非线性时间一致性的相关滤波目标跟踪

针对现有目标跟踪算法主要采用线性约束机制LADCF(Learning Adaptive Discriminative Correlation Filters)跟踪模型容易漂移的问题,提出非线性时间一致性的相关滤波目标跟踪算法。首先,结合史蒂文斯定律,提出贴近人类视觉感知特性的非线性时间一致项,使模型相对平滑地跟踪目标,从而保证跟踪连续性,避免跟踪模型漂移;其次,采用交替方向乘子法(ADMM)求解最优函数值,保证算法的跟踪实时性;最后,利用史蒂文斯定律非线性更新滤波器,使滤波器更新因子可以根据目标的变化增强和抑制滤波器,以适应目标变化,防止滤波器退化。在4个标准数据集上与主流相关滤波和深度学习算法对比实验,相较于基线算法LADCF,所提算法的跟踪精确度和成功率在OTB100数据集上分别提升了2.4和3.8个百分点;在UAV123上分别提升了1.5和2.5个百分点。实验结果表明,所提算法能有效避免跟踪模型漂移,降低滤波器退化概率,跟踪精确度和成功率较高,面对遮挡、光照变化等复杂场景时具有较强的鲁棒性。

有限时间一致无迹Kalman滤波器

本文研究多个传感器测量非线性系统时的分布式无迹Kalman滤波器(Unscented Kalman filter,UKF)的设计问题.借助离散多智能体系统有限时间平均一致算法的思想,针对无向通信和有向通信网络分别设计了两种不同的滤波算法.对于无向连通的通信拓扑,利用节点存储的一致性算法的迭代值构造差向量,由该差向量构成的Hankel矩阵的核来得到分布式无迹Kalman滤波器,并通过利用误差协方差矩阵的逆来构造Lyapunov函数,基于随机稳定性引理证明了该有限时间一致无迹Kalman滤波器的稳定性.对于有向强连通的通信拓扑,结合比率一致和Hankal矩阵的核来设计分布式无迹Kalman滤波器,该滤波器的稳定性与无向通信拓扑的滤波器相同.最后,通过仿真例子来验证所提滤波器的跟踪效果.

基于信息矩阵加权一致策略的分布式Kalman滤波器

本文提出采用信息矩阵加权的方法改进基于一致性策略的分布式Kalman滤波算法,提高其在传感器网络估计融合应用中的性能.此方法中,节点根据其自身及其邻居节点估计的不确定信息融合估计值.在此基础上,文中还讨论了通过优化一致加权系数进一步提高算法性能的方法.仿真实验表明,本文所提算法不仅改进了节点状态估计的精确度,而且显著提高了各个节点状态估计的一致性.

基于最大一致容积Kalman滤波器的多机器人协同定位

机器人位置信息是多机器人系统执行任务的前提,单个机器人因传感器载荷和作用范围的限制,难以完成复杂环境中的定位任务,多个机器人通过协作可实现大范围下的位置确定。将配置多个传感器的同构机器人群替换为配置单个或少量传感器的异构机器人可降低硬件成本,并且通过设计协同算法,不会降低定位精度。提出了一种将容积Kalman滤波器与最大一致思想融合后的新型滤波算法,并将该算法应用于麦克纳姆轮机器人系统。通过仿真和实物验证了最大一致容积Kalman滤波器的协同定位效果。

一种抗野值的Kalman滤波器

在目标跟踪系统中,由于杂波的存在,往往使跟踪检测数据中含有大量、成片的野值,造成系统跟踪精度下降。本文通过对检测数据中新息特性的分析,给出了检测数据中野值的判定方法,通过重新构造状态估计来消除野值的影响。仿真结果证明了该方法可有效的剔除野值,提高跟踪系统的跟踪精度。

H_∞鲁棒滤波器与Kalman滤波器的对比

通常Kalman滤波技术应用得比较广泛 ,然而在系统模型和噪声统计特性存在不确定性的条件下 ,Kalman滤波的应用就受到了一些限制。H∞ 滤波可有效地解决Kalman滤波所遇到的问题 ,不仅估计精度高 ,而且还具有鲁棒性。简要介绍了H∞ 滤波技术和Kalman滤波技术 ,设计了H∞ 鲁棒滤波器和Kalman滤波器 ,并分 3方面对二者的性能进行了比较分析。

