考虑SAR图像导航量测特性的SAR/INS组合导航非线性滤波

SAR/INS组合导航系统中,当SAR量测输出时间间隔较长时,惯性导航得不到及时修正,系统将具有较强的非线性特性,导致常规卡尔曼滤波算法的精度受到影响甚至滤波发散. 为了提高组合导航的精度,该文结合惯性导航系统的非线性模型,设计基于无迹卡尔曼滤波(UKF)解决非等间隔量测修正的SAR/INS组合导航非线性滤波算法,并通过协方差分析对比研究常规卡尔曼滤波和该文算法的性能. 仿真结果验证了该文算法具有更高的精度.     

机器视觉辅助的无人机空中加油相对导航

为准确获取无人机空中加油对接阶段的相对位姿信息,提出了一种机器视觉辅助的INS/GPS/MV 组合导航方案,研究了机器视觉图像的特征点提取与匹配算法. 引入相对惯导误差,建立了全局滤波器的增广状态方程,并根据杆臂矢量推导了GPS和机器视觉量测方程. 设计了基于联邦滤波器结构的全局多速率扩展卡尔曼滤波算法,以融合多速率传感器信息,并与标准EKF算法进行对比. 仿真结果表明,所提出的算法能有效融合惯导、GPS和机器视觉的测量信息,使导航参数的精度和输出带宽均满足导航系统的设计要求,有利于改善无人机的飞行品质,放宽对飞控系统的性能要求.     

一种基于联邦Kalman滤波结构的自适应信息融合方法

鉴于联邦Kalman滤波是一种能在复杂信息融合系统中进行目标状态估计的有效方法．介绍了联邦Kalman滤波器的原理和结构，提出了一种基于联邦Kalman滤波结构的自适应多传感器信息融合算法．仿真结果表明，该算法能有效提高信息融合系统的精度和容错性．具有较高的实用价值．     

SINS/北斗/星敏感器组合导航系统研究

将北斗卫星导航系统和星敏感器共同运用到组合导航中,以无反馈模式的联邦滤波器为基础,构建了SINS/北斗/星敏感器组合导航系统.根据北斗和星敏感器的特点,分析了系统产生量测延时和异步的原因,并对系统的量测延时和异步问题提出了解决方案.仿真表明,该组合导航系统具有较高的精度和容错性能.为北斗定位系统在国防上的应用提供了一条新思路.     

基于偏振光/DVL/SINS的水下机器人自主导航方法

针对未知海域中水下机器人难以实现自主导航的问题,提出了一种基于偏振光/多普勒测速/SINS组合的自主导航方法。依据水下偏振光相机测向原理建立了偏振光/SINS姿态组合系统,依据多普勒测速原理建立了多普勒/SINS速度组合系统,并基于联邦Kalman滤波器实现了组合导航系统的信息融合。通过仿真实验验证,本文提出的组合导航方法相比于现有组合方法具有更好的定位精度和容错能力,能够满足水下机器人进行无源自主导航时的精度和可靠性的要求。     

GPS/SST/SINS组合导航系统研究

提出了卫星/捷联星光/捷联惯导组合导航系统的方案和组合结构,采用改进的集中滤波对多传感器信息进行数据融合和导航状态的最优估计.该组合导航系统将捷联星光跟踪仪的姿态信息、高动态GPS的位置、速度信息与捷联惯导进行组合滤波,全面提高导航的姿态、速度和位置精度.同时该组合导航系统以弹道导弹为应用对象,设计并实现了基于弹道导弹的GPS/SST/SINS组合导航系统实时仿真平台,仿真结果表明该组合导航系统能提高导弹的导航精度,滤波算法稳定可靠.     

异质双9轴MEMS惯性传感器数据互补-加权迭代融合算法

在MEMS惯性传感器导航研究中,传统的MEMS捷联式惯性导航系统仅利用单多轴MEMS惯性传感器对移动目标进行导航定位,其测量值和噪声特性易受环境影响,此外加速度误差、陀螺仪漂移、平台框架角误差、平台安装误差等因素也严重影响传感器性能. 为此,从异质非单多轴MEMS惯性传感器互补融合角度出发,用异质双9轴MEMS惯性传感器采集移动目标原始信息,并提出互补-加权迭代融合算法. 首先对异质双9轴MEMS惯性传感器测得的原始数据进行预处理,基于卡尔曼滤波用最小方差估计法求解观测值. 通过估值方差和革新方程形成权值更新模型,实现异质双9轴MEMS惯性传感器数据的互补融合. 实验表明,相较传统单9轴MEMS惯性传感器导航,该算法可提高导航精度50%以上.     

