1. 高动态飞行器导航问题导入

高动态飞行器通常指在短时间内经历大过载、高角速率、强振动与快速姿态变化的飞行平台，例如临近空间高超声速滑翔体、机动再入弹头、垂直起降可重复使用运载器的一子级返回段，以及部分高机动无人机。这类对象的共同特征是：位置、速度、姿态在秒级甚至亚秒级尺度上发生显著变化，同时伴随气动加热、结构弹性振动、发动机推力突变等强扰动。导航系统必须在这样的条件下持续给出可用的位置、速度与姿态基准，否则制导律与控制系统将失去可靠的反馈输入。

从工程视角看，“高动态”并不是一个模糊的形容词，而是一组可量化的边界条件。以典型临近空间滑翔飞行器为例，其再入段可能同时出现：过载峰值 8～15 g，滚转/偏航角速率峰值 30～80 °/s，攻角变化率超过 10 °/s，振动频带覆盖 20～2000 Hz，GNSS 信号在等离子鞘套与强机动下频繁失锁，且外部电磁环境存在压制干扰。这些条件直接决定了导航系统的误差传播速度、滤波器线性化假设的有效性，以及鲁棒估计策略的必要性。

导航系统组成与信号链

高动态飞行器的导航系统一般由惯性测量单元（IMU）、卫星导航接收机（GNSS）、气压高度计、星敏感器或地磁传感器等组成，并通过组合导航滤波器完成信息融合。IMU 提供高频的角速度与比力测量，是姿态与速度递推的核心；GNSS 提供低频但长期稳定的位置与速度观测；气压高度计在 GNSS 失效时提供高度辅助；星敏感器在姿态可观测条件下提供高精度姿态修正。各传感器的采样率、噪声特性、失效模式与观测维度差异很大，滤波器需要处理不同速率、不同延迟、不同置信度的观测。

上图给出了从传感器到制导控制系统的完整信号链，以及滤波器在其中的位置。可以看到，滤波与鲁棒估计的任务边界并不只是“把传感器数据融合起来”，而是要在传感器退化、观测异常、模型失配的条件下，仍然输出满足制导控制要求的导航状态与置信度信息。

滤波与鲁棒估计的任务边界

在常规飞行条件下，扩展卡尔曼滤波（EKF）或误差状态卡尔曼滤波通常可以满足精度要求。但在高动态场景中，以下问题会同时出现：第一，IMU 在大过载下出现标度因数非线性与零偏漂移，误差模型不再是小量线性模型；第二，GNSS 观测在强机动与等离子鞘套下出现多路径、周跳甚至完全失锁，量测噪声不再服从零均值高斯分布；第三，飞行器动力学模型中的气动参数存在不确定性，状态方程本身存在建模误差；第四，滤波器在长时间递推后协方差可能过度收敛，导致对新观测不敏感。

因此，滤波与鲁棒估计的任务边界可以归纳为三条：其一，在标称条件下提供高精度、低延迟的导航状态估计；其二，在观测异常或传感器故障时，通过鲁棒权重、自适应因子或故障检测与隔离机制，抑制异常观测对状态估计的污染；其三，在模型失配或协方差异常时，通过协方差约束、状态重置或自适应调整，维持滤波器的稳定性和可信度。这三条边界共同决定了后续章节中滤波器设计、鲁棒策略选择与验证方法的基本框架。

为了便于后续章节对照，这里给出一个典型高动态飞行器导航系统的示例参数配置，仅作为教学假设，不代表任何实际型号：

从这张表可以看出，不同传感器的采样率相差两个数量级，噪声水平与失效模式也完全不同。滤波器必须处理这种多速率、多模态、非高斯的信息融合问题。例如，当 GNSS 在 5 Hz 更新时，IMU 已经完成了 80 次递推，若在这 80 次递推中飞行器经历了 10 g 的过载变化，状态预测的误差会迅速累积。此时若 GNSS 观测被异常值污染，而滤波器没有鲁棒机制，状态估计可能被直接拉偏，进而影响制导精度。