基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法(IMMPF)的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法(FIMMPF)。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。

交互式多模型卡尔曼滤波的车辆悬架系统状态估计

针对车辆悬架状态无法准确估计的问题,设计了自适应交互式多模型卡尔曼滤波(IMMKF)状态观测器.首先,建立了标准路面激励模型与四分之一线性化悬架模型;然后,利用递归最小二乘方法与IMMKF理论,设计了不同工况下广义悬架模型自适应IMMKF状态观测器;最后,分析了在标准C级路面激励工况下簧载质量变化对悬架系统状态估计的影响.仿真与台架试验结果表明,在簧载质量变化工况下,所设计的自适应IMMKF状态观测器与传统卡尔曼滤波状态观测器相比其估计精度至少可以提高20%.

多速率交互式多模型粒子滤波研究

由于粒子滤波的算法原理,其计算量很大。研究了针对机动目标的交互式多模型粒子滤波器(IMMPF)算法和多速率交互式多模型(MRIMM)算法,提出了多速率交互式多模型粒子滤波器(MRIMMPF)算法。该算法是在交互式多模型粒子滤波器(IMMPF)的基础上引入多速率技术,期望在保持IMMPF的性能同时能够减少因为粒子滤波带来的计算量;最后通过和一般基于EKF的IMM算法、IMMPF算法的比较,验证了该算法的有效性。

基于交互式多模型滤波算法机车车速估计

提出了基于交互式多模型滤波算法估计机车运行速度。轮速作为唯一已知的数据作为整个估计系统的输入。由于机车实际运行轨面未知,考虑了三种轨面情况模拟机车轨面运行情况,分别是干燥轨面、潮湿轨面及冰雪轨面。对马尔可夫矩阵进行自适应修正,设计了改进交互式多模型的滤波模型。根据仿真结果表明,不需要额外的轨面识别就能快速精确地估计出机车运行速度。

基于交互式多模型卡尔曼滤波的主动悬架控制

针对固定状态观测器难以保证路面自适应悬架状态观测精度的问题,本文中在交互式多模型卡尔曼滤波(IMMKF)的基础上,建立了悬架状态观测器与控制器。首先基于LQG算法与模糊控制算法建立了路面自适应主动悬架系统。结合谐波叠加法,生成A-B-D-C级空间域路面不平度模型,作为仿真系统的输入。其次以各级路面的最优LQG模型为子模型建立了3种IMMKF悬架状态观测器与控制器。仿真对比表明:14模型的IMMKF悬架状态观测器相对于普通卡尔曼滤波观测器的观测精度最大可提升98.17%,并可用于识别路面等级,并且基于14模型IMMKF的自适应主动悬架控制器的车身加速度相对于被动悬架降低了75.99%、相对于普通LQG主动悬架降低了47.16%,验证了模型的优越性。

交互多模型扩展卡尔曼滤波算法的FPGA实现

对用于纯方位角度跟踪问题的交互多模型扩展卡尔曼滤波(IMMEKF)算法进行了研究,将其转换为适于硬件实现的形式。在此基础上,给出了基于现场可编程门阵列(FPGA)的实现方案,并讨论了硬件实现的资源优化和时间优化问题。软硬件仿真结果表明:IMMEKF硬件算法能够实现对单目标的纯方位角度跟踪,并且在保证与软件仿真具有相当精度的前提下能大幅减少运算时间。

多模型交互滤波在运动目标轨迹融合中的应用

分析了运动目标轨迹融合数据源的技术特点,在目标跟踪算法基础上,提出了多模型滤波的概念,同时建立了比较有效的数学模型,解决了目标高度机动情况下的目标跟踪问题。最后给出了多模型滤波效果的仿真演示结论。

基于目标跟踪的交互多模型kalman滤波算法研究

针对运动目标跟踪的过程中,运动轨迹发生改变或运动过程出现目标遮挡时,传统的跟踪算法容易出现跟踪丢失或跟踪效果较差等情况,文章提出了一种基于交互多模型Kalman滤波算法和Meanshift滤波算法的融合方法,对运动目标进行位置预测估计,解决目标遮挡问题,提高目标跟踪精度。实验结果证明,该改进算法能够有效地进行目标定位跟踪,并且具有快速性。

