基于ULCA融合模型的旋转弹姿态估计算法研究

摘要

针对低成本微惯性测量单元在旋转弹姿态估计中存在的精度不高、噪声敏感及环境适应性差等关键问题，提出了一种基于无迹卡尔曼滤波(UKF)与长短期记忆网络、卷积神经网络(CNN)及注意力机制的UKF-LSTM-CNN-Attention融合模型(ULCA)。该模型通过多模态信息融合，显著提升了旋转弹在复杂环境下的姿态估计精度和鲁棒性。在方法设计上，首先，利用UKF处理系统的非线性状态方程，保证基础估计精度。然后，引入长短期记忆网络捕捉姿态变化的时序动态特征，结合卷积神经网络提取传感器数据的空间局部特征。最后，通过注意力机制自适应地加权关键信息，有效抑制噪声干扰。为全面验证算法性能，设计了系统的仿真实验，在不同工况下，对比分析了ULCA模型与传统UKF以及扩展卡尔曼滤波的性能差异。结果表明：ULCA模型在滚转角、俯仰角和偏航角估计中较传统算法平均降低了59.89%的误差率，且在强噪声环境下表现出更强的鲁棒性。理论分析和实验验证表明，ULCA融合模型有效解决了传统滤波算法在复杂环境下的建模偏差问题，在提高姿态估计的精度和适应性方面取得了显著进展。

关键词

旋转弹丸 / 姿态角估计 / 无迹卡尔曼滤波 / 长短期记忆网络 / 融合模型

基金资助

国家自然科学基金(61903241)