机载天文/惯性位置组合导航

为解决机载天文导航系统(CNS)的水平基准约束,实现机载天文/惯性位置组合导航,首先利用捷联惯导系统(SINS)姿态阵将天文观测坐标系下的高度角和方位角转换为导航系下的相应观测角,从而利用高度差法实现机载天文定位;为确保高度通道的可观测性,设计了气压高度表辅助的天文/惯性位置组合导航系统方案,用SINS、CNS及气压高度表冗余量测信息构成量测方程,采用Kalman滤波实现对SINS位置信息的估计。仿真结果表明,由于天文导航具有较好的定位精度,通过采用气压高度表辅助的CNS/SINS位置组合系统,有效消除了陀螺和加速度累积误差,提高了导航系统的整体定位精度。速度和姿态的估计协方差曲线收敛情况表明,位置组合的卡尔曼滤波对速度和姿态的估计也有一定效果。     

IMU/计程仪/重力组合导航系统信息融合方法

针对现代战争环境对导航系统高自主性、高隐蔽性的要求,提出了IMU/计程仪/重力无源组合导航方式.深入研究了IMU/计程仪/重力组合导航系统的信息融合方法,设计了该系统的工作模式.采用扩展卡尔曼滤波进行各传感器信息的融合.根据导航系统对实时性的要求,建立了系统的低阶误差状态方程;将厄特弗斯效应的影响考虑到滤波器设计中,建立了系统的重力观测方程;将计程仪的速度与惯性速度进行融合,建立了系统的速度观测方程;在不增加系统成本的条件下,进一步利用加速度计输出估计水平姿态,建立了系统的姿态观测方程.在此基础上,设计了相应的信息融合策略.实际系统的机载试验结果表明,IMU/计程仪/重力组合导航系统算法正确、性能良好,可以有效地控制惯导系统位置和速度误差的累积,满足长时间一定精度的导航要求.     

GPS/INS相对导航鲁棒扩展卡尔曼滤波方法

针对绕飞模式下追踪器与合作目标间的GPS/INS组合相对导航问题,考虑追踪器的惯量阵存在不确定性,为提高相对导航系统的精确性和稳定性,提出了一种GPS/INS组合相对导航的鲁棒扩展卡尔曼滤波算法. 该算法采用近似线性化方法将相对导航系统中的非线性函数进行泰勒级数展开,并将线性化引起的模型误差作为不确定项来处理,结合鲁棒卡尔曼滤波算法,设计了GPS/INS组合相对导航的鲁棒扩展卡尔曼滤波算法. 仿真结果表明,该方法相对位置的估计精度为0.1 m,相对姿态的估计精度为0.001°,相对导航精度很高,且对追踪器惯量阵存在的不确定性具有很好的鲁棒性.      

星光导航原理及捷联惯导/星光组合导航方法研究

该文在分析星光导航原理的基础上,给出了捷联惯导/星光飞行器组合导航方案;推证了该组合导航系统的状态方程和观测方程,分析了星敏仪量测误差.结合高超声速跨大气层再入飞行体的模拟飞行轨道,进行了组合导航数学仿真.结果证实该方案能够利用星光导航信息对捷联惯导进行即时修正,表明捷联惯导/星光组合导航系统在较精确地获取载体姿态信息方面具有优越性.     

移动卫星通信系统组合姿态估计算法

针对宽带移动卫星通信系统传感器直接融合姿态估计算法易受外界因素干扰、估算误差难以校正的问题,提出了一种移动卫星通信系统组合姿态估计算法。该算法以移动卫星地球站载体的位置误差、速度误差和姿态误差为系统状态量,建立了9状态的组合导航姿态估计模型;通过使用GPS航向角辅助观测解决了组合姿态估计算法航向角可观性弱、姿态角估计值易发散的问题;通过将转弯判断规则和Sage-Husa自适应控制算法进行融合,降低了GPS航向角测量误差对姿态估计的影响,提高了组合姿态估计算法的精度。实验结果表明:移动卫星通信系统组合姿态估计算法计算简单、实时性好,姿态估计精度优于传感器直接融合算法,其姿态估计误差可控制在±0.5°以内,最小均方误差值小于0.4,满足低成本宽带移动卫星通信波束对准要求。     

