《表3 协同导航平均定速RMSETable 3 Mean velocity RMSE of coordinated navigation》
对比本文提出的DSSRCQKF算法与DEKF算法,参数ε取为0.01,用均方根误差(RMSE)描述导航星对目标星的实时定轨精度,运行200次Monte Carlo仿真,仿真结果如图4~图7所示。统计平均定轨RMSE,并分别列于表2和表3。从仿真结果可以看出,本文DSSRCQKF算法实时定位精度约为19m,定速精度约为1.71m/s,而DEKF算法定位精度约为30 m,定速精度约为1.73 m/s,从而表明本文算法具有更高的导航精度。对于多星协同导航问题,2种算法通过导航星间的分布式通信与数据融合,均可实现对目标星轨道状态的一致估计。每颗导航星的估计结果基本相同,结果间细微的差别主要由系统的非线性引起,因为在非线性卡尔曼滤波中,假设后验概率密度服从高斯分布,本质上是一种次优滤波方法,无法像线性卡尔曼滤波一样得到理论上的最优估计。而且为了将非线性卡尔曼滤波嵌入分布式滤波中而引入的伪观测矩阵同样会带来一些误差,但每颗导航星估计值间的差别在应用中是可以接受的。从导航星间的通信拓扑结构可以看出,每颗导航星仅与其邻居星通信,滤波中间数据在整个无线网络中分布式流动,从而避免了将所有数据发送到融合中心的集中式处理,提高了系统的灵活性。
图表编号 | XD002657500 严禁用于非法目的 |
---|---|
绘制时间 | 2018.03.01 |
作者 | 李兆铭、杨文革、丁丹、廖育荣 |
绘制单位 | 装备学院研究生院、装备学院光电装备系、装备学院光电装备系、装备学院光电装备系 |
更多格式 | 高清、无水印(增值服务) |
查看“表3 协同导航平均定速RMSETable 3 Mean velocity RMSE of coordinated navigation”的人还看了
- 表1 双矢量法与本文算法的姿态估计RMSE均值Tab.1 Mean value of RMSE of attitude estimation by double vector algorithm and proposed algorithm
- 表3 晴天天气下不同高度平均风速、脉动强度和湍流度随时间的变化Tab.3 Variation of the average wind velocity, fluctuation intensity and turbulence intens
- 表3 各河槽表层沉积物平均中值粒径、小潮涨落潮平均流速Tab.3 Average median size of surface sediments and average flow velocity during neap tide in
- Table 2 Correlation coefficient, root mean square error (RMSE) , and mean of air temperature and wind speed for the simu