[发明专利]一种基于蚁群Unscented粒子滤波算法的组合定姿方法

说明书

技术领域

本发明涉及一种惯性/天文组合定姿方法，特别是一种基于蚁群Unscented粒子滤波(无迹粒子滤波)算法的组合定姿方法，可用于各种航天器的高精度组合定姿。

背景技术

为满足天基对地观测、武器精确打击以及空间探索开发的迫切需求，各类地球卫星、深空探测器、载人飞船、弹道导弹和运载火箭等航天器必须具备自主运行和管理能力，而高精度的自主定姿是航天器自主运行和管理的核心技术瓶颈。目前，航天器的高精度自主定姿，无法依靠任何一种导航手段独立实现。纯惯性导航系统能够自主、实时提供连续、全面的导航信息，短时精度高，但其误差随工作时间积累，难以满足航天器的长时间高精度定姿要求；天文导航能够提供高精度姿态信息，误差不随时间积累，但易受气候条件限制，且输出信息不连续；将这两者相结合、优势互补，构成惯性/天文组合定姿系统，是实现航天器长时间、高精度定姿的最为有效的手段。

在惯性/天文组合定姿技术方面，以往都采用扩展卡尔曼滤波EKF(Extended Kalman Filter)方法，但是EKF仅适用于滤波误差和预测误差很小的情况。近年来提出的Unscented卡尔曼滤波UKF(Unscented Kalman Filter)是一种EKF的改进算法，有效的解决了系统的非线性问题，但其不足是不适用于噪声非高斯分布的系统。粒子滤波PF由于采用蒙特卡洛采样(Monte Carlo sampling)结构而在非线性、非高斯系统状态跟踪上体现出越来越大的优越性，但其缺点是存在退化现象，消除退化现象主要依赖于两个关键技术：适当选取重要密度函数和进行重采样。对于前者的改进方法，可使用EKPF(Extented Kalman Particle Filter)、UPF(Unscented Particle Filter)来进行重要密度函数的选择，其中UPF算法是利用UKF来得到粒子重要性概率密度函数的一种粒子滤波方法，由于该重要密度函数中包含了最新量测信息，因此具有更好的性能。对于后者的改进方法，常用的重采样算法有累积分布重采样(Binary search)、系统重采样(Systematic resampling)、剩余重采样(Residual resampling)等，这些算法通过增加粒子的有效性解决了粒子的退化问题，但是在实际应用中会影响系统的鲁棒性，重采样完成后，重要度高的粒子通过重采样被多次选取，这在一定程度上丢失了粒子的多样性，由此造成的后果是一旦目标丢失或跟踪精度不够，系统自动收敛的可能性很小，为此，很多学者提出了遗传粒子滤波(GPF)算法，GPF算法虽然在保证粒子有效性的同时又增加了粒子的多样性，仍然存在滤波速度慢和鲁棒性差的问题。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提出一种基于蚁群UPF的组合定姿方法，解决系统非线性和噪声非高斯问题，以快速获得高精度的姿态信息，并能够准确地估计陀螺漂移，实现各种类型航天器长时间、高精度的组合定姿。

本发明的技术解决方案为：一种基于蚁群UPF组合定姿方法，其特点在于：利用惯性量测信息和天文量测信息，通过蚁群(Ant Colony Algorithm)UPF(无迹粒子滤波)方法，实现航天器长时间、高精度的快速组合定姿，其实现步骤如下：

(1)利用惯性量测信息补偿陀螺输出数据，通过姿态解算，得到载体姿态信息；

(2)利用天文量测信息，通过确定性算法，获得所需的天文姿态信息；

(3)利用蚁群(Ant Colony Algorithm)Unscented粒子滤波(Unscented Particle Filter)算法将天文姿态信息和载体姿态信息相融合，求解高精度的载体姿态信息，估计陀螺漂移，并反馈校正载体姿态和补偿陀螺漂移补偿；最终实现基于天文量测信息实时消除惯性/天文组合导航系统陀螺随机误差的在线修正，完成对航天器的高精度组合定姿；

利用蚁群UPF算法进行信息融合的步骤为：

(3.1)采样时间t＝0时，初始化：

对初始的先验概率密度p(x₀)进行采样，生成N个服从p(x₀)分布的粒子i＝1，…，N，生成的粒子的均值和方差满足：