基于联邦滤波的惯性导航姿态组合算法

为了充分利用姿态量测信息来提高组合导航系统的姿态精度，以联邦滤波为基础，研究了以姿态、位置和速度信息作为观测量的多信息融合导航技术，分析并提出了适合工程使用的联邦滤波器的原理结构与算法实现，深入推导了基于联邦滤波的姿态组合算法的观测矩阵的具体形式，最后给出了仿真和实测数据的验证．结果表明，基于联邦滤波的姿态组合滤波算法能够有效地提高惯导系统的姿态精度，对方位角的改善尤为明显．     

基于SINS/星敏感器的组合导航模式

针对利用捷联惯导系统导航的不足,提出了一种基于捷联惯导系统/星敏感器的新组合导航模式,来提高飞行器导航的精度和速度.利用星敏感器得到恒星星光矢量在星敏感器CCD光敏面上的星像点及其在导航星库中对应的坐标值,然后分别进行坐标变换得到星光矢量在数学平台坐标系和地理坐标系中的坐标角度值.以Kalman滤波为基础,将所得到的星光坐标角度值和姿态角速度进行数据融合,估计出组合导航系统的误差状态量,进而修正捷联惯导系统的位置、速度和姿态角参数.详细推导了SINS/星光的组合导航算法,并通过仿真证实了该方案可提高导航系统的精度和速度,有较好的容错性和环境适应性,具有实际使用价值.     

陆用捷联惯导系统/里程计自主式组合导航技术

利用里程计辅助捷联惯导系统构成一种自主式组合导航系统.用捷联惯导系统解算出的速度和里程计所测量的速度之差作为观测量,利用闭环卡尔曼滤波技术进行误差估计与校正,并给出了仿真结果.仿真结果表明,该组合导航系统可有效地减小速率、经度和纬度、航向角和姿态角及航迹推算下的位置等导航参数的累积误差.     

车辆无陀螺航位推算系统的导航原理及其算法

建立了利用车辆内部传感器取代惯性敏感器获得航向、速度信息的车辆航位推算（DR）系统的系统方程和观测方程,并采用描述机动载体运动的当前统计模型,给出了基于自适应卡尔曼滤波的车载无陀螺DR系统的导航算法,在导航算法中,对原始测量数据进行组合运算获得线性形式的观测方程,避免了目前常用导航算法由于观测方程线性化引起的模型误差,算法稳定性较好,且计算量小,现场跑车试验表明,给出的车载无陀螺DR系统的模型及其导航算法能够获得满意的导航精度。     

基于最优滤波的卫星和惯性组合导航方法

针对目前三种主流导航方法各自的不足,提出了一种基于最优滤波法的卫星、惯性组合导航方法,采集这两种导航系统实时测量得到的伪距、伪距率的差值,通过设计合适的最优滤波器,以校正系统误差,获得高精度位置、速度、姿态的用户定位结果,从而弥补了惯性导航误差随时间离散和卫星导航易受外界电磁环境干扰、无法直接提供用户姿态信息的问题。     

扩展卡尔曼滤波在陆基无线电导航系统定位解算中的应用

分析了卡尔曼滤波应用于陆基无线电导航定位解算中的原因，并将扩展卡尔曼滤波引入陆基无线电导航定位解算，设计建立了无线电导航系统的状态模型和观测模型，同时分析了由于测量误差和模型误差引起的滤波发散问题，并针对滤波发散问题提出几种改善方法，以提高系统的跟踪精度，最后给出仿真实例和结果分析。     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

光纤SINS/GPS组合导航系统分析

为提高光纤陀螺捷联惯导系统的精度,以光纤陀螺捷联惯导系统与全球定位系统（GPS Globle Position System）为研究对象,采用联邦卡尔曼滤波算法,构成了SINS/GPS(Strap-down Inertial Navigation Systerm/ Globle PositionSystem)组合导航系统。仿真结果表明,该算法能及时修正子滤波器的偏差,大大降低子滤波器的模型误差,进而提高整个滤波器的精度,并有效克服了滤波发散现象。     

联邦滤波在RAPINS/计程仪/重力匹配组合导航系统中的应用

RAPINS/计程仪/重力匹配组合导航系统是一种简易的无源导航系统,为了改善系统的容错性能,设计了基于该组合系统的联邦滤波器,建立了系统的工作模式,给出了联邦滤波算法.在该联邦滤波器中充分利用计程仪输出的速度信息,采用不等间隔滤波来进行信息融合.采用Matlab/Simulink对该组合导航系统在分辨率为0.005°×0.005°的数字重力异常图中进行了仿真研究.理论分析和仿真结果表明,基于联邦滤波的RAPINS/计程仪/重力匹配组合系统能够改善系统的容错性,且具有与集中式滤波相似的导航精度.     

