基于自适应SRUKF的无人机位姿预测方法

针对无人机自主导航的实时性差、精度低且对时变噪声的鲁棒性弱的问题，建立了机器视觉和惯性导航相融合的组合导航系统，并提出了一种自适应平方根无迹卡尔曼滤波(adaptive square-root unscented kalman filter, ASRUKF)算法。该算法通过观测值与估计值残差的Mahalanobis距离时刻修正系统噪声协方差，再与采用最小偏度采样的SRUKF算法相融合，从而达到时变噪声自适应抑制，滤波快速且对噪声鲁棒性高的效果。仿真结果表明，相比标准SRUKF，ASRUKF计算耗时减少约38.8%，位移、速度和姿态角预测精度分别提高超过4倍和6倍，且对于时变噪声鲁棒性更强。     

基于改进UKF的加油机位姿预测方法

针对无人机自主空中加油保持阶段加油机位姿跟踪精度不高的问题,提出了一种改进UKF（无损卡尔曼滤波）预测方法。建立了视觉导航系统模型,利用Harris算法检测角点,并用RANSAC（随机序列一致性）算法进行角点匹配。将历史预测数据引入当前时刻UKF预测值,并通过匹配角点所得姿态观测值对改进UKF预测值进行修正,从而实现加油机姿态的高精度预测。仿真结果表明,改进UKF在遭遇突发强干扰时姿态预测性能明显优于标准UKF,所预测误差小于5.8%,满足空中加油精度要求。该算法避免了强干扰引发的预测出错,有效抑制了突发干扰。