朱云峰，孙永荣，赵伟，黄斌，吴玲

南京航空航天大学 自动化学院，南京 210016

近年来，随着无人机应用领域的不断拓展，其对态势感知的要求也越来越高，尤其是对于未知环境的探索能力，是急需攻克的重点问题。相对导航作为其中的核心技术之一[1]，在未来的智能物流、集群作战[2]、搜索救援和编队飞行[3]等多种场合都至关重要。因此，实时、高精度、高可靠性的相对状态估计算法逐渐成为研究的热点内容[4]。

非合作目标的相对导航主要是指在没有通信条件，或者目标上没有配置主动传感器的情况下的相对定位问题[5]。合适的传感器选择是非常关键的。目前，对于中远距离的相对导航，根据传感器的测量原理可以分为多种，包括视觉传感器、雷达、IRST(Infrared Search and Track)和ESM(Electronic Support Measures)等以波达角度(Angle of Arrival，AOA)或距离为量测的传感器[6]，或者以波达时间(Time of Arrival，TOA)[7]、波达频率(Frequency of Arrival，FOA)[8]、波达时间差(Time Difference of Arrival，TDOA)[9]等为量测值的无线电设备。本文以视线仰角、视线方位角和无人机与目标之间的直线距离作为传感器输出来估计相对状态。

对于非线性系统的状态估计算法，目前扩展卡尔曼滤波(EKF)算法是使用最广的，但由于其经过泰勒展开后取一阶线性近似[10-11]，忽略了高阶项的非线性特性，在一些强非线性的情况下导致滤波精度严重下降，并且收敛速度缓慢[12]。为了进一步改善算法的性能，迭代扩展卡尔曼滤波(IEKF)算法发展起来，并开始得到应用。但该算法通过多次使用量测值实现，当迭代初值或者协方差误差较大时，容易找不到极值点，明显降低了滤波器的精度[13]。……