自适应序贯滤波的机器人融合定位方法研究

针对激光雷达在长直环境下鲁棒性低以及视觉相机受光照条件影响大的问题,提出一种利用序贯卡尔曼滤波将两种传感器采集到的信息进行融合的定位方法,将传感器作为独立的节点逐级传递以实现多层次滤波,解决了异步传感器更新延迟导致算法中断的问题,同时为算法添加自适应成分,避免了移动机器人长距离行驶过程中因缺少动态调节而产生发散的现象。仿真实验结果表明,以自适应序贯滤波的形式,融合定位结果显著降低了单一传感器测量带来的误差,有效提升了移动机器人在未知环境下的定位精度。

基于序贯滤波的三维多模型跟踪算法

在三维机动目标跟踪领域,单模型跟踪算法已经无法满足高机动目标的跟踪要求,而多模型算法因其能够处理多种不同场景和变化,能够更有效地应对目标机动运动的多样性和不确定性。三维高机动目标跟踪相较于二维机动目标跟踪,因其复杂的空间动态特性,需要更多的模型构成模型集来实现精确跟踪。这种情况导致经典的交互式多模型算法设计非常复杂,计算资源消耗过大。而传统的多模型算法,由于没有考虑模型之间的交互性,其跟踪性能不佳。针对以上问题,借鉴序贯滤波的思想,本文提出了一种新的多模型跟踪架构。这一架构将序贯滤波与多模型算法相结合,将上一时刻多模型的融合结果作为下一时刻每一个模型滤波的输入,这一过程极大地简化了交互式多模型算法中复杂的交互实现过程。同时,针对模型集组合问题,将三维运动解耦为几种二维运动模型和一维运动模型的组合集,形成新的三维空间机动目标跟踪模型集。通过对仿真模拟数据和实测数据的跟踪对比结果表明,相较于传统的多模型算法,本文提出的基于序贯滤波修正的多模型算法在跟踪精度上有显著的提升,且其跟踪精度与交互式多模型算法相当,但在运算时间上则远远优于交互式多模型算法,显著降低了运算资源的需求。

序贯滤波算法在火炮射击误差分析中的应用

从统计的角度,引入序贯滤波算法,在每次引入新的炸点数据值后,从多批次观测中逐步迭代提取误差信息,精确估计火炮射击误差分布的参数,进而进行火炮误差校正。首先,运用最小二乘原理和极大似然估计原理,给出营诸元误差、每门火炮诸元误差和散布误差方差参数估值公式,建立火炮射击误差模型。其次,利用序贯滤波算法迭代计算得出参数估值。最后,通过算例分析验证模型的可行性,结果表明序贯滤波算法对火炮射击误差参数估值精度的提高具有较好的效果。

SINS/LBL组合导航序贯滤波方法

在长基线水声定位系统(LBL)实际应用过程中,由于信标作用距离限制、障碍物遮挡等多种原因,使得水下无人航行器(UUV)可能无法接收到所有信标的应答信号而产生量测更新延迟问题。对UUV在无法接收到所有信标信号时的导航滤波算法进行了研究;结合捷联惯性导航系统(SINS)误差模型和声速误差,建立了SINS/LBL组合导航模型,并将异步量测序贯处理方法引入该模型,实现了SINS/LBL组合导航滤波算法的实时量测更新;通过湖上试验数据分析,对比了SINS/LBL组合导航序贯滤波方法与常规方法的位置误差。结果表明,该方法即使在应答信号有缺失的情况下,仍然能够利用有限的应答信号量测值进行实时量测更新,保障了组合导航的精度。

SINS/GPS组合导航序贯滤波算法

针对SINS/GPS的速度、位置组合方式中,GPS接收机的位置测量误差相关的问题,提出了一种序贯形式的Kalman滤波算法。这种算法既具有计算量小的优点,又能克服由于GPS位置测量误差相关性带来的滤波性能变差的问题,实现对SINS/GPS组合系统信息的有效融合。通过仿真证明了该算法的有效性。

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力。为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标。仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法。

一种改进的多传感器伪序贯滤波算法

传统的多传感器数据融合算法假定传感器之间的测量噪声是不相关的 ,但实际上测量噪声存在着一定的相关性 ,因而会引起滤波精度的损失 .针对该问题 ,文中研究了测量噪声相关情况下的同步多传感器跟踪系统的测量融合技术 .在测量噪声相关的条件下 ,根据线性无偏最小方差估计理论 ,提出了一种改进的同步多传感器伪序贯滤波算法 ,该算法不但适用于噪声不相关情况 ,而且也适用于噪声相关情况 .经仿真研究表明 ,该算法明显提高了航迹的融合精度 :在测量噪声相关时 ,融合精度比传统算法有明显提高 ;而测量噪声不相关时 ,性能与传统的数据融合算法相同 .

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。

基于序贯滤波的水平集图像分割

传统基于边缘的水平集分割模型对非均匀区域分割效果不理想,为了解决这一问题,本文分析了序贯滤波的平滑能力与滤波次数之间的关系,将序贯滤波与水平集分割相结合提出了基于序贯滤波的图像分割模型.为了实现自适应于图像内容的平滑,根据平滑分量分割区域的置信度,设计了图像分割的平滑指标,控制序贯滤波次数,使得不同平滑分量的轮廓曲线收敛于目标边界,改善了传统基于水平集方法对非均匀区域的分割效果.本文分割算法的F测度,精确率和召回率均高于传统模型,在一定程度上提高了非均匀区域的分割效果.

