非合作航天器相对运动估计的混合滤波器设计方法

针对空间非合作目标的相对状态估计问题,利用星上量测设备获取的目标飞行器形心的相对状态信息,建立了非合作航天器相对运动的轨道-姿态一体化滤波模型,同时研究适用于非线性滤波问题的混合阶球面单形-径向容积卡尔曼滤波算法(MSSRCKF)。针对该模型状态方程中包含部分线性项、且与非线性项解耦的特性,将应用于线性系统的卡尔曼滤波器(KF)与MSSRCKF进行了融合,提出了线性-非线性混合卡尔曼滤波器(LNLKF)。该滤波器能够对一个滤波方程中线性与非线性的状态变量分别采用与之对应的滤波方式进行处理,有效避免了计算成本的浪费。最后,将L-NLKF应用于非合作航天器的相对状态估计,并与MSSRCKF进行比较分析。仿真结果表明,L-NLKF在保证计算精度的前提下,计算量明显低于MSSRCKF。

球面单形-径向容积粒子滤波的单站无源定位算法

针对单站无源定位可观测性弱、观测噪声大而导致的定位精度低、收敛速度慢等问题,提出了球面单形-径向容积粒子滤波(Cubature Particle Filter,CPF)的单站无源定位算法。该算法基于容积卡尔曼滤波产生重要性密度函数,充分利用最新的观测信息,将粒子导向高似然区域。同时,其预测分布得到修正后的权值,有效缓解了粒子退化问题,提高了对系统状态后验概率的逼近程度。仿真结果表明,新算法虽然较标准的CPF增加了一定的计算量,但计算时间仍仅约为求积分粒子滤波(Quadrature Particle Filter,QPF)的10%,且定位精度与QPF相当,优于标准的CPF。

基于五阶球面单纯形-径向容积准则的多终端一致分布式滤波定轨算法

为了提高多手持终端信息融合实时定轨的精度和系统容错性,该文提出一种基于五阶球面单纯形-径向容积准则的多终端一致分布式容积信息滤波(CD-SSRCIF)定轨算法。分别使用n维单纯形顶点和矩匹配法计算球面和径向积分,得到适用于系统状态维数n￡7时的五阶球面单纯形-径向容积准则。利用统计线性误差传播方法将此五阶容积准则嵌入扩展信息滤波器,将集中式变量展开得到多源集中式五阶容积信息滤波器。进而,利用平均一致性算法对集中式滤波中多源信息累加进行分布式等价表示,构成上下两层级联滤波器,下层滤波器执行平均一致性算法融合邻居节点的信息,输出虚拟量测值。上层滤波器利用该量测值执行五阶容积信息滤波,实时输出轨道状态估计值。仿真实验结果表明,五阶CD-SSRCIF算法无需信息融合中心,且具有比三阶算法更高的定轨精度。

基于SSRCKF的纯角度和纯距离跟踪滤波器

针对纯角度跟踪(BOT)和纯距离跟踪(ROT)所具有部分可观测性和高度非线性,论文研究并提出了球面单纯形—径向容积卡尔曼纯角度和纯距离跟踪滤波器。首先,由于广泛应用的容积卡尔曼滤波器(CKF)在纯角度和纯距离跟踪模型下的滤波精度较低,同时计算复杂度较高,基于此,论文研究了基于球面单纯形准则和径向准则的最新的滤波算法球面单纯形—径向容积卡尔曼滤波(SSRCKF),该滤波算法不仅提高了滤波精度,同时相比于传统的高阶CKF,SSRCKF的积分点的个数更少,有效地减少了计算复杂度。最后,结合纯角度跟踪模型和纯距离跟踪模型与SSRCKF,论文提出了球面单纯形—径向容积卡尔曼纯角度和纯距离跟踪滤波器。仿真实验验证了该滤波算法的有效性。

多终端五阶强跟踪容积卡尔曼滤波实时定轨

为了提高多手持终端对卫星脉冲机动轨道的实时确定精度,并降低定轨精度对滤波初值的敏感性,提出一种五阶强跟踪球面单形-径向容积卡尔曼滤波(5-STSSRCKF)方法。采用n维正则单形变换群和矩匹配法推导五阶球面单形-径向容积准则,并将该准则嵌入强跟踪滤波(STF)框架。利用STF的等价表示计算次优渐消因子,实现了在滤波稳定时在线实时调整增益矩阵,克服了残差增大时增益矩阵仍保持极小值的缺点,提高了对系统突变状态的跟踪能力。进行了仿真实验,结果表明,当滤波初值误差增大时,已有方法的定轨精度降低为1 798.199m,而提出的5-STSSRCKF的定轨精度可以维持在8.688m;当卫星进行脉冲机动时,已有方法不具备对机动轨道状态的跟踪能力,而5-STSSRCKF的定轨精度仍然维持在8.976m。实验显示,5-STSSRCKF对滤波初值不敏感,并且对卫星脉冲机动轨道的实时确定精度更高。

预测-五阶容积卡尔曼滤波方法

为适用于强非线性、非高斯过程噪声系统,结合预测滤波(PF)与高阶容积卡尔曼滤波(HCKF),提出一种预测-五阶容积卡尔曼滤波(P5thCKF)方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整,进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则,采用五阶球面单形积分准则处理球面积分,广义高斯-拉盖尔积分准则处理径向积分;描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。

机器人球面单径容积FastSLAM算法

针对标准Fast SLAM算法存在的雅可比矩阵的计算、线性化误差累积等问题,提出了一种球面单径容积Fast SLAM算法(SSRCFast SLAM).算法的特点在于使用3阶球面单径准则计算SLAM中的非线性高斯权重积分,以提高精度.所提算法利用球面单径容积粒子滤波进行路径估计,利用球面单径容积卡尔曼滤波来维护路标.通过仿真实验和维多利亚公园数据集实验将所提算法同Fast SLAM2.0、UFast SLAM和CFast SLAM进行对比.结果显示,所提算法在不同粒子数与噪声环境下的定位与建图能力均优于其他3种算法,且在粒子数目较少或环境干扰较大时优势更显著,验证了所提算法的优越性.

基于改进型CKF的SINS初始对准方法

针对在晃动基座和大失准角下水下自主航行器(AUV)采用传统对准方法对准精度下降问题,建立捷联惯导系统(SINS)非线性对准模型,采用改进型CKF(ICKF)方法进行滤波,通过采用球面最简相径(SSR)规则选取CKF的容积点,在CKF的时间和量测更新方程之中引入强跟踪滤波(STF)的渐消因子;在CKF的基础上引入高斯-牛顿迭代算法,提高晃动基座下大失准角SIN对准精度.仿真实验表明:该方法对准精度高、鲁棒性强,克服了模型不准确时滤波精度下降甚至发散的问题,更能满足初始对准的要求.