提出一种基于传感器网络的分布式状态估计算法, 用于具有随机传输时延的网络化系统。为了节省通信带宽, 引入了自适应概率量化机制。考虑随机传输时延的存在, 利用缓存器中的数据设计了改进的无迹卡尔曼滤波(UKF)算法进行时延补偿。在局部估计完成后, 利用快速协方差交叉方法进行融合估计, 以获取更加精确的状态估计。此外, 还分析了融合估计误差的有界性。最后通过数值模拟算例验证了所提算法的有效性。

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。

针对弱小目标雷达散射面积小、回波能量弱、在跟踪过程中虚警杂波数较多, 容易产生误跟、漏跟的问题, 提出了一种幅度信息辅助的无迹高斯混合概率假设滤波(GM-PHD)算法。该算法通过建立弱小目标与虚警杂波的幅度似然函数, 利用幅度信息提升目标与杂波的识别度, 改善多目标的状态估计与势估计。此外, 该算法还使用无迹卡尔曼滤波(UKF)进行扩展, 以适应非线性的跟踪情况。仿真结果表明, 相比于传统的高斯混合概率假设滤波, 所提算法拥有更佳的多目标状态估计与势估计性能。

针对SLAM在复杂环境下对噪声干扰鲁棒性差以及运动轨迹预测误差问题, 在UKF中引入自适应估计理论与鲁棒H∞控制准则, 提出一种鲁棒自适应UKF-SLAM算法。该算法利用自适应估计理论, 构建抗差因子和自适应因子, 自适应估计测量和状态噪声等价协方差阵, 实现粗差分离和噪声方差自适应补偿; 利用鲁棒H∞控制准则对系统状态均值和协方差进行迭代更新, 提高噪声干扰鲁棒性、降低预测误差。仿真结果表明:该算法能保证移动机器人在不同噪声环境下具有良好的鲁棒性与定位精度。

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。

针对无人机自主导航的实时性差、精度低且对时变噪声的鲁棒性弱的问题, 建立了机器视觉和惯性导航相融合的组合导航系统, 并提出了一种自适应平方根无迹卡尔曼滤波(adaptive square-root unscented kalman filter, ASRUKF)算法。该算法通过观测值与估计值残差的Mahalanobis距离时刻修正系统噪声协方差, 再与采用最小偏度采样的SRUKF算法相融合, 从而达到时变噪声自适应抑制, 滤波快速且对噪声鲁棒性高的效果。仿真结果表明, 相比标准SRUKF, ASRUKF计算耗时减少约38.8%, 位移、速度和姿态角预测精度分别提高超过4倍和6倍, 且对于时变噪声鲁棒性更强。