基于序贯滤波的机载雷达和ESM融合跟踪

针对系统误差下机载雷达和ESM融合跟踪的问题,提出了1种基于序贯滤波的异类传感器融合跟踪模型。首先通过最近邻判决准则对机载雷达和ESM的量测点迹进行数据关联,接着对关联上的量测点迹采用序贯滤波的方法进行融合跟踪,以求更好地实现对目标的跟踪识别。仿真结果表明,在系统误差存在的条件下,机载雷达和ESM具有较好地融合跟踪效果。

一种新的带序贯滤波的PN码跟踪环性能分析

该文提出了一种新的带序贯滤波的全数字PN码跟踪环,并通过建立环路跟踪过程的等效数学模型,分析了瑞利信道下环路的非线性跟踪性能,并对理论数值结果和仿真结果进行了比较分析。结果表明,该跟踪环在衰落信道下能获得满意的跟踪性能。

机动目标跟踪中的序贯滤波

多个测量站(多雷达或多传感器)工作时,在时间上是不同步的.在融合之前必须将这些观测数据进行同步.在某雷达单独观测时,采用通常的卡尔曼滤波方法;在多雷达重叠观测区,采用序贯滤波方法,不管是哪个传感器观测,按时间顺序,先到的量测点先进行滤波,这样就省去了时间同步这一步处理,又增强了航迹的连续性.计算机仿真证明了该方法的有效性.

序贯滤波在双站无源定位中的应用研究

自卫噪声干扰条件下,制导雷达失去距离信息,无法完成对目标的跟踪任务。双站无源交叉定位是对抗自卫噪声干扰的一种常用手段,但存在计算量大、信息传输延时大等问题。提出双站序贯滤波方法克服交叉定位存在的不足,证明了序贯滤波的可观测性,仿真结果验证了提出算法的正确性。

基于预测信息的量测转换序贯滤波目标跟踪

针对多普勒雷达目标跟踪问题,提出了基于预测值量测转换的序贯滤波目标跟踪算法。该算法采用基于预测信息的量测转换方式解决量测与目标运动状态的非线性,其中位置量测转换采用乘性去偏、伪量测转换采用加性去偏,量测转换误差的统计特性基于预测值进行推导,并采用序贯滤波方式处理伪量测以实现目标跟踪。同时将该算法扩展到机动目标跟踪情况,综合利用了位置量测与伪量测滤波部分输出的概率组合作为该模型的更新概率,利用模型更新概率对各滤波器的状态估计结果进行加权求和获得最终估计。仿真结果表明该算法与传统的序贯滤波跟踪算法相比,具有更高的跟踪精度,其扩展方法可实现有效的机动目标跟踪。

多传感器一步延迟OOSMs序贯融合滤波

该文提出了一种序贯式多传感器一步延迟无序量测的融合估计算法。针对现有系统中存在的延迟量测问题,在单传感器一步延迟无序量测最优更新A1算法的基础上,引入序贯递推的思想,在线性最小方差准则下,提出了一种序贯式的多传感器一步延迟无序量测最优融合算法,提高了多OOSMs融合估计的实时性。仿真验证了该文算法的有效性和最优性。

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing,CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter,SEKF)方法,以用于脉冲多普勒(Pulse Doppler,PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标时延和多普勒的估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果显示,基于CS辅助SEKF方法的跟踪精度明显高于传统的SEKF方法以及已有基于CS的跟踪方法,所以本文所提出的方法对机动目标有更好的跟踪性能。

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。

基于序贯卡尔曼滤波的OCT信号处理方法研究

使用光学电流互感器(Optical Current Transducer,OCT)测量小电流时,测量得到的内部噪声信号往往大于光电信号,测得的读数不能正确反映电流的真实值。有效滤除噪声,提高信噪比是OCT信号处理的关键所在。介绍了基于法拉第磁光效应的光学电流互感器的基本原理和信噪特性,在被测电流为交直流混合信号的情况下,建立合适的滤波状态空间模型,采用序贯卡尔曼滤波的方法在Lab VIEW上进行仿真。结果表明序贯卡尔曼滤波算法能够对测量电流实时进行信噪分离,同时准确分离出交流和直流分量,提高了输出信噪比和测量精度。

一类噪声相关系统的新型序贯融合滤波

提出了一种新的低维序贯式融合滤波算法,有效地解决了多传感器系统中观测噪声与过程噪声两步相关及观测噪声之间两步相关的问题.算法主要基于正交变换的思想,首先经过两次等价的改写观测方程,去除噪声之间的相关性,然后用序贯滤波的思想,依次处理到达融合中心的等价观测信息,从而得到一种新型序贯式融合滤波算法.同时还推导了上述噪声相关情况下的测量值扩维融合算法.通过仿真实验,并与测量值扩维融合算法对比,证明了算法的最优性.

基于序贯蒙特卡罗滤波的MIMO快时变信道跟踪

高数据传输速率以及终端的高速移动,导致无线通信信道具有时间选择性与频率选择性两个特征。本文主要研究了基于训练序列的多输入多输出(MIMO)时变频率选择性衰落信道的估计与跟踪问题。首先,根据时变无线信道的动态性,将信道冲击响应近似看作一个低阶的自回归矢量过程(AR),以便于进行时变信道的跟踪。接着在此模型的基础上,利用序贯蒙特卡罗滤波对MIMO通信系统中的双选择性信道进行了跟踪;跟踪过程中需要与信号检测交替进行,即在状态变量的预测和新息修正的中间要进行一次码元的检测,所采用的方法是极大似然序列检测,最后与扩展卡尔曼滤波作了比较。仿真结果表明,在信道噪声是非高斯的情形下,序贯蒙特卡罗滤波的跟踪性能更优越于扩展卡尔曼滤波。