模型集自适应调整策略,能够快速估计量测噪声统计特性,并利用模型概率信息对模型转移概率矩阵进行实时修正;引入了基于M估计的抗差Kalman滤波算法,以提高滤波抗差能力。以SINS/DVL组合导航系统为例,通过仿真和长江试验对所提算法进行了验证,结果表明所提算法有效降低了量测噪声统计特性时变及量测粗差对滤波精度的影响。在长江试验中,所提算法相比AIMM算法,东、北向速度误差和位置误差的均方根误差分别下降了44%、36%和41%、53%,水平定位精度提升了约45.9%,定位精度提升显著。     

星光折射辅助惯性/天文紧组合高精度导航方法

为了解决传统惯性/天文(SINS/CNS)组合导航无法在线精确估计加速度计零偏而导致SINS导航误差发散的难题,提出了一种动力学模型约束改进的捷联惯性星光折射组合导航方法。直接利用星敏感器观测的原始恒星像点坐标信息与约束改进的SINS导航动力学方程构建SINS/CNS紧组合模型,通过推导加速度计虚拟观测方程和适用于空天跨域飞行器导航的星光折射测量方程,采用扩展卡尔曼滤波方法,实现了对加速度计零偏和陀螺零偏在线估计。典型弹道仿真结果表明,在不增添额外传感器的条件下,相对于传统的基于姿态测量SINS/CNS组合,所提方法导航定位、定速和定姿精度分别提升了97.84%、98.61%和78.70%;相对于传统的基于星光折射SINS/CNS组合,定位、定速和定姿精度分别提升了28.09%、67.72%和79.10%。所提方法有效克服了传统方法精度恶化问题,显著提升了传统SINS/CNS组合导航精度。     

基于角加速度滤波的柔性杆臂补偿方法

针对基于柔性杆臂传递对准方案中的杆臂加速度构建时,角加速度提取噪声大的问题,提出利用跟踪微分器求取角加速度信号,以补偿杆臂挠曲一体化模型中的杆臂加速度误差。通过将子惯导角速率及其跟踪的微分结果作为模型分量,进而推导建立了考虑柔性杆臂的传递对准模型。仿真表明基于角加速度滤波的方法可以获得平滑的角加速度信息,基于柔性杆臂补偿的传递对准模型,可以实现三轴安装误差估计精度平均提高22.3%,姿态失准角估计精度平均提高4.6%,所提出的方法具有一定的工程适用性。     

一种基于自适应去偏转换滤波的机动目标跟踪

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器.该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性.与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度.仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38％的位置误差.     

一种基于自适应去偏转换滤波的机动目标跟踪（英文）

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器。该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性。与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度。仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38%的位置误差。     

基于卫星跟踪和星敏感器的地月L2点星座自主导航（英文）

近年来在地月L2点构建自主导航星座用于深空探测已经成为研究热点。针对摄动引起的未知模型误差和量测异常造成单独使用卫星跟踪定轨性能较差的问题,提出了一种基于卫星跟踪和星敏感器组合的导航方案。在方案中融合了星间跟踪的距离、多普勒频移信息以及星敏感器测量的星座卫星与月球之间的角度信息,设计了一个联邦自适应平方根容积卡尔曼滤波器,利用自适应尺度矩阵对测量协方差进行改进,提高了异常测量下的定轨精度和鲁棒性。仿真结果表明,在异常测量下所提出的导航滤波方法的位置误差和速度误差,相比传统的联邦平方根容积卡尔曼滤波分别降低了68.85%和44.17%。     

一种改进的自适应卡尔曼滤波及在组合导航中的应用

总结了常用的自适应滤波的方法,并提出一种新的自适应卡尔曼滤波技术,它克服了传统滤波器的不稳定问题,因为传统的卡尔曼滤波过程依赖于系统过程和测量过程的数学模型和其统计模型的正确性的滤波技术.自适应过程是利用测量新息序列和状态修正序列在估计移动窗内是分段静态,来直接估计系统噪声协方差Q和测量噪声协方差(R).仿真结果表明此方法可以提高GPS/INS组合导航系统的精度和可靠性.