视线测量相对导航：EKF、UKF、SREKF、SRUKF性能对比

"本文对比了四种卡尔曼滤波器在航天器相对导航中，特别是仅视线测量条件下的性能。这四种滤波器分别是扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）、平方根扩展卡尔曼滤波器（SREKF）和平方根无迹卡尔曼滤波器（SRUKF）。文章探讨了视线测量相对导航的特点，并建立了相应的动力学和量测方程，通过三种不同相对运动模式的数值仿真来评估各种滤波器的精度。结果显示，所有算法的精度在同一级别，UKF在估计相对距离时略优于EKF，而SREKF和SRUKF则比EKF和UKF有更高的精度。" 在航天器的相对导航中，尤其是在只有视线测量数据的情况下，传统的导航方法可能不足以提供精确的估计。视线测量通常只包含方向信息，不包含距离信息，这就对导航算法提出了挑战。卡尔曼滤波是一种广泛应用的估计算法，能够融合来自不同传感器的不完整和噪声数据，提供最优的估计。 扩展卡尔曼滤波器（EKF）是经典卡尔曼滤波的非线性扩展，适用于处理非线性系统。然而，EKF在处理非线性问题时可能会出现误差累积，导致估计精度下降。 无迹卡尔曼滤波器（UKF）通过使用sigma点来近似概率密度函数，相比EKF更准确地处理非线性问题，尤其在处理高维系统时表现更优。在本研究中，UKF在估计相对距离上显示出比EKF更高的精度。 平方根扩展卡尔曼滤波器（SREKF）和平方根无迹卡尔曼滤波器（SRUKF）是EKF和UKF的优化版本，它们通过保持矩阵的正交性来减少数值不稳定性和提高滤波效果。在视线测量的相对导航问题中，SREKF和SRUKF的性能优于EKF和UKF，体现了它们在处理这类问题时的优势。 四种卡尔曼滤波器各有特点，适用场景不同。在实际应用中，选择哪种滤波器取决于系统的非线性程度、数据噪声特性以及对精度和计算效率的要求。对于仅视线测量的相对导航问题，UKF和SREKF/SRUKF提供了更好的性能，可以作为优先考虑的算法。