无人机在航姿模式下飞行时, 姿态角误差波动较大, 根据磁力计、加速度计和陀螺仪的互补性特点, 提出一种自适应无迹卡尔曼滤波(AUKF)算法对MEMS传感器数据进行优化求解: 以姿态四元数和陀螺漂移为状态量, 加速度计和磁力计测量值为观测量, 采用梯度下降法优化无迹卡尔曼滤波的关键参数, 即过程噪声协方差, 以提高四旋翼无人机姿态解算精度。对实际飞行数据的分析表明: 分别与常规卡尔曼滤波和传统无迹卡尔曼滤波算法相比, 该方法精度最高, 可确保小型无人机在各种情况下飞行的稳定性。

针对运动小目标的测距需求,设计一种适用于运动小目标高速测距的小型化激光雷达系统,测距系统采用光子计数技术,可以减小对激光单脉冲能量和望远镜口径的需求,降低系统的体积、质量和功耗,并基于光纤激光器高重频的特点实现高速率的测距。理论分析和实验测试结果表明,在大气能见度为7 km的环境下,该激光测距系统对反射的截面积为0.1 m ²和反射率为0.6的小目标,最大作用距离可达5446.3 m,测距准确度为0.161 m。将测距系统安装在经纬仪平台上,可以实现对运动无人机的跟踪和测距,采用无迹卡尔曼滤波算法可以实时获得目标的距离和速度,测距偏差在0.11 m以内,速度偏差在0.5 m/s以内。

针对强非线性和时变噪声统计特性不明的高动态运动环境下全球卫星导航系统/惯导系统(GNSS/INS)深组合导航系统滤波精确度较差甚至发散的问题, 提出一种自适应混合无迹卡尔曼滤波(UKF)算法。该算法以 UKF算法为基础, 采用混合滤波思想对 UKF滤波算法进行简化; 并根据高动态下系统量测噪声时变, 且易快变、突变的特点, 设计了一种基于渐消记忆指数加权的自适应量测噪声估计器, 实时估计和修正噪声统计量并自适应调节估计周期。仿真结果表明, 在量测噪声变化的情况下, 相比于常规 UKF算法, 本文算法各向定位测速精确度均有所提升, 水平方向精确度提升 60%以上, 效果明显; 此外, 算法耗时减少 18.64%, 说明本文算法能够在提升滤波精确度的同时减少部分计算量。

基于高阶正交幅度调制(QAM)和大线宽相干光正交频分复用(CO-OFDM)系统, 提出了一种在时域进行无迹卡尔曼滤波(UKF)的相位噪声补偿算法。该算法在接收端基于训练符号频域卡尔曼滤波实现信道均衡, 用较小的频域导频数据开销进行频域扩展卡尔曼滤波, 先补偿公共相位误差(CPE)噪声, 然后将CPE噪声补偿之后的数据在时域进行载波间干扰(ICI)相位噪声粗补偿。对相位噪声粗补偿后的频域数据进行预判决, 结合接收端原始时域数据, 在时域对判决后的数据进行UKF以实现ICI相位噪声的精细补偿。对精细补偿之后的频域数据再进行相位噪声粗补偿并进行迭代运算, 极大地提高了相位噪声的补偿效果。对50 Gbit·s-1的CO-OFDM系统进行了传输距离为100 km的仿真, 与其他算法相比, 所提算法的频谱利用率极高, 且具有较好的补偿效果。对激光器线宽为700 kHz且调制方式为32QAM的传输信号进行二次迭代后, 所提相位噪声补偿算法的误码率性能仍可达到前向纠错上限。所提算法促进了大线宽CO-OFDM系统在长距离接入网和城域网中的应用。

扼要介绍了UKF和CKF滤波算法，分析总结了两种滤波算法的异同，并基于蒙特卡罗仿真试验，对大方位失准角情形下UKF滤波算法和CKF滤波算法的应用特性进行了对比、分析和总结，指出了UKF滤波算法对角运动和线运动均敏感，角运动和线运动方向的激励均可以加速其收敛，而CKF滤波算法对角运动不敏感，但对线运动敏感，角运动方向的激励无助于其对准精度的提高，而线运动方向的激励可加速其收敛，且收敛精度随激励效果的加强而提高的特性，为该种情形下对准技术的工程化实现提供了针对性建议。

针对无人机自主空中加油保持阶段加油机位姿跟踪精度不高的问题，提出了一种改进UKF(无损卡尔曼滤波)预测方法。建立了视觉导航系统模型，利用Harris算法检测角点，并用RANSAC(随机序列一致性)算法进行角点匹配。将历史预测数据引入当前时刻UKF预测值，并通过匹配角点所得姿态观测值对改进UKF预测值进行修正，从而实现加油机姿态的高精度预测。仿真结果表明，改进UKF在遭遇突发强干扰时姿态预测性能明显优于标准UKF，所预测误差小于5.8%，满足空中加油精度要求。该算法避免了强干扰引发的预测出错，有效抑制了突发干扰。