深空自主导航中的多传感器融合技术以及解决方案

目录CONTENTS1简介2多传感器观测方法3多传感器融合技术4总结及展望GNSS,NewGlobal

Era简介深空探测一般指对月球及以远天体开展的空间探测活动，是人类探索宇宙的重要手段之一。深空自主导航是指探测器根据自身传感器信息确定其在空间飞行时的瞬间位置和速度。简介深空导航存在的问题01方法成熟简单，成功应用于多次任务，精度随距离增大而变差，适用于接近段任务。||rpi

||

arccos

rpi.si02Ｘ射线脉冲星导航理论上具有导航源信号稳定、抗干扰能力强、可在太阳系乃至更远区域进行导航的特点。定位精度高，适用于深空全过程，但X射线脉冲星数量少，处于在线验证阶段。03天文测速导航方法可直接通过几何解算获得探测器的速度，具有较高的实时性，但位置信息需通过速度积分进行估计，存在位置误差随时间发散的问题。||

r

|| ||r

||

r.r

r.vv

r

多传感器融合技术深空自主导航的轨道动力学方程r·

==

V一\I1／I厂111加项V知度未速二a\＼／+Il＼－r/／摄项压度、石3r了II力兀速阳加太动工叨/1`\-\_／－pl-3

rpr­户l-－－力项-－引度二rrz-

rz厂3v星r速行加－l＿i-＿-

－µl-曰／胪区个＼土＼I-r/ls3力项引度-5旦一rlTIIY阳速太加＿／」＼＼＿f.Vf表示探测器再该坐标系下的位置矢量，r=

llrll;让是探测器再该坐标系下的速度矢量，．石是第颗摄动大行星相对坐标系原点的位置矢量，．可是它们相对探测器的位置矢量，．np

是摄动大行星的数目，．d为其他摄动加速度矢量；µs是太阳引力常数µi是第i颗摄动大行星的引力常数||

r

|| ||r

||

r.r

r.vv

r

||rpi

||

arccos

rpi.si测角测距测速01卡尔曼滤波的五个基本公式02针对非线性系统，卡尔曼滤波不再适用，对此提出了扩展卡尔曼滤波（EKF）。EKF

的基本原理是将非线性的系统方程以泰勒级数展开，取一阶近似，再按线性方程进行处理。进一步结合卡尔曼滤波的五个基本公式可得EKF的五个基本公式。状态预测：观测校正：031995

年，S.Julier

提出

Unsecented

卡尔曼滤波（

UKF）。UKF

的基本思想在于以无迹变换(

TransformUnscented

，UT)来递推与更新在非线性模型中的当前状态值与当前误差协方差,从而获取更好的性能。计算2n+1个Sigma采样点1时间更新2测量更新3状态更新4计算2n个容积点11时间更新

测量更新

状态更新2 2k

|kk|k04容积卡尔曼滤波(Cubature

Kalman

filter,

CKF)由加拿大学者

Arasaratnam

和

Haykin

在

2009

年首次提出，CKF

基于三阶球面径向容积准则，并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差，是当前最接近贝叶斯滤波的近似算法。假设K时刻的状态和协方xˆ

差P矩阵分别为(

j

)k|k

k|k

j

k|kx

S

xˆj

1,

2......2njjjn[1] j

1,

2,......n

n[1] j

n

1,

n

2,......2n

k|kx(

j

)k

1|k

f(x(j)

)2n(j

)x

1

2nk

1|kj

1xˆ

k

1|k

12n(j

)ki

1k

1|k2n

P

(x

xˆ)(x(j)

xˆ)T

Q

k

1|k k

1|k k

1|k k

1|kk

1|k k

1|k

j k

1|kx(j)*

S

xˆ(j)

*zjk

1|kk

1|k

h(x

)12nzk

1|k2n

j

1zˆ

jk

1|k2nPzz12nk

1|kk

1|kj

1

)T

R

(z

j

zˆ )(z

j

zˆk

1|k k

1|k k

1|k k

1|k2n(

j

))TPxz

12nk

1|kk

1|k k

1|k k

1|k k

1|kj

1

(x

xˆ)(z

j

zˆ

)xz zz

1k

1 k

1|k k

1|kK

P (P)xˆk

1|k

1

xˆk

1|k

Kk

1

(zk

1

zˆk

1|kPzz

KTk

1|k

1 k

1|k k

1

k

1|k k

1P

P

KTk|k k|k

k|kP

S

S051 1粒子滤波（FilterParticle，PF）是一类通过随机样本点表示系统状态变量的后验概率分布的递推贝叶斯滤波方法，在实际工程应用方面有着较好的表现。其将粒子（随机样本）通过合适的概率密度来表示，粒子的位置和携带的相关权值可以通过测量的方式进行调节，这些粒子满足导航系统的后验概率且携带相关的权值。在粒子数目达到一定的数量后就可以用来表示后验概率密度，与此同时就可以准确的解算出系统状态的估计值。初始化 计算粒子 重采样 状态更新2 2生成随机数u，u~U[0,1]；从马尔可夫链中进行采样；如果u小于阈值，则采用马尔可夫链蒙特卡罗（MCMC）移动。多传感器融合技术BUKF算法通过UT变换近似状态后验分布和协方差，对非线性函数可近似到泰勒展开的二阶项，但当系统维数大于4时，会产生负的权值点从而引起协方差矩阵非正定，影响滤波的稳定性。

