改进粒子滤波与预测滤波相结合的单星敏姿态估计

针对卫星姿态估计的非线性、非高斯特性,提出一种粒子滤波和预测滤波相结合的估计方法,在无角速率测量时,首先利用预测方法在线估计系统模型误差和姿态角速度,再通过改进的规则化粒子滤波器估计姿态四元数.粒子初始化和重要性函数等的设计加快了算法的收敛速度,预测方法的引入有效降低了粒子维数.在某通用小卫星平台上进行仿真,并与扩展卡尔曼滤波(EKF)比较,所得结果表明,算法在不同初始姿态估计时具有较好的稳定性和收敛精度.算法还为粒子滤波和无陀螺定姿的研究提供了参考.     

UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

基于改进扩展卡尔曼滤波的姿态解算算法研究

为了解决标准扩展卡尔曼滤波器(EKF)在多旋翼无人机姿态解算中精度较低的问题,提出了一种改进扩展卡尔曼滤波算法(BPNN-EKF),使得解算精度得到较大提升。针对EKF存在预测模型参数要求具有先验已知性,在工程实践中难以获得准确的参数,以及标准EKF对非线性系统采用线性化模型带来的误差等问题,利用神经网络的非线性映射能力和自适应能力对标准EKF的估计值进行补偿,减小模型以及滤波参数误差对最优估计值的影响,从而提高最优估计精度。仿真实验证明,BPNN-EKF对多旋翼无人机姿态解算精度的提升具有显著作用。     

基于MRPs两种误差模型的卫星姿态确定方法研究

罗德里格参数和修正罗德里格参数是用于描述卫星姿态运动的最小表示法,计算量小,精度高;以修正罗德里格参数为工具研究了卫星姿态确定中的误差估计问题,建立了乘性和加性修正罗德里格参数误差模型,并将这两种误差模型应用到星敏感器+陀螺仪组合模式下,采用EKF算法估计卫星姿态,建立误差状态方程和观测方程;仿真结果表明,基于AMRPs和MMRPs姿态角估计误差均达到10-2°级别以内,基于MMRPs误差模型的估计精度高于AMRPs,且计算更为简便,收敛效果更好。     

基于UKF的编队卫星的相对姿态确定算法

针对编队卫星相对姿态确定问题,采用一种改进的无迹卡尔曼滤波UKF进行了系统滤波器设计,根据UKF滤波器的性质,推导出了适用于编队卫星相对姿态确定的UKF滤波算法.较之传统的EKF滤波器,UKF不仅提高了滤波精度,简化了计算过程,减少了计算量,而且更易于实现.应用四元数法描述卫星姿态,避免了欧拉角法的奇异性问题.仿真结果表明,UKF滤波器收敛速度大大高于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.     

基于cubature Kalman filter的INS/GPS组合导航滤波算法

INS/GPS组合导航系统的本质是非线性的,为改善非线性下INS/GPS组合导航精度,提出将一种新的非线性滤波cubature Kalman filter（CKF）应用于INS/GPS组合导航中.为此,建立了基于平台失准角的非线性状态模型和以速度误差及位置误差描述的观测模型,分析了CKF滤波原理,设计了INS/GPS组合滤波器,对组合导航非线性模型进行了仿真.仿真结果显示,相对于扩展卡尔曼滤波（EKF）,CKF降低了姿态、位置和速度估计误差,CKF更适合于处理组合导航的状态估计问题.     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.     

几何扩展卡尔曼滤波算法在卫星姿态确定系统中的应用

卡尔曼滤波因其良好的性能广泛应用于卫星姿态确定中.经典的扩展卡尔曼滤波(EKF)算法在估计姿态坐标系中表示估计误差矢量,由于没有考虑到估计姿态坐标系与真实姿态坐标系之间存在偏差,从而导致姿态估计精度下降.针对这个问题,Andrle M S通过几何变换引入误差一致性表示,在此基础上,提出了几何扩展卡尔曼滤波(GEKF)算法,将姿态误差四元数和陀螺漂移增量通过几何变换进行一致性表示,解决了估计误差矢量表示不一致的问题.本文介绍了误差一致性表示的原理,并将GEKF算法应用于含常值漂移与时间相关漂移的陀螺模型中,仿真实验表明:GEKF算法比MEKF对陀螺漂移的估计更加精确,在滤波精度上取得了明显改善.     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题,提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题,并补偿低成本的惯性传感器陀螺仪和加速度计的误差,从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明UKF参数设计简单,姿态估计误差小于EKF,方差估计优于EKF,估计精度、计算量基本与EKF相当．因此,UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．