基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

多重渐消因子强跟踪SCKF及其在#br# 故障参数估计中的应用

针对非线性系统中不可观测故障参数估计问题,提出基于多重渐消因子强跟踪平方根容积卡尔曼滤波（multiple fading factors strong tracking square-root cubature Kalman filter, MSTSCKF）的状态和参数联合滤波算法。MSTSCKF基于强跟踪滤波器理论框架,通过引入多重渐消因子实时调整增益矩阵,克服平方根容积卡尔曼滤波（square-root cubature Kalman filter, SCKF）在故障参数变化函数未知或者突变时滤波精度下降甚至发散的缺点,并兼具SCKF在非线性拟合精度和数值稳定性等方面的优点。仿真结果表明,相比SCKF和强跟踪无迹卡尔曼滤波（unscented Kalman filter, UKF）,本文提出的方法具有更高的估计精度。     

基于角度和频率信息的卫星被动定轨方法

针对单星对卫星被动定轨时采用仅测角方法滤波收敛时间较长且精度不高等问题,提出了在测角的同时增加频率测量信息的单星对卫星扩展Kalman滤波被动定轨方法。在二体问题下详细推导了状态预测方程、状态转移矩阵和测量雅可比矩阵,最后通过STK6.0仿真产生的数据对算法有效性进行了验证。仿真结果表明,该算法比仅测角方法具有更高的定轨精度和更快的收敛速度,且当测角精度较高时,能够在相对较大的初始位置误差情况下较快收敛并达到较高的收敛精度。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

一种单星对星仅测角无源定轨跟踪方法

在星对星无源定轨跟踪中,由于卫星运动方程的非线性和隐函数性,如何建立适合递推滤波的状态预测方程和状态转移矩阵是个首要的问题.根据卫星运动的动力学和几何学条件,推导准确的状态预测方程及其对应的状态转移矩阵,并给出了相应的计算方法.根据单站无源定位理论,提出了一种新的基于准确状态预测模型的仅测角单星对星无源定轨跟踪方法.仿真实例表明,与已有的采用近似状态预测模型的定轨方法相比,该方法具有更高的估计精度和更快的收敛速度,且两者计算耗时相当.     

一种利用星间仅测向数据的滤波定轨算法

基于星间方向观测数据实时确定目标星轨道,一般扩展Kalman滤波算法是建立角度直接观测量与状态量的线性关系作为观测方程。由于缺少距离测量值,仅包含角度信息的观测方程对状态变量的约束较弱,导致滤波算法收敛速度较慢。〖JP3〗将用于初轨计算的改进拉普拉斯方程作为观测方程,这样,观测方程不仅包含了两星的几何信息,还充分考虑了目标星的轨道约束。仿真结果表明,在同样测量精度下,该算法的收敛性能明显优于一般滤波算法。     

基于地磁/光谱红移/太阳光信息的FAUKF自主定轨

针对地磁场模型精度低而引起的低轨卫星导航精度不高问题,提出了一种利用地磁、太阳光、光谱红移多源信息融合的低轨卫星自主导航方法。设计了基于地磁/光谱红移/太阳光信息的联邦自适应无迹卡尔曼滤波器(federal adaptive unscented Kalman filter,FAUKF)滤波自主定轨方案,提出了利用FAUKF滤波,选取太阳光矢量与地磁矢量的夹角的余弦值、地磁场强度、光谱红移信息为观测量,来估计卫星的速度和位置。仿真结果为位置精度465.38 m,该算法的精度要高于单纯的地磁导航,滤波的收敛性和稳定性较好,导航误差不随时间累积,有工程应用价值。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降, 通过构建强跟踪滤波器(strong tracking filter, STF)可以提升滤波算法的自适应性, 但是构建STF时存在理论推导复杂、求解计算量大等局限和不足, 针对上述问题, 在平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)的基础上, 提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则, 直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重, 进而减小状态估计误差。仿真结果表明, 所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性, 同时相比较需要计算渐消因子的STF算法, 该算法在计算量和收敛速度上具有优势。     

