基于扩展卡尔曼滤波的无人机航姿算法

针对小型无人机在大机动或连续飞行时姿态解算精度低的问题,提出了一种基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)的航姿算法。该算法以机体系加速度分量与陀螺漂移作为待估状态量,建立了非线性滤波模型,在对传感器量测值预处理的基础上完成数据融合,获得了姿态角数据的准确输出,同时,根据外部运动加速度的大小不断调整噪声协方差以达到对EKF的自适应修正,从而抑制无人机航姿解算中磁干扰的影响。经三轴转台实验测试,姿态角的静态误差不超过0.5°,动态误差不超过2°,瞬变磁干扰误差不超过5°,该结果表明该算法能有效提高小型无人机的航姿解算精度。     

航姿参考系统中一种自适应卡尔曼滤波算法

在航姿参考系统测量载体姿态的过程中,由于观测噪声不确定,严重影响了常规卡尔曼滤波结果的精度.另外,当系统受到干扰而使观测噪声突然改变时,甚至会导致滤波发散.提出一种航姿参考系统自适应卡尔曼滤波算法,能够根据观测数据来自适应调整观测噪声,从而提高卡尔曼滤波精度,改善系统的鲁棒性.仿真表明,当观测噪声时变时,常规卡尔曼滤波结果明显发散,而新自适应卡尔曼滤波结果收敛良好,在系统计算复杂度没有明显增加的前提下,系统的稳定性得到了明显提高.     

基于平方根容积卡尔曼滤波的目标状态与传感器偏差扩维联合估计算法

针对传感器存在系统偏差条件下的三维目标跟踪问题,基于高斯求积规则与三阶球面-径向容积规则,设计了基于平方根容积卡尔曼滤波的目标状态与传感器系统偏差扩维联合估计算法(Augmented state squared-root cubature Kalman filter,ASSRCKF)。仿真分析表明,ASSRCKF不仅避免了扩维扩展卡尔曼滤波算法因模型线性化误差易导致滤波发散的问题,且克服了扩维不敏卡尔曼滤波算法在高维系统中数值不稳定的缺点,算法实时性好,能更加有效地解决带有系统误差的非线性状态估计问题。     

基于扩展Kalman滤波的无人机位姿校正

无人机姿态控制问题是无人机稳定性飞行的关键,针对无人机在位姿参数不确定条件下制导控制器姿态定位精度不高的问题,提出了一种基于扩展Kalman滤波的无人机位姿校正方法,进行制导系统稳定性控制律设计.建立无人机飞行动力学模型,构建飞行弹道方程,分析无人机制导系统被控对象的约束参量,采用加速度计、陀螺计和磁力计进行位姿参量测量.考虑到位姿参数的不确定性,采用扩展Kalman滤波算法进行姿态参数的整定性处理,实现角度校正.将校正后的位姿参数输入模糊神经网络系统中,实现无人机制导控制律的优化设计.仿真结果表明,采用该方法进行无人机位姿校正和飞行制导控制,定姿精度较高、抗干扰能力较强,实现了飞行的稳定性控制.     

时间偏差校准分布式多传感器多目标跟踪算法

由于信号处理、量测采集延时等原因,导致多传感器系统中存在量测时间戳不准确,即量测时间偏差。针对量测存在时间偏差的分布式多传感器系统,提出一种时间偏差校准分布式多传感器多目标跟踪算法。在局部处理器,针对传感器量测存在虚警和漏检的情况,基于联合概率数据关联(JPDA)和扩展卡尔曼滤波(EKF)算法进行多目标跟踪,估计出存在时间偏差的局部航迹。在全局处理器,针对局部航迹时间偏差导致全局航迹精度下降的问题,首先,采用逆卡尔曼滤波基于局部航迹构造等效量测,针对匀速直线运动目标,推导出相对时间偏差伪量测方程并给出计算方法;然后,提出一种基于伪量测的相对时间偏差估计算法,采用递推最小二乘估计与卡尔曼滤波在空域及时域实现了相对时间偏差的联合估计;最后,设计一个时间偏差校准分布式多传感器多目标跟踪架构,联合进行时变时间偏差估计与补偿、"等效量测-全局航迹"关联和全局航迹更新。虚警和漏检下的多传感器多目标跟踪仿真结果表明:量测存在时间偏差情况下,所提算法可以有效提高融合后的全局航迹精度。     

基于深度神经网络的井下无人机视觉位姿估计

无人机将在未来少人或无人采矿中发挥重要作用,而位姿估计则是实现井下无人机自主巡检的关键.针对井下巷道照度分布不均匀和动态复杂环境的特点,提出采用慕尼黑工业大学深度图像(TUM RGB-D)数据集对深度神经网络模型进行预训练的方法,提取巷道特征路标点.为实现具有真实尺度信息的位姿估计,首先利用机载相机三维深度数据流恢复网络特征点深度,然后建立帧间匹配巷道路标点最小二乘模型,最后采用奇异值分解的方法获得无人机位姿.开发了手持移动传感器数据采集系统,完成传感器相对位置标定,采集真实巷道环境数据并进行实验.实验结果表明,相比ORB-SLAM2位姿估计结果,提出的无人机位姿估计方法针对巷道复杂环境数据其定位精度可提高71%以上,定位误差约为13 cm.     

