无人机视觉SLAM算法及仿真

为将SLAM算法从地面机器人的两维空间扩展到无人机的三维环境,研究了SLAM的发展现状,指出无人机视觉SLAM面临的挑战,利用摄像机和惯导传感器的组合,建立了无人机视觉SLAM算法的数学模型;并提出了一种改进的延迟地标初始化的方法,为了便于理解和实施,简化了系统的状态和方差阵的结构,减少了存储和计算量。用EKF滤波对无人机视觉SLAM进行了仿真研究,得到了较好的估计效果,表明了SLAM在无人机上应用的可行性。     

飞航导弹中制导段惯性视线重构及误差传递

针对飞航导弹中制导段惯性视线重构的特点,基于映射函数的雅可比矩阵,研究了惯导姿态量测误差和捷联成像导引头体视线角量测误差对惯性视线重构精度的影响,推导出了中制导段惯性视线重构的误差传递近似公式,得出以下结论:(1)体视线角量测误差以单位增益传入到惯性视线重构中;(2)体视线角是影响惯导姿态量测误差传递增益的主要因素。仿真结果表明:应用误差传递近似公式进行惯性视线误差计算的精度可达96%以上,验证了公式和结论的正确性。     

LFM雷达对高超声速目标的数据关联研究

基于统计判决的关联决策是当前多雷达数据关联的一个有效途径.然而,在采用该方法对高超声速目标数据关联的问题进行研究时,却会出现随着雷达测量精度的提高,不同雷达数据关联的正确关联概率反而下降这一现象.针对这一情况,首先,利用线性调频（linear frequency modulated,LFM）雷达合理构建了基于统计判决的高超声速目标数据关联模型;接着,在现有的统计判决机制下,进一步分析了目标高超声速运动对多LFM雷达数据关联的影响,并得出了其关联判决函数（服从非中心卡方分布）与现有的关联判决门限（服从卡方分布）相矛盾的结论;最后,结合统计学的原理,通过对目标非中心统计参量的有效求解,合理解释了上述奇怪现象的出现.仿真结果表明,在目标高超声速运动的条件下,上述奇怪现象的出现是合理的.     

高超声速机动目标的强跟踪UKF自适应交互多模型算法

针对高超声速强机动目标的运动具有复杂性、突变性和强非线性等特点,单模型跟踪算法难以实现精确跟踪的问题,提出了一种基于多重渐消因子的强跟踪UKF自适应交互多模型算法。考虑现有强跟踪UKF算法引入单渐消因子的不足,根据正交性原理推导得到了引入多渐消因子的强跟踪UKF算法,完成了对非线性目标状态的滤波估计;在交互多模型算法的子模型中选用改进的CS-Jerk模型;对交互多模型中各子模型间的转移概率进行在线自适应调整,并与改进CS-Jerk模型结合克服了单模型算法跟踪强机动目标的不足,实现了模型与目标运动模式的实时最优匹配。仿真结果表明,与单模型算法和经典多模型算法相比,提出的算法使得不同条件下位置和速度的跟踪误差至少降低11.89%,有效提高了高超声速强机动目标跟踪精度。