中心差分Kalman滤波方法在X射线脉冲星导航中的应用

由于脉冲星脉冲到达时间的测量需要较长时间,基于传统的扩展Kalman滤波的X射线脉冲星定轨方法精度较低。为此,提出了将中心差分Kalman滤波应用于X射线脉冲星导航中,利用中心差分Kalman滤波替代扩展Kalman滤波,通过结合航天器轨道动力学模型和脉冲星观测信息进行定轨。仿真结果表明,中心差分Kalman滤波方法的定轨精度高于扩展Kalman滤波方法。

采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

基于中心差分粒子滤波的SLAM算法

针对移动机器人同时定位与地图创建(Simultaneous localization and mapping,SLAM)中的FastSLAM算法,存在非线性系统线性化处理和计算雅可比矩阵的缺点,本文提出了基于Sterling多项式插值处理非线性系统的SLAM方法.该方法基于Rao-Blackwellized粒了滤波框架,利用中心差分滤波方法产生改进的建议分布函数,提高了机器人位姿估计的精度;利用中心差分滤波初始化特征和更新地图中的特征,提高了地图创建的精度;针对实际应用中存在虚假特征的情况提出了一种有效的地图管理方法.在同等粒了数的情况下,该方法改进了SLAM结果的精度.基于仿真和实际数据的实验结果验证了该方法的有效性.

基于平方根中心差分卡尔曼滤波的大方位失准角初始对准

基于大方位失准角条件下捷联惯导系统误差模型的非线性特点,采用非线性滤波方法进行初始对准。扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,而中心差分卡尔曼滤波在递推过程中具有计算量大,数值不稳定等缺点。针对上述问题采用了一种改进的中心差分滤波算法——平方根中心差分卡尔曼滤波。仿真结果表明,与扩展卡尔曼滤波相比,平方根中心差分卡尔曼滤波对方位失准角的对准精度由24.5′提高到5.83′,并且避免了计算雅可比矩阵带来的不便;与中心差分滤波相比,平方根中心差分卡尔曼滤波在保证滤波精度的同时,降低了滤波的计算量,提高了滤波的数值稳定性。

二阶中心差分粒子滤波算法

为了改善非线性系统状态估计问题中粒子滤波算法的估计精度,提出采用二阶中心差分滤波方法来产生建议分布函数的新算法.新算法对非线性系统方程作中心差分的二阶Stirling插值公式进行展开,不需要计算雅克比矩阵,易于实现,并且采用Cholesky分解技术保证了协方差的正定性,在一定程度上减小了局部线性化近似的截断误差,并且在系统状态转移概率的基础上融合了最新的量测数据,提高了建议分布对系统状态后验概率的逼近程度.仿真实验表明,与无迹粒子滤波算法相比,新算法的计算量更小,估计精度提高了20%以上.

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波(CDKF)跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波(ICDKF)方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波(EKF)、中心差分卡尔曼滤波(CDKF)的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波(ICDKF)算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。

基于中心微分Kalman滤波的重力/惯性组合导航

中心微分Kalman滤波由于其算法特点,可以避免强迫线性化带来的结果不稳定,并能降低计算量和分析量的难度。在重力/惯性组合导航匹配算法中引用中心微分Kalman滤波,并与扩展Kalman滤波比较,结果表明,中心微分Kalman滤波避免了雅可比矩阵的计算,并且可以获得更小的线性化误差。

基于迭代中心差分卡尔曼滤波的说话人跟踪方法

利用状态空间方法对说话人进行语音跟踪时,观测方程的非线性会影响说话人位置的估计精度。该文将迭代滤波理论与中心差分卡尔曼滤波技术相结合,提出迭代的中心差分卡尔曼滤波方法,并应用于说话人跟踪系统。仿真实验结果表明,该文所提出的方法减少了系统线性化误差,增强了滤波算法的鲁棒性,提高了说话人跟踪精度。

基于中心差分卡尔曼滤波的SINS初始对准研究

研究了在大失准角条件下,捷联惯导系统初始对准非线性误差模型,分析了扩展卡尔曼滤波算法因对非线性模型线性化而存在的缺点,研究了中心差分卡尔曼滤波算法,提出将中心差分卡尔曼滤波算法应用于捷联惯导系统大失准角初始对准中。仿真结果表明,在水平失准角为小角度、方位失准角为大角度时,中心差分卡尔曼滤波算法同扩展卡尔曼滤波算法相比,提高了初始对准的估计精度和收敛速度。

基于改进的平方根中心差分卡尔曼滤波的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,推导出了一种带次优渐消因子的平方根中心差分卡尔曼滤波算法。在正交原理的约束下,通过引入自适应次优渐消因子实时调整增益矩阵,保证不同时刻残差序列相互正交,提高了滤波器对状态变化的反应速度和对有偏估计的自适应修正能力。同时,使用误差协方差的平方根替代协方差参与滤波,保证滤波算法的数值稳定性。仿真结果表明,新算法稳定性更好、收敛速度更快、定位精度更高。

基于中心差分扩展卡尔曼滤波的电源频率估计

针对扩展卡尔曼滤波算法(EKF)和无迹卡尔曼滤波算法(UKF)在处理飞机供电系统的交流电压频率估计方面所表现出的估计精度和实时性问题,提出了一种采用中心差分计算EKF中非线性函数一阶导数的基于中心差分扩展卡尔曼滤波(CDEKF)算法。理论分析和仿真表明:CDEKF虽然计算时间比EKF稍有增加,但比UKF的计算时间少,而计算精度比EKF有显著提高,与UKF的计算精度相当。

基于中心差分卡尔曼滤波器的快速SLAM算法

针对密集路标环境下机器人同时定位与地图创建(SLAM)速度缓慢以及一致性不够收敛,提出了一种使用Stirling多项式插值方法对非线性过程进行近似的卡尔曼滤波器,同时利用路标测量统计信息对SLAM过程中的状态向量和状态协方差进行动态调整的SLAM方法.此方法对预测方程和测量方程使用Stirling多项式插值方法可以近似到二级甚至是更高级的泰勒展开.使用路标统计信息动态计算各个路标对于当前时刻状态向量的权重,利用此权重进行状态向量和状态向量协方差动态调整.实验表明无论是在稀疏路标环境下还是在密集路标环境下此方法在内存占用、SLAM速度以及对机器人定位的一致性上都优于FASTSLAM.