基于扩展Kalman滤波器的PMSM高性能控制系统

扩展Kalman滤波器考虑了系统噪声和测量噪声的影响,是一种基于最优控制理论的非线性估计方法。本文提出一种新型的用于永磁同步电机(PMSM)的基于扩展Kalman滤波器(EKF)的状态观测器,可以把有限精度的光电码盘信号的量化误差考虑为测量噪声,从而可以精确观测转子位置和转子转速。电机不需要知道转子初始位置就可以起动。该状态观测器还可以观测负载转矩,利用观测的负载转矩形成对给定转矩的前馈补偿,可以大大改善负载转矩波动过程中的转速控制性能。在轻负载时永磁同步电机定子电流较小,因此电流测量过程中的噪声和干扰对系统性能的影响就非常明显。Kalman滤波器可以有效消除电流测量值中的干扰和测量噪声,提高系统在轻载时的性能。仿真和实验结果验证了该系统的性能。

应用Kalman滤波器提高机抖激光陀螺姿态测量系统瞬时精度的方法

机械抖动激光陀螺输出的原始数据不仅包含了外界的惯性输入的角速率信息,还包含了抖动信号的角速率信息,通常使用线性相位FIR滤波器去除机械抖动信号,信号经滤波后其所有频率成分都将产生一定时间的延迟,这将对由机抖陀螺组成的高精度实时姿态测量系统造成影响。本文提出了一种基于姿态角运动跟踪预测模型和Kalm an预测的姿态测量滤波延迟补偿方法。实验结果表明,本方法能有效估计并预测运动载体的姿态运动,补偿由于FIR滤波器时间延迟带来的不利影响,提高姿态测量系统的实时性和瞬时精度。

Kalman滤波器在长输管道泄漏诊断中的应用

本文采用带时变噪声估计器的推广Kalman滤波方法,对长输管道的状态进行估计,并在此基础上,采用一定的诊断机制,实现对长输管道的泄漏诊断。实验结果表明,这种方法是有效的。

基于Kalman滤波器的非视距误差抑制算法

针对蜂窝网定位中影响定位精度的非视距传播误差问题,提出一种基于Kalman滤波器的非视距(NLOS)误差抑制算法,将到达时间(TOA)测量值及非视距误差作为Kalman滤波器的状态变量,根据TOA测量值的结构特点和NLOS误差的统计特性,确定Kalman滤波器过程方程的状态转移矩阵。以NLOS误差服从指数分布的情况为例进行仿真,结果表明,该算法在精度估计和算法计算量方面具有明显优势。

基于Gauss-Hermite逼近的非线性加权观测融合无迹Kalman滤波器

对非线性多传感器系统,基于Gauss-Hermite逼近方法和加权最小二乘法,提出了一种具有普适性的非线性加权观测融合算法.该算法可将一个高维观测压缩为一个低维观测.在此基础上,结合无迹Kalman滤波器(Unscented Kalman filter, UKF),提出了非线性加权观测融合无迹Kalman滤波器(WMF (Weighted measurement fusion)-UKF).与集中式融合UKF (CMF (Centralized measurement fusion)-UKF)相比,该算法计算负担小且具有逼近的估计精度.特别是在传感器数量较大时,该算法在计算量上的优势更加明显.仿真例子验证了算法的有效性.

多传感器时滞系统信息融合最优Kalman滤波器

基于线性最小方差最优加权融合估计算法,对多传感器的离散线性状态时滞随机系统.给出了一种非增广分布式加权融合最优Kalman柚滤波器.推导了状态时滞系统任两个传感器子系统之间的滤波误差互协方差阵的计算公式.它与状态增广加权融合滤波器具有相同的精度.与每个传感器的局部滤波器相比,分布式融合滤波器具有更高的精度.与状态和观测增广最优滤波器相比,具有较小的精度,但避免了增广所带来的高维计算和大的空间存储。可减小计算负担.仿真例子验证了其有效性.

基于扩展Kalman滤波器测量氮爆式液压锤的性能

考虑到在缸体内运动的活塞,难以用传感器直接测量其运动状态:速度、加速度以及摩擦力、未知阻力。根据系统理论的方法,以活塞的位置、速度、加速度作为状态矢量,在采样间隔内,将活塞运动视为匀加速度运动,建立具有未知输入的活塞运动状态方程。将未知阻力视为有色噪声,并作为系统未知输入,设计扩展状态的Kalman滤波结构。依据气体的变化规律,得到活塞在采样各时刻的位置坐标。以最小方均误差作为测量准则,研究有色噪声输入线性系统的Kalman递推状态估计算法。算法自适应跟踪未知输入的变化,估算活塞冲程、回程的速度和未知的阻力,从而测量氮爆式液压冲击锤的冲击能量。测量结果表明,该方法具有较高的测量精度,与理论设计基本一致。

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman滤波器池结构 ,设计了使用遗传算法的自适应Kalman滤波器 ,给出了离线和在线两种实现方案 .离线方案以辨识滤波参数为主要目的 ,进而可以对状态进行较准确的事后估计 ;在线方案以实时地对状态进行估计为目的 .对滤波参数寻优使用具有良好性能的浮点数编码遗传算法 ,该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强 .

