多运动平台系统正在军事和民用领域获得广泛应用。由于导航能力是运动平台的一项基本能力,并且多运动平台协同导航具有各平台独自导航所不具有的多种优势,所以协同导航正逐步成为一个热门研究课题。由于传感器数据分布在不同的平台上,以各个平台为处理节点、不依赖单一中心节点的分散式数据结构是协同导航算法的自然选择。与依赖单一中心节点的集中式或者分层式数据融合结构相比,分散式数据融合结构可以增强系统的生存能力,这对于军事应用意义尤其重大。由于分散式算法对平台间的通信要求较高,早期的分散式协同导航算法往往以牺牲精度为代价来降低通信量。随着移动通信技术的发展,设计尽量不损失精度的分散式协同导航算法具有重要的理论价值和现实意义。本文从两个层面对多运动平台协同导航的分散式算法展开研究。首先研究集中计算环境中的协同导航算法,这些算法要具有局部计算特征,以便能够在分布式计算环境中实现。然后在多运动平台这种分布式计算环境中设计分散式算法,并分析算法的性能。分散式算法设计的基本思想是利用算法的局部计算特征,通过建立平台的通信策略,将计算任务分配到各个平台上。在集中式算法研究层面,论文建立了协同导航问题的状态空间模型和概率图模型,其中概率图模型包括马尔可夫随机场和动态贝叶斯网络。基于状态空间模型,辅以马尔可夫随机场,设计了增广信息滤波算法。基于动态贝叶斯网络模型,提出了矩参数高斯贝叶斯网络的懒惰推理算法和递增动态联合树算法,两者相结合可以求解高斯动态贝叶斯网络。增广信息滤波算法和高斯动态贝叶斯网络推理算法对于线性动态系统可以实现最小方差估计,求解非线性系统时仅存在线性化引起的误差。1.设计增广信息滤波算法求解协同导航问题。推导了协同导航的增广信息滤波公式,引入马尔可夫随机场辅助算法设计与表达,分析了算法的局部计算特征,建立了基于信息矩阵Cholesky分解的状态恢复问题的数学表达。2.提出了矩参数高斯贝叶斯网络的懒惰推理算法。与传统联合树算法不同,懒惰算法保持势函数和消息的分解形式,从而避开了复杂的条件分布组合运算。矩参数联合树算法比信息参数联合树算法具有更广的适用范围和更好的数值稳定性。新算法的设计为高斯贝叶斯网络的推理提供了直接、完备的解决方案。3.提出了一种新的递增动态联合树算法。动态贝叶斯网络,无论是离散的、连续的或者混合的,都可以拆分为一系列链图。通过在相邻链图的联合树之间传递消息,可以实现动态贝叶斯网络的递增推理。引入推入(Push)操作对联合树结构进行重调,提高了链图上联合树构建的自由度。现有的前向界面推理算法可以看作是新算法在一定约束条件下的应用。新算法为动态贝叶斯网络的推理提供了更为丰富的解决方案。在分散式算法设计与分析层面,论文设计了两种分散式算法:分散式增广信息滤波算法和分散式联合树算法。两种分散式算法与相应的集中式算法具有一致的估计精度。全面分析、比较了两种新算法和一种已有的代表算法的性能。4.提出了协同导航分散式增广信息滤波算法。每个平台利用本地的传感器数据进行局部数据融合,得到联合状态信息参数的部分数据。平台间协作进行信息矩阵的分布式递增Cholesky修正,进一步得到平台状态的矩参数估计。这种算法采用链式通信结构,单一时刻的主体通信仅涉及两个平台。5.提出了协同导航分散式联合树算法框架。建立联合树簇结点到平台的映射,提出连接树用来描述平台间的通信需求。每个平台利用本地的传感器数据初始化分配到本地的簇结点,平台系统依据联合树和连接树通过消息传递共同执行联合树算法。平台通信的拓扑结构是树,通信管理基于联合树算法的消息传递策略。6.针对分散式算法的特点,提出了一套分散式算法的性能指标:估计精度、计算复杂度、通信复杂度以及工作负载均衡性,便于对不同的分散式算法进行综合评价。全面分析、比较了所提出的两种新算法与传统的分散式卡尔曼滤波算法。与分散式卡尔曼滤波算法相比,两种新算法大大降低了平台间计算同步的要求,具有较强的工程实用性。与分散式增广信息滤波算法相比,分散式联合树算法可以提供更多的分布式计算结构,具有多种工作负载分配特征,从而能够满足多样应用需求。