全捷联导引头视线角速度STCKF提取技术

传统的平台导引头可以通过物理跟踪回路直接提取导弹制导所需的视线角速度信息,采用全捷联结构后,导引头失去了直接测量视线角速度的能力,视线角速度需要通过数字计算的方法来提取。针对全捷联导引头精确制导技术工程应用中的问题,首先给出了视线角速度提取方案,推导得到视线角速度估计模型,鉴于估计模型的强非线性,采用强跟踪容积卡尔曼滤波算法对视线角速度进行估计。结合小型空面导弹的典型使用条件,通过弹道仿真对视线角速度估计算法的有效性进行了验证。仿真试验表明:导引头在末制导段捕获目标后,能迅速消除滤波初始误差,准确跟踪真实的弹目视线角和视线角速度变化。为验证将滤波输出作为制导信息的可行性,考虑激光半主动全捷联导引头的典型干扰,用蒙特卡洛打靶方法对导弹制导精度进行了考核,1 000次打靶结果显示,对静止目标的制导精度为0.58 m(CEP),对运动目标的制导精度为0.84 m(CEP),满足精确制导武器的制导精度要求。

多终端仅测速实时定轨的自适应联邦STCKF算法

针对多手持终端仅测速实时定轨问题,设计了一种自适应联邦强跟踪容积卡尔曼滤波(strong tracking cubature Kalman filter,STCKF)算法。首先,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得到状态方程。然后,为每个手持终端设计了STCKF滤波算法,该算法基于强跟踪滤波(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,提高短弧段内滤波估计收敛速度。进而,利用信息最优合成算法对每个终端输出的局部定轨结果进行融合,为提高信息融合精度,信息分配因子由误差协方差矩阵的Frobenius范数自适应确定。最后的仿真结果表明,欧拉预测校正法可以有效提高轨道动力学方程离散精度,自适应联邦STCKF算法可以有效提高实时定轨精度和滤波收敛速度。

改进自适应强跟踪容积卡尔曼滤波器在动基座大失准角初始对准中的应用

捷联惯导在动基座大方位失准角初始对准时可能会出现模型失配和滤波发散等现象,为提高对准性能,对强跟踪容积卡尔曼滤波算法(STCKF)进行改进,引入非线性系统Sage-Husa噪声估计器、模型失配判据和噪声估计器收敛性判据,根据判据对CKF和STCKF进行切换。仿真结果表明:改进后的STCKF算法可以有效地解决捷联惯导在动基座初始对准时出现的模型失配和滤波发散问题。

基于强跟踪CKF的无人水下航行器SLAM

针对基于容积卡尔曼滤波(CKF)的无人水下航行器(UUV)同步定位与地图构建(SLAM)存在对模型参数变化的鲁棒性差、收敛速度慢、对突变状态跟踪能力低等问题,通过在CKF中引入渐消因子和弱化因子,提出了一种基于强跟踪CKF(STCKF)的SLAM算法(STCKF-SLAM)。首先建立UUV的运动模型、特征模型、测距声呐模型,然后基于霍夫变换从多测距声呐测量数据中提取堤岸线特征,最终采用STCKF实现了UUV的同步定位与地图构建。基于UUV海试数据的仿真实验结果表明:相比CKF-SLAM算法,STCKF-SLAM算法保持了对突变状态的强跟踪能力,且均方根误差降低了13%,提高了SLAM系统的精确性,可应用于UUV长航时水下隐蔽作业。

基于纵向车速估算的商用车ABS神经网络滑模控制

针对商用车防抱死制动系统(ABS)控制中纵向车速难以直接获得,提出了强跟踪容积卡尔曼滤波(STCKF)算法对制动过程中的纵向车速进行估算。然后根据ABS控制需求,提出了商用车ABS神经网络滑模控制算法,利用滑模算法对ABS的滑移率进行控制,再利用神经网络对滑模控制器的参数进行自适应调节。最后通过Matlab/Simulink与TruckSim联合仿真,分别在高、中、低附着系数路面和对开路面上进行仿真验证。仿真结果表明:强跟踪容积卡尔曼滤波算法对纵向车速的估算较为精确,ABS神经网络滑模控制效果良好。