AEKF在星敏感器低频误差补偿中的应用

高分辨率对地观测卫星需要精确的姿态信息来满足后续对地定位等工作,因此姿态确定精度十分重要。星敏感器的低频误差是影响卫星姿态确定精度的重要因素之一,主要是由空间周期性的热环境变化引起的。为进一步提高卫星姿态确定精度,对星敏感器的低频误差产生机理即星敏感器主光轴做周期性扰动进行了分析,设计了星敏感器低频误差补偿方案,建立了考虑星敏感器低频误差在内的组合定姿模型,利用拓维卡尔曼滤波(AEKF)对低频误差进行补偿,并引入RTS平滑滤波进一步提高姿态确定精度。仿真实验表明,设计的星敏感器低频误差补偿方案能有效对其进行补偿,提高卫星姿态确定精度。     

异步联邦UKF的GNSS／SINS／摄影定位组合导航算法仿真

在飞行器进近过程中,为了提高组合系统的导航精度,针对传统联邦滤波器对非线性系统模型易导致滤波发散问题.分析了两种导航方式的优缺点,提出了基于卫星导航／惯性导航／摄影测量(GNSS／SINS／Photogrammetry)的组合导航联邦滤波算法,并推导了系统误差模型.该算法取长补短利用联邦无迹卡尔曼滤波器将GNSS定位和摄影定位、定姿精度高的优势对SINS进行在线误差估计.针对多传感器非等间隔数据采样问题,采用时间与量测更新分离的异步非等间隔联邦滤波算法进行信息融合,并对滤波器结构进行改进以减少算法复杂度.仿真实验证明基于联邦UKF的组合导航系统较传统联邦滤波算法位姿精度有明显的提高,且系统鲁棒性也有一定的增强.      

利用信息融合进行月球卫星自主导航

研究了绕月卫星自主导航方法,提出了由星敏感器、紫外月球敏感器和测高仪组成的多源信息组合导航方案。将Unscented Kalman滤波(UKF)应用于非线性导航系统,采用信息融合技术设计了相关的联邦滤波算法,实现了系统的信息互补,完成了卫星轨道的最优估计。利用数学仿真对这种导航系统的有效性进行了验证,并与基于扩展Kal man滤波(EKF)的信息融合算法进行了比较。仿真结果表明,所提出的UKF融合算法具有良好的稳定性,可进一步提高导航系统的精度。     

函数模型误差弹性自适应滤波修正

多源导航信息融合过程中,观测模型和动力学模型随时间和空间变化复杂,高精度的动态载体导航与定位需要观测模型和动力学模型具有准实时或实时修正的能力。针对包含观测模型误差以及动力学模型误差的滤波系统,提出了一种基于信息滤波的弹性自适应滤波算法。所提算法以不含模型误差的标准信息滤波器为主滤波器,分别构造了观测函数模型及动力学函数模型误差补偿滤波器,对两类模型误差进行补偿。所提方法强调模型补偿项的弹性自适应估计和状态参数的弹性组合,提高了时变模型误差估计的稳定性。半物理仿真实验结果表明,基于函数模型补偿的弹性自适应滤波算法可以有效地估计观测模型和载体动力学模型误差项,水下拖体的三维位置偏差在0.2 m以内,两类模型误差的影响基本消除,明显提高了载体动态参数的估计精度。     

CNS+GNSS+INS船载高精度实时定位定姿算法改进研究

天文导航（CNS）、卫星导航（GNSS）和惯性导航（INS）3种系统组合可提供高精度的定位定姿结果。实际工程中因INS长时间误差累积，以及系统硬件传输存在不可忽略的时间延迟，导致INS提供给CNS的预报粗姿态误差较大，恶劣海况下难以保障快速搜星，造成天文导航可靠性下降、姿态测量精度较低的问题。为此，本文提出了一种CNS+GNSS+INS高精度信息融合实时定位定姿框架，引入了等角速度外推措施，有效地解决了惯导信息延迟问题。通过高精度转台模拟恶劣海况下载体大角速度摇摆，验证了本文提出的改进算法的有效性。试验结果表明，该算法架构简单，性能可靠，显著提高了恶劣环境下星敏感器的快速、准确搜星能力，保障了三组合姿态测量的精度和可用性。     

