一种基于加速度预估计的机动目标跟踪算法

研究分析了几种典型单机动目标模型的建模方法,针对现有单机动目标模型中机动参数需要先验假设,并且不能随目标机动情况的改变而自适应调整的问题,提出了一种加速度预估计模型(Acceleration Pre-estimation Model,APM)。该模型首先用位置量测对机动加速度进行预估计;然后,将加速度估计值作为系统的输入控制项建模;将估计误差看做系统的机动控制项,并作为系统的相关噪声建模。由于APM模型中,加速度机动参数是通过位置量测实时估计得到的,不需要先验假设。与现有单机动目标模型相比,该模型的自适应能力得到了提高。

一种加速度辅助“当前”统计模型距离跟踪方法

在经典的“当前”统计模型中,机动频率通常为经验值,并需预设加速度极限值。针对这一局限,利用递归线性平滑牛顿预测器对加速度进行预估后,得到“当前”统计模型中目标机动频率值的解析解,避免了机动加速度极限值的设置,同时实现了过程噪声协方差矩阵的自适应计算。此外,利用简化的Sage-Husa滤波方法实现了量测噪声协方差矩阵的自适应更新。通过计算机仿真验证了该算法相较于经典的“当前”统计模型的距离跟踪性能更优。

基于自适应平方根UKF的微机械传感器融合航姿估计

提出一种新的基于自适应平方根UKF的微机械传感器组合姿态测量系统.该系统采用3轴微机械陀螺积分得到姿态角,采用3轴微机械加速度计测量重力矢量得到俯仰角和横滚角,分别校正俯仰漂移和横滚陀螺漂移;采用磁强计得到航向角,并与陀螺积分角度融合校正航向陀螺漂移.跑车实验结果表明,基于自适应平方根UKF算法可实时估计机动加速度干扰,并在融合滤波器中进行补偿,能够有效去除车辆机动加速度干扰,姿态角估计精度在±0.6°以内.

带不确定性上界估计的移动机器人编队控制

针对含有驱动器及编队动力学的多非完整移动机器人编队控制问题,基于领航者-跟随者法,以驱动器电压作为控制量,通过反步法设计了一种移动机器人编队鲁棒自适应控制方法。采用单输入径向基神经网络(RBFNN)对含驱动器动力学的机器人动力学非线性不确定部分的上界值进行在线估计,并通过非线性元对建模估计误差进行补偿。所提方法既解决了移动机器人编队控制的多不确定性问题,也确保了机器人编队期望队形下的轨迹跟踪。基于Lyapunov方法设计了参数自适应律,并进行了系统稳定性分析。最后,通过两个仿真实例验证了该方法对不确定性估计的准确性,减低了计算复杂度,提高了抗干扰能力。

基于量测转换与输入估计的机动目标跟踪算法

针对雷达系统中机动目标的跟踪问题,提出输入估计(input estimation,IE)与无偏量测转换(unbiased converted measurement,UCM)相融合的自适应算法。用无偏量测转换技术将观测量转换到直角坐标系,使得在极坐标系内应用IE成为可能;提出检测窗内加速度阶梯变化的假设并推导相关模型,使得单个输入估计器能够跟踪各种变化机动。仿真分析表明,算法与基于多滤波器并行工作的交互式多模型相比,跟踪精度相当,但运算量大大降低,因此适用于对性能和实时性要求较高的场合,有很好的应用前景。

基于小采样周期的机动目标模型跟踪性能研究

分析了小采样周期条件下“当前”统计模型、基于速度估计的自适应模型及自适应常加速度模型，对3种模型的稳态性能和动态性能进行了分析比较，并对3种模型的机动目标跟踪效果进行了仿真。仿真结果表明：小采样周期条件下，3种模型的稳态跟踪性能一致，而在动态跟踪条件下自适应加速度模型性能更优。

高机动弹道目标末端拦截的新型有限时间滑模制导律设计

针对高机动弹道目标末端拦截问题,设计了一种具有有限时间收敛特性的新型滑模制导律。首先针对目标三维运动强耦合的特点,基于视线旋转坐标系内弹目相对运动关系建模,结合降维微分几何制导律和滑模控制理论,并采用快速双幂次趋近律构造了有限时间内快速收敛的连续制导指令;同时,采用了一种在末端拦截段使视线转率随弹目相对距离的减小在有限时间内快速收敛的滑模面;进而将目标的机动加速度视为上界未知的有界扰动,并通过自适应估计实现对目标加速度上界的快速逼近,可显著提高滑模面收敛速度,同时减弱抖震现象;最后,通过李雅普诺夫定律,对所提出新制导律的稳定性进行了证明。仿真结果表明,所设计的新型制导律能有效拦截高机动弹道目标。