基于多重次渐消因子的强跟踪UKF姿态估计

针对应用于飞行器姿态确定中的乘性扩展卡尔曼滤波（multiplicative extended Kalman filter, MEKF）存在精度低、鲁棒性差的缺点,提出了一种基于多重次渐消因子的强跟踪无迹卡尔曼滤波（multiple fading factors strong tracking unscented Kalman filter, MSTUKF）算法。该滤波算法克服了单渐消因子对多变量跟踪能力差的局限性,通过引入两个多重次渐消因子对预测误差协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,保证预测误差协方差阵的对称性,从而实现滤波算法强跟踪性。仿真结果表明,MSTUKF的滤波精度和鲁棒性均明显优于MEKF,能够更好地满足工程应用对精度和鲁棒性的要求。     

多源信息融合的组合导航自适应联邦滤波算法

全球卫星导航系统、捷联惯导、里程计、零速更新等多源信息的融合为地面移动测量系统提供了精确的位置和姿态参考信息。针对进行多源信息融合时,由于数学模型偏差和观测值粗差的影响,传统的联邦滤波不能有效隔离故障子系统的影响的问题,提出了利用验前新息计算联邦滤波的信息分配系数,基于联邦滤波和自适应滤波的等效性和抗差滤波原理,实现实时调整信息分配系数的自适应联邦滤波算法。通过一组车载数据的分析表明,自适应联邦滤波算法相对于传统联邦滤波算法,能有效地抵御观测值粗差和数学模型偏差的影响,显著提高了组合导航系统的精度和可靠性。     

基于时频差的高阶强跟踪UKF算法

针对传统无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative, HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF, HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。     

改进的强跟踪飞机舵面快速故障诊断方法

针对多模型自适应估计(multiple model adaptive estimation, MMAE)方法适应突变故障能力差、多重渐消因子强跟踪算法滤波发散、故障条件概率计算量大等问题,提出一种改进的多重渐消因子强跟踪多模型自适应估计(strong tracking multiple model adaptive estimation, STMMAE)快速故障诊断方法。通过多重渐消因子提高了故障突变时滤波器的跟踪性能;通过改进一步预测协方差阵更新方程,保证了滤波器稳定性,提高了估计精度;采用基于欧几里得范数的飞机舵面故障概率快速计算方法,降低了故障概率计算量。对比仿真表明,该算法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性。     

基于天基空间目标监视系统的定轨技术研究

天基空间目标监视系统是进行空间目标监视与跟踪的重要发展方向,通过对美国即将运行的空间目标监视跟踪系统(SBSS)的分析,按照其设计思想和运行环境,仿真实现了SBSS对空间目标的定轨功能.设计了SBSS系统覆盖区域的简易算法,可以快速准确判断目标的可观测区域,为星座设计提供必要的支持.针对星上计算机能力有限的特点,提出了基于拉格朗日5点法求状态转移矩阵的定轨算法.仿真试验证明,SBSS系统对空间目标的覆盖区域比地基监视系统显著增加,同时,改进的定轨算法可显著缩短定轨时间、提高定轨精度,其中低轨道空间目标定轨误差10米,高轨道空间目标定轨误差500米左右.     

改进的强跟踪平方根UKF在卫星导航中应用

针对应用于受不确定性干扰和噪声影响的卫星自主导航系统中的无迹卡尔曼滤波（unscented Kalman filter,UKF）存在估计精度低、跟踪性能差和鲁棒性弱等缺陷,提出一种改进的强跟踪平方根UKF(strong tracking square-root UKF, STSRUKF)导航方法。该方法中利用星敏感器和光学导航相机设计出导航方案,并通过转换方程将间接量测量转换为观测量。针对平方根UKF（square-root UKF, SRUKF）在高阶系统中因为sigma点的零权值系数是负的或者数值计算误差太大时而可能造成滤波器发散问题,采用一种改良的平方根分解方法,改善了滤波器的稳定性。同时,基于强跟踪滤波器理论（strong tracking filters, STF）,引入多重自适应衰减因子调节协方差矩阵,使得滤波器具有强跟踪能力和克服系统模型不确定的鲁棒性,改善了滤波器的估计精度。将该方法应用于卫星自主导航系统中,实验仿真结果表明,相对于平方根UKF和STF,该方法不仅保证了系统的可靠性,还提高系统的导航精度和改善系统的鲁棒性及跟踪能力。     

卫星自主定轨中轨道摄动仿真

本文针对组合大视场星敏感器卫星自主定轨方法,建立了地球非球形摄动下的广义卡尔曼滤波仿真模型,滤波过程采用了新的改进算法。通过计算机仿真,说明该自主定轨方法具有很高的位置、速度均方误差估计精度且算法是收敛的。计算给出了一日内的卫星轨道,反映了在地球非球形摄动下轨道的变化情况,且对轨道面的进动进行了计算。     

基于外观相似性更新的相关滤波跟踪算法

针对核相关滤波(kernel correlation filter,KCF)算法在目标旋转、形变等复杂环境中容易产生模型漂移的问题,提出了一种基于KCF自适应更新的目标跟踪算法(adaptive updating target tracking algorithm based on KCF,AUKCF).该方法首先对响...     