一种基于Kalman滤波器的自适应背景建模改进算法

基于传统Kalman滤波器理论的背景建模方法,不能很好地解决目标缓慢运动导致背景模型出现拖影的问题。针对该问题,提出了一种结合Kalman滤波器理论与动态区域重构的自适应背景建模改进算法,介绍了Kalman滤波器理论主要思想和改进算法的方法流程与效果。与传统的Kalman背景建模相比,该方法在增加少量计算复杂度的前提下,较好地解决了目标缓慢运动导致背景模型出现拖影的问题,同时也能较好地消除背景噪声。通过对图像序列的仿真实验证明:该方法具有很好的实用性与鲁棒性。

基于磁/惯性传感器旋转弹体定姿的Kalman滤波器设计

微惯性传感器精度较低,其漂移会引起很大的姿态误差,不能提供长时间稳定姿态;磁传感器组合的姿态角误差不随时间累积但姿态角更新速度慢。针对这一问题提出了利用磁/惯性传感器构建低成本姿态探测系统的方案,设计了Kalman滤波器融合二者信息——以磁传感器解算的姿态角和等效旋转矢量法解算的姿态角之差作为观测量,以惯性传感器的漂移和姿态误差角作为状态变量,整个解算过程无需使用地磁场强度。仿真结果表明了该算法的有效性,二者组合定姿可实现高精度的姿态测量。

MEMS-IMU/GPS组合导航中的多模态Kalman滤波器设计

一般的Kalman滤波器要求有准确的动态和统计模型,而低成本的MEMS-IMU性能随着温度急剧变化,故在MEMS-IMU/GPS组合导航系统中使用一般的Kalman滤波器存在很多的局限性。针对低成本的MEMS-IMU/GPS组合导航系统,提出了多模态自适应滤波算法在MEMS-IMU/GPS组合导航系统中的应用;针对普通的多模态算法中的问题,采用修正的多模态自适应滤波算法来提高MEMS-IMU/GPS组合导航系统的性能。使用静态实时测试数据,验证了所提出的算法。测试结果表明,与普通Kalman滤波器相比,修正的多模态滤波算法提高了MEMS-IMU/GPS组合导航系统的性能;采用所提出的算法,MEMS-IMU/GPS组合导航系统的短时间静态位置精度小于5m(标准差),速度精度小于0.1m/s(标准差),姿态角精度小于0.5°(标准差)。

两传感器最优信息融合Kalman滤波器及其在跟踪系统中的应用

针对两传感器信息融合 ,提出了一种在标量加权下的最优信息融合 Kalm an滤波器。该信息融合滤波器考虑了局部滤波误差的相关性 ,避免了局部滤波误差方差阵的逆矩阵的计算 ,也避免了加权矩阵的计算 ,只要求计算加权系数 ,便于实时应用。一个跟踪系统的仿真例子验证了其有效性。

扩展区间Kalman滤波器及其在GPS/INS组合导航中的应用

针对具有不确定动态模型参数的GPS/INS组合导航系统,首先介绍一种新型的区间Kalman滤波器,讨论了GPS/INS组合系统中模型参数不确定性的问题,分析了惯性传感器建模中相关时间常数的区间特性,并建立了适合非线性特性的GPS/INS组合系统的扩展区间卡尔曼滤波器。计算结果表明,扩展区间卡尔曼滤波器对非线性GPS/INS组合系统是很有效的,它能给出组合系统导航误差的上下界,这对组合系统的设计具有指导的意义。

基于SIFT算子和Kalman滤波器的航拍图像电子稳像算法

针对航拍图像载台随机运动严重,图像分辨率低、目标特征少的特点以及航拍图像电子稳像技术快速、准确的要求,提出基于SIFT算子和Kalman滤波器的航拍图像电子稳像算法。该算法的特点是:由于利用SIFT作为估计图像间运动矢量特征,因此运算速度快;对Kalman滤波状态方程改进,可准确估计有意运动参数;将图像镶嵌技术用于稳定后图像"无定义区"的重建,从而形成快速准确的航拍电子稳像图像。航拍图像实验表明,该算法运算准确性高、稳定性好、速度快。