基于Junction tree推理的多运动平台分散式协同导航算法研究

The cooperative navigation of mobile multi-platform systems shares the navigation resources among the platforms by utilizing the inter-platform measurements to achieve better performance than the case of each platform navigating by itself. Attracted by the advantages of modularity, scalability and fault tolerance of the decentralized data fusion structure, the decentralized cooperative navigation algorithm is an open research topic in the world. Various decentralized cooperative navigation algorithms have been proposed yet there is large room for the performances of the solutions to be improved. Junction tree(JT) algorithms implement exact inference on probabilistic graphical models, characterized by the distributed computation pattern. The JT inference framework covers the Kalman filter.The project proposes a decentralized cooperative navigation algorithm in the framework of JT inference by modeling the problem as Gaussian dynamic Bayesian network(GDBN) and analyzes the performances of the algorithm in depth. The expected results would provide a systematic design and analysis tool for the decentralized cooperative navigation algorithms,and promote the application and development of the decentralized data fusion theory.

多运动平台协同导航利用平台之间的相对观测实现平台间导航资源共享，获得比各平台独自导航更优的性能。由于分散式数据融合结构具有模块化、良好的可扩展性和好的容错性等三大优势，分散式协同导航算法成为当前国际上的一个热点研究课题。现有分散式协同导航算法各式各样，但是算法的性能往往有很大的提升空间。联合树（JT）算法是概率图模型上的一种精确推理算法，具有分布式计算特征；同时卡尔曼滤波算法可以纳入JT推理框架。基于此，项目拟将协同导航问题建模为高斯动态贝叶斯网络（GDBN），在JT推理的框架下提出一种分散式协同导航算法并深入分析算法的各项性能。项目预期研究成果将为分散式协同导航算法提供一套系统的设计和分析工具，并推进分散式数据融合理论的应用与发展。

本课题以多运动平台协同导航问题为研究背景。不同于各运动平台独立进行导航的导航方式，协同导航利用平台之间的相对观测，通过一定的信息交换实现平台间导航资源共享，从而获得比各平台独自导航更优的性能。.1. 算法设计.将协同导航问题建模为动态贝叶斯网络，在此基础上基于联合树算法设计了一种全新的分散式协同导航算法，将计算代价和通信代价分配至各平台的同时，获得了与集中式贝叶斯估计等效的计算精度。.2. 性能分析.从导航精度、可扩展性、容错性和模块化等方面对所提出的联合树算法的性能进行了深入分析。对比以“运算拆分”为核心设计思想的现有分散式协同导航算法，所提出的联合树算法具有精度高、模块化、可扩展性好和容错性好的优点。.3. 算法验证.以我国北斗卫星导航系统的自主运行问题为研究背景，设计了基于联合树的分散式协同定轨算法并对算法性能进行了分析。.针对近圆轨道卫星定轨计算中出现的病态问题，设计了平方根联合树推理算法，具有优于标准联合树算法的数值稳定性。