基于星敏感器双矢量观测信息的卫星姿态确定算法研究

针对三轴稳定卫星,研究基于星敏感器双矢量观测信息的卫星高精度姿态确定算法。建立了姿态运动学模型、敏感器测量模型、QUEST算法模型和扩展卡尔曼滤波(EKF)模型。对比分析了QUEST算法以及星敏感器与陀螺组合的扩展卡尔曼滤波(EKF)算法的定姿精度。通过数学仿真,表明基于星敏感器和陀螺的扩展卡尔曼滤波组合姿态确定算法具有更高的定姿精度。     

基于EKF的航天器相对定姿算法研究

航天器交会对接是载人航天工程的一项关键技术,而航天器相对定姿又是在交会对接中首要解决的关键问题。通常用交会对接航天器体坐标系间各对应坐标间的夹角来表示相对姿态,这样相对定姿的任务就是要确定两交会对接航天器体坐标系间的旋转矩阵。采用无相对测量的航天器相对定姿态方法,基于围绕系统最优估计状态线性化的扩展卡尔曼滤波(EKF)滤波技术,以乘性误差四元数为状态量,设计了陀螺仪/星敏感组合的航天器相对定姿算法,并进行数字仿真验证该算法的可行性。仿真表明乘性误差四元数有效解决了协方差阵为零的问题,EKF技术大大提高了滤波精度。所设计的算法为航天器的相对定姿提供了一定的理论依据。     

采样Kalman滤波器在天文卫星定姿滤波中的应用

扩展Kalman滤波器(EKF)广泛地应用于卫星定姿问题,但它设计困难,且有发散性问题。该文应用一种采样变换(unscentedtransform,UT)设计了新的姿态确定滤波器UKF(unscentedKalmanfilter)。仿真对比结果表明,UKF滤波器定姿精度好于0.003°。其收敛速度大大高于EKF滤波器。而状态估计精度与EKF相当,方差估计优于EKF,且数值稳定性好。因此该滤波器可用于卫星快速机动过程的定姿。     

基于无先导卡尔曼滤波的RBFN训练算法研究

提出了应用无先导卡尔曼滤波器（UKF）来训练径向基神经网络（RBFN）的新方法。与广义卡尔曼滤波器（EKF）和双重卡尔曼滤波器（DEKF）对函数的一阶近似不同,UKF对非线性函数采用二阶近似展开,而且最重要的一点是不必求取系统的雅克比矩阵,从而大大减小计算量。本文对时间序列预测及分类问题进行了仿真,结果证实了该方法的有效性和快速性。     

低成本姿态测量系统研究

针对由低精度的惯性陀螺、加速度计、磁强计组成的低成本姿态测量系统,该文进行了组合算法研究.设计了有陀螺测量和基于四元数差分法的无陀螺测量2种广义卡尔曼滤波器(EKF);采用四元数避免了欧拉角法的奇异问题;用高斯-牛顿误差最小法将六维观测量转化为四元数,作为观测量的一部分,显著减少了直接使用EKF的计算量.设计了仿真数据进行算法验证,成功地得到姿态估计,并对2种EKF滤波器在低速和高速状态下进行验证,取得良好效果.     

UKF在车辆组合定位技术中的应用

用一种新型的无迹卡尔曼滤波算法(UKF)代替传统的扩展卡尔曼滤波算法(EKF),对GPS/DR组合定位系统进行信息融合滤波。通过计算机仿真和分析后,结果表明无迹卡尔曼滤波算法UKF的滤波定位精度明显高于扩展卡尔曼滤波器EKF,而且UKF对由于系统非线性所引起的滤波误差有很好的抑制作用,因此UKF算法对于要求高精度、低成本和高可靠性的GPS/DR组合定位系统来说是一种值得推广的滤波算法,具有一定的应用价值。     

基于车载GNSS与IMU组合定位系统的改进定位算法

结合车载全球导航卫星系统（GNSS）与惯性测量单元（IMU）组合定位系统,针对传统定位算法中实际路况变化带来的数据融合噪声误差的问题,以车载传感器收集的运动数据作为阈值条件进行自适应滤波动态切换,提高组合定位系统的稳健性与适应性. 提出一种改进的自适应动态组合定位方法,将扩展卡尔曼滤波（EKF）与无迹卡尔曼滤波（UKF）算法,基于实时运动模型结合,以此抑制在车辆运动模型变化时传统单一算法产生的误差干扰.改进后算法的均方根误差（RMSE）相较于传统的EKF滤波与UKF滤波算法分别提升了约75.26%和58.48%.在高架桥下的实际车载场景实验中,改进算法的平均距离误差为2.32 cm,相较于改进前的定位性能提升了约61.65%.在复杂的城市交通的环境下,能够实现精准定位.     