采用强跟踪中心差分滤波器的汽车状态和参数估计

采用3自由度非线性汽车动力学模型作为汽车状态和时变参数估计的标称模型,利用强跟踪中心差分卡尔曼滤波器(CDKF)对汽车的纵向速度、质心侧偏角和横摆角速度等信息,以及标称模型的前、后轴等效时变侧偏刚度进行了估计。为验证强跟踪CDKF算法的估计性能,采用模型在环和硬件在环的方式进行多种工况的仿真验证。结果表明,该算法具有可行性和准确性。

基于中心差分的风险敏感滤波算法及其应用

针对航天器定姿系统存在较大初始误差下使系统不稳定,甚至滤波发散的问题,提出基于中心差分的风险敏感滤波算法。该方法结合风险敏感滤波和中心差分滤波各自的优点,将风险敏感估计算子引入中心差分滤波器中,消除初始误差大而导致的滤波收敛速度慢,甚至发散现象,提高滤波器的鲁棒性。将该算法与EKF、UKF及CDKF算法进行比较,仿真结果表明新算法在大初始化误差条件下有较好的滤波效果。

基于形态滤波器和中心极值差分的直流电机间接测速

提出了一种基于数学形态学和中心极值差分的直流电机间接测速新方法。首先,在介绍数学形态学理论的基础上,构建了多元素结构并行复合形态滤波器;其次,根据直流电机电流的特点,提出了基于中心极值差分(CED,central extreme difference)的电流频率求取方法;最后根据电机电流频率和转速间的关系,获取了电机的转速特性。较之小波阈值消噪,通过形态学滤波获取的电流曲线较光滑,滤波效果更好;与基于小波脊线的测速方法相比,所提方法不仅获取的转速曲线波动程度较小,而且计算速度也有大幅度的提高。

Kalman滤波在GPS/BDS组合伪距差分定位中的应用

随着各国卫星导航系统的蓬勃发展,单一的GPS系统时代正逐步转变为多系统并存且兼容的全球性卫星导航系统(GNSS)时代。相比于单一卫星导航系统,多系统组合将显著增加可视卫星数目、改善卫星空间几何结构,多系统组合导航定位将是必然的发展趋势。滤波算法是减小GNSS定位随机误差的重要方法,利用非线性滤波方法可消除多种随机误差,从而提高导航定位精度。该文实现了基于Kalman滤波的GPS/BDS组合的伪距差分定位,并将其与最小二乘方法进行比较。实验结果表明:基于Kalman滤波的GPS/BDS伪距差分的定位精度能达到分米级,在差分定位解算过程中,多卫星系统伪距差分精度明显优于单卫星系统伪距差分精度,Kalman滤波解算的精度明显优于最小二乘解算的精度。

基于中心差分卡尔曼滤波的航天器视觉相对导航算法研究

在航天器视觉相对导航过程中,量测方程的非线性特性会影响航天器相对位姿的估计精度。分析了扩展卡尔曼滤波方法(EKF)将非线性模型线性化时存在的缺点,研究了中心差分卡尔曼滤波方法(CDKF),提出用中心差分卡尔曼滤波方法来解决视觉导航中两航天器的相对位姿估计问题,并给出了EKF与CDKF的仿真结果。仿真结果表明在相同条件下,CD-KF算法比EKF具有更高的精度和稳定性,该方法能够在航天器视觉相对导航中应用。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

基于高斯过程的中心差分卡尔曼滤波在BDS/INS组合导航中的应用

针对扩展卡尔曼滤波器在BDS/INS组合导航系统模型不确定时精度下降的问题,提出了一种基于高斯过程的中心差分卡尔曼滤波算法(GP-CDKF)。在训练数据有限的情况下,用中心差分卡尔曼滤波(CDKF)来估计组合导航系统的状态向量;同时高斯过程可以考虑CDKF中的噪声和不确定性。因此,将高斯过程引入到CDKF中,可以进一步提升导航性能。试验结果表明,GP-CDKF与CDKF算法相比,东向、北向位置误差分别降低16.4%、57.1%,东向、北向速度误差分别降低15.9%、23.3%,说明GP-CDKF算法在动态系统状态估计方面优于CDKF算法。将GP-CDKF应用于BDS/INS组合导航系统中,可以有效提高导航性能。

基于中心差分扩展卡尔曼滤波算法的三相感应电机转速和转矩的估计

针对三相感应电机在转速和转矩测试过程中,存在采集数据易受外界干扰而导致转速和转矩等估计值出现较大偏差的问题,提出采用中心差心扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的估计.首先,以三相感应电机的定子和转子电流作为状态变量,推导出了三相感应电机在α-β坐标系下的状态方程和输出方程.然后,采用中心差分扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的解算.仿真结果表明,与扩展卡尔曼滤波算法相比,中心差分扩展卡尔曼滤波算法对电机运行状态的变化具有更好的跟随性能及更快的收敛速度,能够准确的估计三相感应电机的转速和转矩.