星际探测车导航控制系统结构研究

结合星际探测车的运行环境和任务,提出了一种三层递阶式智能导航控制系统结构.该结构采用了慎思与反应相结合的导航控制策略,通过建立多种人机协同机制,将人的规划能力和反应能力融入到地面协同规划层.通过机器学习的方法使探测车具备智能自主驾驶功能.实现了人机智能的有机结合,提高了星际探测车运行的安全性和环境适应性.     

基于TDOA测量的协同导航建模与仿真

针对基于数据链的协同导航系统估计惯导误差的效率不高,研究了以伪距差测量实现无源协同导航的方法。设计通过直接对偏航角的估计提高修正惯导误差的效率。分析并介绍了方法的设计思想和特点,为双曲线/SINS组合导航系统设计滤了波器。仿真结果表明,通过测量伪距差的实现协同导航方法,可以修正惯导系统累积误差,提高惯导导航精度。     

仅测距信息可用的编队卫星自主相对导航简化UKF方法

针对仅测距信息可用条件下编队卫星自主相对导航问题,首先,使用解析方法对仅测距条件下系统可观性进行分析,给出满足系统可观的条件。然后,针对线性状态方程和非线性量测方程的特点设计了简化UKF( Simplified Unscented Kalman Filter,SUKF )滤波算法,使用标准卡尔曼滤波中的时间更新代替UKF中的无迹变换,无需对状态变量进行扩维,可以在保证滤波估计精度的前提下有效地减少运算量,便于实时应用。最后的仿真结果表明在仅测距信息可用时,SUKF的滤波估计精度高于传统的EKF算法,相对定轨精度在米级,对于相对导航精度要求不高的场合是适用的,同时也可以作为测角失效时的备份方案。     

CDKF 算法在四旋翼飞行器组合导航系统中应用

针对基于四旋翼无人飞行器的组合导航系统在小失准角情况下滤波器较短时间内发散的问题, 将中心差分卡尔曼滤波算法应用于低成本的组合导航系统中, 设计了飞行器组合导航系统的硬件电路。该系统采用MPU-6050 芯片作为飞行器姿态传感器, 选用u-Blox 公司的NEO-6M 模块获取GPS(Global Positioning System)信号, 并利用中心差分卡尔曼滤波算法实现多传感器的数据融合, 从而获取导航信息。在四旋翼无人飞行器平台上对该系统进行实验的结果表明, 该导航系统能有效抑制传感器噪声, 克服了陀螺仪的漂移现象, 避免了传统EKF((Extended Calman Filter) )算法近似程度不高, 易导致解算结果发散等问题的发生, 为飞行器提供了准确的导航信息。     

Using local geopotential model to implement underwater passive navigation

A main aspect of underwater passive navigation is how to identify the vehicle location on an existing gravity map, and several matching algorithms as ICCP and SITAN are the most prevalent methods that many scholars are using. In this paper, a novel algorithm that is different from matching algorithms for passive navigation is developed. The algorithm implements underwater passive navigation by directly estimating the inertial errors through Kalman filter algorithm, and the key part of this implementation is a Fourier series based local geopotential model. Firstly, the principle of local geopotential model based on Fourier series is introduced in this paper, thus the discrete gravity anomalies data can be expressed analytically with respect to geographic coordinates to establish the observation equation required in the application of Kalman filter. Whereafter, the indicated gravity anomalies can be gotten by substituting the inertial positions to existing gravity anomalies map. Finally, the classical extended Kalman filter is introduced with the differences between measured gravity and indicated gravity used as observations to optimally estimate the errors of Inertial Navigation System (INS). This navigation algorithm is tested on simulated data with encouraging results. Although this algorithm is developed for underwater navigation using gravity data, it is equally applicable to other domains, for example vehicle navigation on magnetic or terrain data.