陆地导航中GNSS/陀螺仪组合实时测姿方法

在陆地导航系统中使用GNSS/INS组合导航会增加系统成本,多天线GNSS测姿精度受基线长度影响,且存在的模糊度固定问题。本文提出仅利用一个陀螺仪和单天线GNSS组合来进行实时测姿。先由单天线GNSS计算姿态角3参数,航向角为陆地导航的关键参数,为此将陀螺信息与GNSS导出的航向角进行融合。分析了单天线测姿在载体静止或低速运动时精度很差的原因,提出了在组合滤波中进行解决的方案。推导了GNSS和陀螺信息融合的滤波模型,将陀螺仪信息作为状态模型的控制输入,以GNSS航向为滤波观测值。实验结果表明,GNSS/陀螺仪组合计算的航向角精度和可靠性相对GNSS测姿结果均有很大提升。     

基于衰减因子的虚拟应答器信息融合方法研究

针对虚拟应答器(VB)信息融合时使用Kalman滤波易出现滤波发散的问题,提出了基于改进Sage-Husa自适应滤波算法的信息融合方法. 首先采用自适应滤波动态调节噪声统计特性参数,抑制滤波发散,在预测误差方差矩阵中引入衰减因子,减小陈旧数据的影响进而提高滤波精度,最后进行仿真实验,将所提出的滤波算法与Kalman滤波和Sage-Husa自适应滤波在VB的位置误差和速度误差上进行对比. 仿真结果证明:在相同的时间内,本文所述算法在VB的定位误差上具有显著优势,具有较好地稳定性.      

基于UKF滤波的近地卫星自主组合导航方法研究

安全可靠的自主导航系统可提高卫星的在轨生存能力。文章研究了利用紫外敏感器测量得到的地心方向信息和星敏感器、红外地平仪获得的星光角距信息进行卫星轨道确定的自主组合导航方法。针对导航系统非线性的特点,采用Unscented卡尔曼滤波(UKF)设计了相关的信息融合方案,并通过数学仿真对其有效性进行了分析和验证。仿真结果表明,该算法可进一步提高导航系统的精度和可靠性。     

结合自适应滤波和神经网络的GNSS/INS抗差组合导航算法

针对GNSS/INS松组合导航系统观测信息无冗余,而且观测信息可能存在异常的情形,结合自适应滤波算法和神经网络算法,提出了两种GNSS/INS抗差自适应组合导航解算方案,根据观测信息和动力学模型信息异常情况,给出了4种GNSS/INS抗差自适应滤波算法。利用实测数据进行了验证,结果表明,4种抗差自适应滤波算法在观测信息不足的情况下,不但能够抑制动力学模型扰动异常对导航解的影响,而且能够较好地抑制异常观测信息对导航解的影响。     

星敏感器在轨测量误差分析

星敏感器的姿态测量精度是评价星敏感器性能以及卫星姿态确定的最重要指标之一。本文提出一种星敏感器的测量误差分析方法, 适用于卫星在轨运行期间以及整星地面测试阶段星敏感器测量误差的确定, 特别是在目标姿态无法准确预知情况下的误差确定。     

基于容错型联邦强跟踪滤波的多星座组合导航算法研究

在多星座组合导航应用于高动态场景时,由于受加速度变化范围大、动态噪声和观测噪声难以准确预测等因素影响,常规联邦滤波估计精度将会严重下降甚至发散。针对这一问题,提出将强跟踪滤波算法应用到容错型联邦滤波器中,构成容错型联邦强跟踪滤波器。对COMPASS/GPS/GLONASS组合导航系统进行的仿真结果表明:该算法设计灵活,容错性强,对高动态目标有较强的跟踪能力,能够显著提高导航定位的精度和可靠性。同时,由于组合应用了无重置联邦滤波结构和渐消矩阵一步次优算法、残差χ2检验算法等实用算法,使得该算法整体计算量适中,易于实现,具有一定的工程实用价值。     

自适应联邦滤波器在GPS-INS-Odometer组合导航的应用

针对多传感器观测信息较多、计算效率较低、对动力学模型误差稳键性不佳的问题,提出了一种自适应联邦滤波器并应用于GPS-INS-Odometer组合导航。首先介绍GPS-INS-Odometer组合导航的动力学模型和观测模型,比较分析了信息分配因子和自适应因子的共同特性,论证了联邦滤波器和自适应滤波器的等价性及其等价成立条件,提出了自适应联邦滤波器的信息分配因子构造方法。最后利用实测数据验证了算法的有效性。结果表明,相比于基于GPS和Odometer(里程计)初始方差构造信息分配因子的联邦滤波器,本文提出的自适应联邦滤波器兼容了联邦滤波器高效计算效率,且具有较好的抵抗动力学模型误差效果,能够有效削弱多传感器动力学模型误差对于导航解算的影响,对直接可测参数和间接可测参数的精度提高均起到了积极的作用。     