一种新的自适应机动目标跟踪算法

在＂当前＂统计（CS）模型基础上,提出了一种新的机动目标自适应滤波算法,当前统计模型-修正强跟踪滤波（CS-MSTF）算法。新算法在保留＂当前＂统计模型及强跟踪滤波器（STF）对一般机动目标跟踪精度高的优点的同时,作出以下改进：针对强跟踪滤波器在机动部分获得完美性能的同时,非机动部分的精度却不理想的缺陷,对预测误差协方差及渐消因子的计算作出修正,同时改进机动部分和非机动部分的精度;将目前常用的估计误差协方差的计算公式采用更加可靠的Joseph公式,增强了数值的稳定性和算法的鲁棒性。蒙特卡罗仿真表明,新算法的性能优于当前统计模型-强跟踪滤波（CS-STF）算法,能够进行有效估计。

Abstract：

Based on the ＂current＂ statistical model,a new adaptive maneuvering target tracking algorithm,CS-MSTF,was proposed. The new algorithm,keeping the merits of high tracking precision that the ＂current ＂ statistical model and strong tracking filter（STF） have in tracking maneuvering target has made the modifications as such：First,STF has the defect that it achieves the perfert performance in maneuvering segment at a cost of the precision in non-naneuvering segment,so the new algorithm modifies the prediction error covariance matrix and the fading factor to improve the tracking precision both of the maneuvering segment and non-maneuvering segment; The estimation error covariance matrix was calculated using the Joseph form,which is more stable and robust in numerical. The Monte-Carlo simulation shows that the CS-MSTF algorithm has a more excellent performance than CS-STF and can esitmate efficiently.     

时变转移概率IMM-SRCKF机动目标跟踪算法

给出了一种交互多模型(interacting multiple model,IMM)算法中Markov转移概率矩阵在线修正的方法,并将平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SRCKF)引入到IMM算法中,提出一种时变转移概率的机动目标跟踪IMM-SRCKF算法。该算法利用当前量测中包含的模式信息,对IMM算法中的转移概率矩阵进行实时递推估计,避免了常规IMM算法中转移概率先验确定的困难,提高了模型切换速度和跟踪精度;同时,SRCKF以目标状态协方差的平方根进行迭代更新,确保了滤波过程中协方差矩阵的对称性和半正定性,改善了数值精度和稳定性。仿真实验结果表明,该算法对机动目标的跟踪性能优于常规的IMM及IMM-CKF算法。     

基于强跟踪器的机动航天器相对动态定位算法

针对机动航天器之间精确动态相对定位问题,提出一种基于强跟踪器(strong tracking filter, STF)的动态相对定位算法。该算法针对相对机动过程中3个方向的机动特性,设置三向渐消因子进行三向滤波,克服了单向渐消因子与实际机动不匹配而造成的跟踪精度下降问题, 针对三向滤波在直角坐标系下的跟踪问题,设置去偏转换测量算法,克服了球坐标系与直角坐标系的转换偏差问题。仿真实验表明,该算法在初值敏感性和相对机动恢复性上均强于其他算法,适用于脉冲推力、有限推力等多种情况下机动航天器间精确动态相对定位。     

基于鲁棒H∞滤波的多站角度测量机动目标被动跟踪

建立了机动目标的多站被动红外搜索与跟踪（infrared search and tracking, IRST）系统的当前统计模型,基于该模型提出了机动目标跟踪的鲁棒H∞融合滤波算法。该算法将H∞滤波算法和集中融合跟踪算法相结合,对多站IRST测得的目标角度信息进行融合,可解决被动式跟踪系统的可观测性及非线性问题,以实现对目标较高精度的定位和跟踪。以三个观测站进行跟踪为例,对一个高机动目标进行了仿真研究,仿真结果表明,该滤波算法比扩展卡尔曼滤波（extended Kalman filter, EKF）算法有更高的跟踪性能,是IRST系统中一种有效的跟踪算法。