带摄动力拟合的低轨卫星实时定轨STCKF算法

针对低轨卫星实时定轨过程中滤波初值及轨道模型不精确导致定轨精度降低的问题,提出一种带摄动力拟合的强跟踪容积卡尔曼滤波(Strong Tracking Cubature Kalman Filter,STCKF)算法.通过强跟踪滤波(Strong Tracking Filter,STF)的等价表示计算次优渐消因子以在线实时调整增益矩阵,强迫残差序列相互正交,有效降低了对初始状态的敏感性.使用欧拉预测校正法对带J_2项摄动的轨道动力学方程进行离散,用多项式拟合函数表示其余摄动力以提高模型精度.仿真结果表明,带摄动力拟合的STCKF算法可以有效提高实时定轨精度,并且降低了定轨精度对滤波初值的依赖.

SVD-ACKF算法在光电经纬仪实时定轨中的应用

对光电经纬仪量测噪声统计特性未知或不精确导致实时定轨精度降低甚至发散的问题,设计了基于奇异值分解的自适应容积卡尔曼滤波(SVD-ACKF)算法。首先,利用Sage-Husa极大后验估计器及其改进形式对噪声统计特性进行在线估计,使得CKF算法具有应对噪声变化的自适应能力,并使用SVD代替传统Cholesky分解以提高数值计算的稳定性。然后,阐述了实时定轨数学模型,提出使用欧拉预测校正法对带J2项摄动的轨道动力学方程进行离散。仿真实验表明:欧拉预测校正法将轨道动力学方程的离散精度提高了1 970.411 m。在量测噪声协方差矩阵取值恶劣时,SVD-ACKF算法将实时定轨精度维持在43 m左右,并且具有更好的数值稳定性。