一种新型航姿系统

介绍了一种新型多功能惯性器件,它将双轴陀螺丐加速度计巧妙于民一体用它可构成新型垂直陀螺,再与磁通门传感器合成新型航姿系统,该系统能消除载体的变速运动对输出航姿角的影响,结构简单、紧凑,成本较低,可用于定向性移动卫星通信天线跟踪卫星的开环控制系统中。     

小型无人飞艇航姿系统设计与实现

航姿系统作为无人飞艇自主飞行的重要传感器,其精度、稳定性关系到飞艇的飞行品质。本文围绕小型无人飞艇的航姿系统进行研究,对基于MEMS IMU的航姿系统的工作原理、解算算法、滤波算法、硬件实现、软件实现进行了研究,最后给出了AHRS的物理样机实现。该样机对小型无人飞艇的航姿系统研究具有一定的参考意义。     

似然迭代平方根容积卡尔曼滤波算法的克拉美罗下界分析

本文介绍了平方根容积卡尔曼滤波算法和似然迭代平方根容积卡尔曼滤波算法,推出了后验克拉美罗下限.将两种算法应用到弹道再入段的状态估计中,分析和比较了两种算法的标准差与后验克罗美罗下限的关系.仿真实验结果表明,相比于平方根容积卡尔曼滤波算法,似然迭代平方根容积卡尔曼滤波算法的位置、速度和弹道系数的标准差与后验克拉美罗下限很接近,算法的滤波性能明显优于平方根容积卡尔曼滤波算法,是一个有效的状态估计算法.     

高阶容积卡尔曼滤波及其在目标跟踪中的应用

针对传统的容积卡尔曼滤波(CKF)估计精度有限的问题,提出了一种基于任意阶容积规则的高阶容积卡尔曼滤波(HCKF)方法并应用于机动目标跟踪问题。传统的CKF采用三阶球面-相径容积规则,可获得优于其他非线性滤波如不敏卡尔曼滤波(UKF)的估计精度和数值稳定性。为了进一步提高CKF的估计精度,在基于点的高斯近似滤波框架下,分别使用Genz积分方法和矩匹配法推导出任意阶的球面规则和相径规则,以此构造高阶球面-相径容积规则来计算高斯型积分,并建立高阶容积卡尔曼滤波算法。将提出的HCKF算法应用于机动目标跟踪问题中并进行数值仿真。仿真结果表明,相对于传统容积卡尔曼滤波,高阶容积卡尔曼滤波对目标位置和速度估计的精度分别提高了11%和24%,可获得更高的估计精度。     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

基于分层模糊控制器的AGV路径规划

动态环境下的路径规划是AGV小车研究领域的一个难点问题.介绍了AGV全局定位和环境感知所用的传感器原理及其误差补偿方法.在电子罗盘和光电编码器的结合下利用航位推测法获得小车当前的位姿,采用多传感器感知外界环境信息.并在此基础上提出了基于分层模糊控制的路径规划方法.     

浅议陀螺冗余技术在MEMS航姿系统中的应用

以MEMS惯性器件为传感器构建微小型航姿系统,具有体积小、成本低、抗冲击、适宜大批量生产等优点,但是其可靠性必须通过其它手段来保证,通过MEMS陀螺系统的冗余配置可以有效解决这个问题。主要分析了MEMS陀螺冗余系统的设计要素、配置方案以及故障检测方法,为陀螺冗余技术在MEMS航姿系统中的应用提供借鉴和支撑。     

一种改进的粒子滤波算法

针对标准粒子滤波算法存在的粒子退化现象而导致滤波精度低的问题,研究了容积粒子滤波算法,利用最新提出的容积卡尔曼滤波算法,在粒子滤波观测更新过程中计算分布函数的均值和方差,得到能够更准确的表示概率密度函数真实分布的重要性密度函数.仿真结果表明,较之于标准粒子滤波和无迹卡尔曼滤波算法,容积粒子滤波算法滤波精确度更高,是一种理想的非线性滤波估计策略.     