DPF算法是基于蒙特卡洛方法和递推贝叶斯估计的统计滤波方法，理论上适用于含非高斯噪声的

非线性系统滤波估计，但在实际应用中计算量大，且存在粒子退化和贫化的现象。

C CKF算法通过三阶球径法则选取容积点，通过将传递后的容积点加权来近似状态后验分布和协方差。相较于UKF，CKF的数学理论推导更为严密。

A EKF算法计算效率高、应用范围广，但对非线性较强的系统估计精度不高、稳定性较差。多传感器融合技术010203使用一组无迹卡尔曼滤波器来细化粒子滤波器的预测，利用辅助模型生成粒子滤波器中的重要度分布，有效地利用了最新的观测信息，提高了精度。以降低计算量为目标，提出了球形单形UT

(SSUT)算法，以减少采样点的数量，在保证精度的同时提高了计算效率。提出了球面单纯形算法，利用SSUT的球面单纯形样本点代替UT的对称sigma点，减少计算量的同时提高了精度。多传感器融合技术010203依据当前时刻系统可观度大小对误差协方差阵进行修正，减小了系统可观度较低区段的估计误差，使滤波更加平稳，提高了滤波精度。将CKF的协方差矩阵更新嵌入信息滤波更新框架中，避免矩阵分解出现非正定的情况，进一步提高了导航的精度。基于SQP优化的约束CKF，在CKF的更新过程中利用

SQP

非线性规划算法，优化测量误差和量测量；最后根据系统量测模型和

SQP

优化后的量测值，进行量测更新，进一步减小了系统随机误差，提高了深空探测自主天文导航的精度。多传感器融合技术010203在粒子滤波框架中，用

EKF

对每个粒子进行更新，得到近似后验密度作为重要性密度函数，提高了导航精度。WOPF

的思想基于提升粒子滤波迭代过程中小权值粒子的权值。小权值粒子的权值增大之后，就能有更大的可能性不被抛弃，延缓了粒子退化的进程。从改进重要性密度函数和改进重采样方法两方面对粒子滤波的性能进行了提升，具有更高的精度和稳定性。多传感器融合技术多传感器观测方案tspspsppt

=arccostpppp||

r

|| ||

r

||||

r||

r

||x(x1

x)

y(y1

y)

z(z1

z)h

(x

)

arccos

arccos|| ||

r|| (x

x)2

(y

y)2

(z

z)21 1 1(xp

x)(x2

x)

(yp

y)(y2

y)

(zp

z)(z2

z)

rps

.s1

r

.sctppcp2 2 2cp

hv(x)

r

r.r

r.v

t

hp

(x

)

arccos||

r || (x

x)2

(y

y)2

(z

z)2

h

(x

)

arctan

arctan||

r ||(x

x)2

(y

y)2

(z

z)2p p p

多传感器融合技术基于容积卡尔曼和信息滤波的多传感器融合方法（MSRCIF）将CKF的协方差矩阵的平方根的更新融合到信息滤波的框架中，通过信息贡献向量和信息贡献矩阵构建信息融合中心，实现多传感器加权融合，具体方法可分为预测、测量更新和状态更新三个部分，具体如下。假计算容积点设k时刻的状态和协方差矩阵分别xˆk

|为kPk|kTk|k k|k

k|kP

S

S(

j

)k|k k|k

j k|kx

S

xˆj

1,

2......2njj

n[1] j

1,

2,......n

n[1]

j j

n

1,

n

2,......2n传播容积点并计算状态的一步预测k|k

k|kx(j

)*k

1|k

f(x(j),

u )12n(j

)*x2n

j

1xˆk

+1|k

k

1|k计算一步预测协方差矩阵的平方根S

Tria([

* S

])k

1|k k

1 Q1[x(1)* ,

x(2)*2n

*k

1k

1|k k

1|k k

1|k k

1|k k

1 k

1|k

xˆ

xˆ ,...,

x(

2

n

)*

xˆ ]SQ

chol(Q)计算信息撞他和Fisher信息)T

1

1k

1|k k

1|kk

1|kk

1|kY

P

(S

S1)2nx2n

ST

ST

1

(

j

)*k

1|k k

1|k

k

1|k k

1|k

k

1|k k

1|k k

1|kk

1|kj

1yˆ

P

1

xˆ

(S )

1

xˆ

(S

k

1|k多传感器融合技术基于容积卡尔曼和信息滤波的多传感器融合方法（MSRCIF）计算容积点传播容积点并计算测量的一步预测计算互协方差矩阵、信息贡献向量和矩阵更新信息状态和Fisher信息x(j

)k

1|k k

1|k

j k

1|k

S

xˆ(j

)z(j)k

1|kk

1|k

h(x2nzˆzk

1|k(j)k

1|k2n

j

1

1

12n(j

)(j

)T T) Pxzk

1|kk

1|k k

+1|kk

1|k k

1|kk

1

k

12n

j

1

(x

xˆ)(z

zˆ)

SST PxzS

TI

,k

1|kk

1|k

k

1|k

k

1|k

RY

,k

1|k

Y

,k

1|k

k

1|k

R

S

T

S

1 PxzS

T

SSTk

1I

,k

1|k I

,k

1|kI

SSTxˆS

1vk

1I

,k

1|k R k

1I

,k

1|k I,k

1|k

k

1|ki

S