基于平方根容积卡尔曼滤波的四旋翼无人机的姿态解算

为了提高四旋翼无人机姿态解算的精度,提出了基于平方根容积卡尔曼滤波(square-root cubature Kalman filter,SCKF)的多传感器数据融合策略。基于加速度计、磁力计和陀螺仪输出的数据,采用了四元数的姿态解算方法,避免了单一传感器获得的姿态角误差过大的问题,解决了扩展卡尔曼滤波(extend Kalman filter,EKF)精度低以及无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)协方差矩阵正定性丧失的问题。设计了基于pixhawk飞控板的实验方案。通过实验数据表明,与传统的EKF、UKF、CKF算法相比,SCKF的精度最高。且与UKF、CKF算法相比,SCKF具有计算时间少、数值计算稳定性强等优势。     

基于EPEA的SINS大失准角非线性初始对准方法

基于欧拉平台误差角(EPEA)的概念描述了理论导航坐标系到计算导航坐标系之间的失准角,推导了捷联惯导系统(SINS)在大失准角情况下进行初始对准的非线性误差模型.在系统噪声和量测噪声均为加性噪声且量测方程为线性方程时,给出了带阻尼解算的简化扩展卡尔曼滤波(EKF)算法和简化无迹卡尔曼滤波(UKF)算法,同时分析了不同失准角情况下初始对准过程的异同.静基座状态下的Monte Carlo仿真结果表明,大失准角和大方位失准角情况下,EKF和UKF算法都能满足对准要求,其中UKF算法较EKF算法具有对准时间更快、对准精度更高和适用范围更广的优点;小失准角情况下,由于捷联惯导系统的线性化误差变小,二者的对准时间和对准精度基本相同.     

基于观测距离的EKF和UKF目标跟踪方法对比

分析了EKF和UKF的基本原理,并对基于观测距离的EKF和UKF的目标跟踪方法进行了对比.利用Matlab软件对2种方法进行仿真,结果表明UKF对真实轨迹的拟合效果优于EKF,且UKF的误差变化小,收敛性比EKF好.     

陆地车辆GNSS/MEMS惯性组合导航机体系约束算法研究

针对陆地车辆导航应用,基于速度特性建立了机体系约束用以提高卫星导航系统(GNSS)/微硅机械(MEMS)惯性组合导航系统的性能. 该约束将与车体运动方向相垂直的平面上的线速度近似为0,从而增加了组合系统的扩展卡尔曼滤波时间上连续的两维虚拟观测量,卫星信号失效时可保持滤波器的量测更新,当无外部观测量且车辆处于动态情况下,滤波可持续估计与反馈. 车载实验表明,组合系统在卫星信号失效30 s时,采用该算法可以将系统的定位精度提高约75%,姿态精度及速度精度也有相应的提高.      

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

基于中心差分卡尔曼滤波的航天器视觉相对导航算法研究

在航天器视觉相对导航过程中,量测方程的非线性特性会影响航天器相对位姿的估计精度.分析了扩展卡尔曼滤波方法(EKF)将非线性模型线性化时存在的缺点,研究了中心差分卡尔曼滤波方法(CDKF),提出用中心差分卡尔曼滤波方法来解决视觉导航中两航天器的相对位姿估计问题,并给出了EKF与CDKF的仿真结果.仿真结果表明在相同条件下,CD-KF算法比EKF具有更高的精度和稳定性,该方法能够在航天器视觉相对导航中应用.     