GPS/INS组合系统的多重渐消鲁棒容积卡尔曼滤波

在对适用于GPS/INS组合导航非线性模型的容积卡尔曼滤波进行深入研究的基础上,提出了一种改进的多重渐消H∞鲁棒容积卡尔曼滤波算法.基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;引入H∞鲁棒思想,构造多重渐消H∞鲁棒容积卡尔曼滤波器;提出采用一种奇异值分解的矩阵分解策略代替标准容积卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性.结果表明:改进的多重渐消H∞鲁棒容积卡尔曼滤波算法不仅能有效抑制滤波发散,提高算法的稳定性,还对观测异常值具有更高的鲁棒性;提出的新算法与标准容积卡尔曼滤波算法相比,X,Y,Z3个方向的位置精度分别提高了55.8%,46.6%和39.7%.     

基于卡尔曼滤波和随机逼近的模拟器时间延迟补偿方法

针对飞行模拟器的时间延迟补偿问题,采用卡尔曼滤波和随机逼近的方法,提出了自适应遗忘因子卡尔曼补偿法和自适应遗忘因子随机逼近补偿法,这2种方法通过预测偏差动态调节遗忘因子的大小,可以提高预测精度并减小预测偏差;在2种补偿法的收敛矩阵初始值中引入调节参数,避免了初始值发生奇异现象;并且与改进的McFarland补偿方法进行了比较.结果表明,这2种方法的预测偏差分别小于相对应的改进的McFar-land补偿方法的预测偏差,且自适应遗忘因子卡尔曼补偿法是4种方法中最优的补偿方法.     

基于MEMS航姿参考系统的角度估计算法研究

为解决行人导航系统中,由于采用的基于微机械加工技术(MEMS)的惯性传感器精度较低,计算误差会随时间积累的问题,在基于微机电系统(MEMS)的航姿参考系统(AHRS)基础上,提出了一种动态过程修正算法,通过利用静止条件判断,进行角度校准,减少角度累积计算误差.在双轴转台进行实际测试结果表明,角度计算精度得到了提高.     

基于OTSUKF的飞行器惯性测量单元的故障诊断

线性系统存在随机偏差情况下,最优二步卡尔曼滤波(OTSKF)可以获得系统状态及偏差的最优估计。无迹卡尔曼滤波(UKF)利用Sigma点采样和UT变换技术经非线性系统传播状态的均值和方差,是一种典型的非线性滤波方法。飞行器是一种典型复杂非线性系统,将惯性测量单元(IMU)的故障作为一种随机偏差处理,建立了包含IMU故障的滤波模型。将UKF算法和二步滤波思想应用到飞行器之中,提出了一种适用于飞行器IMU故障诊断的最优二步无迹卡尔曼滤波(OTSUKF)算法。针对于飞行器,提出了一种滤波模型设计的方法。基于该模型,应用所提出的OTSUKF算法实现了飞行器状态的最优估计和IMU故障的辨识,该算法经过了实际飞行数据验证其对风扰动具有鲁棒性并且与已经被提出的迭代最优二步扩展卡尔曼滤波(IOTSEKF)方法进行了对比验证其最优性。     

基于微小型无人机的气象探测有效载荷研究

利用微小型无人机探测气象是一种新型气象测量技术,可以无损耗（相对一次性测量装置）测量气象参数,可以在空中长时间、大区域连续监测天气变化.讨论了一种先进的小型长航时无人机气象探测系统有效载荷组成、功能及工作原理.采用温湿压组件传感器、皮托管及改进的卡尔曼滤波等方法得到高精度测量结果,采用卫星系统实现长距离数据传输与测控.应用证明：系统达到了设计技术指标.该系统可用于靶场试验气象保障,在民用领域也有推广应用价值.     

基于视觉着陆的无人机俯仰角与高度估计

为提高无人机（UAV）自主着陆的能力,提出了一种新方法,仅依靠视觉传感器数据,基于空时处理估计UAV的俯仰角和高度参数.构建双目立体视觉导航系统采集视频数据.利用Hough变换和RANSAC方法从单目图像序列中计算灭点;再利用灭点几何模型计算无人机着陆的俯仰角.基于双目图像序列,提取Harris角点进行特征点匹配,获取无人机的深度信息.联合无人机的俯仰角与深度信息,基于三维重建方法获得无人机的高度参数.根据UAV的运动规律,采用自适应卡尔曼滤波进一步提高UAV高度估计的精度.模拟实验结果表明,所提出的方法可以有效地估计UAV着陆的俯仰角和相对跑道的高度参数,而且算法具有较快的收敛速度.