IMU辅助X射线脉冲星的深空探测器精确定姿方法及仿真

为满足深空探测器的精确定姿需求,提出了一种惯性测量单元(IMU)辅助的X射线脉冲星定姿方法。该方法用IMU的速率陀螺来估计航天器短时姿态,观测两颗或多颗脉冲星的X射线辐射信号,将拟合得到的观测矢量作为滤波器信息输入,利用这两种测姿手段在时间和空间上的互补特性,提供一种全天候、抗干扰性强的定姿方法。仿真结果表明,相比于EKF,基于UKF的俯仰、横滚和偏航三姿态角的测量精度可提高21.9%、21.1%和31.7%;与仅使用脉冲星或IMU的定姿方法相比,组合定姿方法的俯仰角估计精度分别提高了32.5%和77.6%。     

基于状态矩阵卡尔曼滤波的姿态估计算法研究

设计一种组合GPS／速率陀螺定姿系统。系统以方向余弦矩阵表示姿态,建立GPS／速率陀螺组合状态模型和观测模型。结合kalman滤波算法,提出一种状态矩阵卡尔曼滤波（StateMatrixKalmanKilter,SMKF）姿态估计算法,并采用拉格朗日算法对姿态矩阵进行正交化约束。与传统的基于四元数的扩展卡尔曼滤波（EKF）算法相比,基于方向余弦矩阵的姿态系统状态方程与测量方程均为线性方程,无需线性化处理,对初始姿态误差更具有较好的鲁棒性。数值仿真表明,该方法具有精度高和稳定性强等优点。     

移动机器人SLAM位姿估计的改进四元数无迹卡尔曼滤波EI北大核心CSCD

在全自主运动控制的移动机器人系统中,自身位姿的估计和校正对于移动机器人的运动至关重要。卡尔曼滤波是解决移动机器人同步定位与地图构建(SLAM)常用方法。相较于卡尔曼滤波,无迹卡尔曼滤波(UKF)无须对复杂的非线性函数进行雅可比矩阵运算。本文基于无迹卡尔曼滤波,根据先验协方差的平方根选择sigma点,计算协方差以及加权均值。用四元数表示姿态,将四元数矢量转换为旋转空间进行矩阵运算,在此基础上设计了一种位姿估计算法——基于四元数平方根的无迹卡尔曼滤波(QSR-UKF)算法。试验将EKF、QSR-UKF、SR-UKFEKF 3种算法的位姿估计结果进行仿真分析,并通过相关定量指标进行了描述,验证了本文算法的有效性。     

Unscented Kalman filter with nonlinear dynamic process modeling for GPS navigation

This paper preliminarily investigates the application of unscented Kalman filter (UKF) approach with nonlinear dynamic process modeling for Global positioning system (GPS) navigation processing. Many estimation problems, including the GPS navigation, are actually nonlinear. Although it has been common that additional fictitious process noise can be added to the system model, however, the more suitable cure for non convergence caused by unmodeled states is to correct the model. For the nonlinear estimation problem, alternatives for the classical model-based extended Kalman filter (EKF) can be employed. The UKF is a nonlinear distribution approximation method, which uses a finite number of sigma points to propagate the probability of state distribution through the nonlinear dynamics of system. The UKF exhibits superior performance when compared with EKF since the series approximations in the EKF algorithm can lead to poor representations of the nonlinear functions and probability distributions of interest. GPS navigation processing using the proposed approach will be conducted to validate the effectiveness of the proposed strategy. The performance of the UKF with nonlinear dynamic process model will be assessed and compared to those of conventional EKF.     

一种自适应的PSO粒子滤波人脸视频跟踪方法

提出了一种自适应的PSO粒子滤波人脸视频跟踪算法。本算法充分利用粒子群算法的寻优能力,使粒子向真实值的后验概率分布移动,同时引入小生境(niche)技术加以改进,构造出多种群特性,使目标分布呈现非线性非高斯特性的多模分布,由此提高对动态系统中最优解动态变化的自适应能力。实验表明,在简单背景匀速运动、复杂背景匀速和变速运动的人脸视频跟踪中,和传统粒子滤波、普通PSO粒子滤波相比,具有良好的跟踪精度和稳定性。     

顾及线性化模型误差补偿的卡尔曼滤波算法

针对扩展卡尔曼滤波（EKF）线性化所产生的线性化模型误差问题,使用非线性预测滤波对线性化所引起的模型误差进行预测,并在标准EKF的解算过程中考虑到预测所得误差的统计特性,使模型更趋于真实情况。通过算例对改进算法的性能进行了验证。