基于EKF的多MEMS传感器姿态测量系统

姿态信息是飞行控制中最关键的参数之一,因此姿态测量成为飞行控制系统首要解决的问题。利用多M EM S传感器研制了一种微型姿态测量系统。利用三轴M EM S加速度计和三轴M EM S陀螺数据,由方向余弦矩阵的姿态表示形式推导了扩展K a lm an滤波方程,解算出飞行器的俯仰角和横滚角;设计专家系统判断飞行器的运动状态,并根据该状态调整滤波算法中的测量噪声矩阵,使系统可同时满足静态情况和动态情况的使用;利用空速和高度数据对俯仰角进行修正,利用GPS解算航向角。将实验结果与国外最新的商用自动驾驶仪的姿态结果进行了比较,二者在静态情况下非常吻合,在动态情况下基本吻合。     

CDKF方法在外辐射源单站无源目标跟踪中的应用

针对外辐射源单站无源目标跟踪精度问题,将一种基于Sterling内插公式的新的非线性滤波算法—中心差分卡尔曼滤波算法(central difference Kalman filter,CDKF)应用到系统中。仿真结果表明,与传统的扩展卡尔曼滤波算法(extended Kalman filter,EKF)相比,CDKF具有更高的定位精度,且不需要计算Jacobian矩阵,更易实现;而与无迹卡尔曼滤波算法(unscented Kalman filter,UKF)相比,CDKF只有一个待优化的比例参数,参数的选择更加方便,且定位精度更高,所需运算时间更少。     

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确的获取爬架运行时的姿态信息,提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法（ISHEKF）的爬架姿态估计方法。首先建立了爬架姿态估计模型,然后在扩展卡尔曼滤波（EKF）对传感器进行融合滤波时,加入Sage-Husa扩展卡尔曼算法（SHEKF）对时变噪声进行调节,再以协方差匹配技术对Sage-Husa进行滤波发散判定,通过在调节因子中引入爬架实时运动速度,改进滤波发散判定依据,从而满足爬架运行时高精度的滤波要求。实验结果表明：静态实验中以横滚角为例,ISHEKF的最大误差较SHEKF减少了21.9%,较EKF最大误差减少了70.8%;动态实验中ISHEKF表现出更好的稳定性和滤波精度,能够准确反映爬架运行的状态变化。     

卫星姿态测量系统的故障诊断技术

以挠性陀螺仪、红外地平仪和太阳敏感器组成的对地观测卫星的姿态测量系统为对象,研究了该系统传感器硬件故障的诊断技术．在给出系统方程的基础上,对传感器的故障作了假设,并对该系统进行基于广义简化滤波器（多重滤波器）故障诊断方法的应用．该方法利用测量系统自身的卡尔曼滤波器,故只需增加有限的计算量．结果表明,这一方法有较好的实时性和较高的故障检出率,有利于卫星姿态测量系统可靠性的提高和高精度卫星的研制．     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

9轴MEMS-IMU实时姿态估算算法

随着对微机电系统-惯性测量单元(micro-electro-mechanical system-inertial measurement unit, MEMS-IMU)在室内定位、动态追踪等应用领域中的需求日益迫切, 使得具有高精度、低成本和实时性的MEMS-IMU模块设计成为研究热点. 针对MEMS-IMU的核心技术--姿态估算进行研究, 设计了一种基于四元数的9轴MEMS-IMU实时姿态估算算法. 该算法运用分解四元数算法处理加速度和磁感应强度数据, 计算出静态四元数; 通过角速度与四元数的微分关系估算动态四元数; 运用卡尔曼滤波融合动、静态四元数, 进而实现实时姿态估算. 针对分解四元数算法中存在的奇异值问题, 提出了转轴补偿方法对其修正, 以实现全姿态估算; 考虑动态情况下的非线性加速度分量对姿态估算精度的影响, 设计了R自适应卡尔曼滤波器, 以进一步提高姿态估算算法的精度. 验证结果表明, R自适应卡尔曼滤波器能够有效抑制加速度噪声, 提高姿态估算精度; 同时, 转轴补偿-分解四元数算法能够准确估算奇异值点的姿态信息, 并且计算时间仅为原“借角”补偿方法的50%左右, 有效提高了整体算法的实时性.