组合导航直接滤波模型中的高斯粒子滤波

利用高斯粒子滤波技术和直接滤波模型实现了SINS/GPS组合导航系统的数据融合. 首先对高斯粒子滤波进行改进,选取合适的重要性函数并简化滤波流程,然后直接采用惯导参数和GPS伪距等变量建立组合导航直接滤波非线性模型. 讨论了SINS/GPS 组合导航系统中的高斯粒子滤波的具体实现方法. 实验结果表明,该滤波方法能较好地满足组合导航的精度要求. 和其他滤波方法相比,高斯粒子滤波对系统和噪声模型要求比较宽松,因此在直接滤波中有一定的优势.     

基于改进粒子滤波算法的比较分析研究

提出一类改进的粒子滤波算法.对于建议分布的选取方案,此算法采取强跟踪分散的卡尔曼滤波方式建立它的建议分布.由于线性调节参数,此算法让系统拥有更优越的自适应性及鲁棒性,对高机动目标具有更强的跟踪效果,继而为强跟踪扩展卡尔曼滤波的能力.仿真结论说明,此算法的性能比别的几类非线性滤波算法更加优秀.比如辅助粒子滤波器(APF)、迭代扩展卡尔曼粒子滤波器(IEKE-PF)、Unscented粒子滤波器(UPF)、正则化粒子滤波器(RPF),则是在bootstrap粒子滤波器提出之后,继而出现的改进的粒子滤波器0基于粒子滤波,本文提出了阻止粒子退化的两个重点原因,以及选取合适的采样建议分布及重采样算法.     

基于磁导航的两轮智能车系统设计

设计了一种基于磁导航的两轮智能车系统.该系统以飞思卡尔单片机为核心,利用加速度传感器和陀螺仪分别测量车模的加速度与角速度,通过编码器检测车速及车模运动方向,采用电感线圈检测路径信息.单片机采用互补滤波算法获得车模倾角信息,通过PID算法控制直流电机驱动模块来控制车模的平衡及其行驶速度和方向,从而实现智能车稳定、准确、快速地行驶.     

对偶四元数在航天器相对导航中的应用

为了提高航天器相对位置和姿态测量的实时性和准确性,提出一种利用对偶四元数位姿模型来求解航天器相对位姿的方法. 该方法统一考虑目标航天器和追踪航天器本体坐标系间的相对旋转和平移,采用螺旋向量法更新对偶四元数. 建立了相机测量模型来测量航天器的相对位置和姿态,并选择扩展的卡尔曼滤波来消除随机噪声对状态更新和测量过程的干扰. 仿真结果表明该导航算法能满足航天器相对导航的精度要求,验证了该算法的可行性.     

卫星导航系统与气压高度计的信息处理与融合

提出一种卫星导航系统与气压高度计的高度数据融合算法. 利用ARIMA(autoregressive integrated moving average)模型信号降噪技术对卫星导航系统和气压高度计的高度信号进行降噪处理. 建立高度测量系统的状态方程和量测方程,并结合卡尔曼滤波对高度数据进行第1 次融合,再利用递推加权最小二乘法对高度数据进行第2 次融合,得到精度更高的飞行高度信息. 实测数据分析结果表明：该算法所获得的高度信息与气压高度计、卫星导航系统相比,标准差降低一半以上,有效地提高了测量精度,可满足飞行器对高度测量信息的要求.     

基于鲁棒时变卡尔曼滤波估计的无人机视觉编队

针对一般多输入多输出不确定系统,提出一种基于鲁棒时变卡尔曼滤波的估计算法. 该方法将时变卡尔曼滤波与自适应神经网络相结合,利用自适应神经网络克服外界非线性不确定因素,采用两个误差信号对其进行训练以提高估计精度,并对估计误差有界性进行证明. 将该方法用于无人机视觉编队视线信息的状态估计,仿真结果表明该算法能够很好地估计不确定机动长机的加速度,实现了僚机对长机的有效跟踪.     

基于Kalman滤波方法的多传感器信息融合最优白噪声反卷积滤波器

应用Kalman滤波方法和白噪声估计理论,在线性最小方差按矩阵加权最优信息融合准则下,提出了多传感器信息融合稳态最优白噪声反卷积滤波器,其中给出了局部滤波误差之间的协方差公式,它被用于计算最优融合加权阵.同单传感器情形相比,可提高滤波精度.它可应用于石油地震勘探信号处理.一个3传感器信息融合Bernoulli-Gaussian白噪声反卷积滤波器的仿真例子说明了其有效性.     

多传感器融合四旋翼协同控制算法及其实现

针对四旋翼无人机定点悬停控制,从应用层面提出了多传感器数据融合方案,设计了相应的协同控制算法.在飞行器整体硬件架构基础上分析量测系统的各个传感器,对于姿态测量通道提出卡尔曼滤波算法,对于高度测量通道提出互补滤波算法,对于水平位置测量通道提出双传感器融合算法.基于四旋翼无人机的状态空间及其小扰动线性化模型,设计了与之相结合的协同控制算法并进行仿真.最后在物理平台上对设计的算法进行验证,表明多传感器融合与协同控制相结合的方法能有效提高四旋翼无人机的定点悬停精度.