基于交互式多模型MSCKF的双目视觉/惯性里程计算法

针对复杂环境中双目视觉/惯性里程计系统模型不固定和量测噪声易发生变化的问题,提出了基于滤波器估计的紧耦合视觉惯性里程计(VIO)信息融合方法。将交互式多模型(IMM)估计与多状态约束卡尔曼滤波(MSCKF)算法相结合提出一种交互式多模型多状态约束卡尔曼滤波(IMM-MSCKF)算法。该算法以MSCKF为模型匹配子滤波器,将各子滤波器的输入、输出进行交互融合,实现对VIO系统状态估计。通过KITTI数据集对IMM-MSCKF算法进行了仿真验证,该算法姿态和水平位置估计均方根误差分别为0.36°和11.62 m,相比于EKF和MSCKF算法,其姿态估计精度分别提升了56%和41%,其水平位置估计精度分别提升了51%和81%,仿真结果表明该算法具有更好的估计精度和鲁棒性。

临近空间目标交互式多模型跟踪定位算法研究

针对临近空间目标,进行了深入研究,根据临近空间目标状态方程的特点,分析了目标跟踪中常用的卡尔曼滤波和粒子滤波算法的优缺点,并将这2种滤波与交互式多模型算法相结合,提出了交互式多模型-卡尔曼滤波算法和交互式多模型-粒子滤波算法,并通过CV,CA和CT 3种动力学模型进行仿真分析。仿真结果表明,采用这2种算法能够满足跟踪临近空间目标的要求,具有一定的工程实用价值。

基于交互式多模型的多传感器组合导航系统

针对复杂环境中组合导航系统模型参数变化导致单一参数滤波器滤波精度下降的问题,对基于交互式多模型的多传感器组合导航系统进行研究。给出状态基于全局信息的融合估计公式,将交互式多模型卡尔曼滤波算法应用于SST/GPS/SINS多传感器组合导航系统,并与单一模型下的卡尔曼滤波方法进行比较。仿真实验结果表明,该方法能提高组合导航系统的滤波精度与可靠性,但当实际的模型集不能覆盖实际的所有模态时,系统的滤波精度会有所下降。

一种基于期望模型的自适应Singer模型滤波算法

针对使用固定模型滤波算法跟踪机动目标时滤波精度依赖于模型固有参数的问题,提出了一种基于期望模型的自适应Singer模型滤波算法。首先利用3组代表不同机动强弱的典型Singer模型组成基础模型集合,然后通过实时计算目标综合残差确定目标机动等级,根据目标机动等级的变化来生成期望模型,并实时扩充基础模型集合进行交互式多模型(Interacting Multiple Model,IMM)滤波。该算法降低了对基础模型选取的依赖性,具有更好的环境适应性,在目标不同机动状态下都能进行准确跟踪。

基于交互多模型Kalman的无人集群跟踪优化算法

针对无人集群协同跟踪单个无人目标时面临的跟踪精度低以及目标航迹快速变换易丢失目标的问题,提出一种集群多智能体交互卡尔曼滤波预测融合算法(CIMMF),提高了集群对目标的跟踪精度。CIMMF算法将传统的交互多模型Kalman滤波(IMM)与极大似然估计(MLE)融合算法相结合,将每个参与跟踪的智能体上的电磁传感器坐标数据作为优化算法的输入,通过集群内IMM数据融合,得到若干组对目标的状态估计值,作为极大似然估计的样本值求出似然概率即状态估计权值,输出经带权融合处理的优化跟踪估计路径。实验仿真结果表明,CIMMF优化算法的预测误差均值(RMSE)比传统IMM算法误差均值小很多,跟踪精度和跟踪可靠性明显提高。

基于数据率控制的非线性交互式滤波算法

针对传统的非线性滤波算法EKF在高机动、低数据率下跟踪精度下降较快和UKF在低数据率下线性化误差小但实时性差的缺点,提出了一种基于数据率控制的交互式多模型滤波算法。该算法根据不同作战模式下目标的探测率和系统非线性大小,自适应地分配EKF和UKF两种非线性滤波算法的加权比例,有效克服了以往算法中仅选用单一滤波处理模型的缺陷。通过仿真验证,所提算法有效解决了传统EKF算法在目标机动时数据率下降导致的系统跟踪精度和稳定性下降太快的问题,相比UKF算法在机动段目标跟踪精度下降不多的情况下大大缩短了运行时间,减少了雷达资源消耗。

一种自适应滤波与干扰观测器相结合的大型舰船状态估计算法

为满足航母等大型舰船目标的状态估计要求,提出一种由非线性干扰观测器和强跟踪容积卡尔曼滤波算法融合形成的交互多模型强补偿容积卡尔曼滤波算法。引入非线性干扰观测器,完成由外界不确定因素引起的干扰总量的估计,并对观测器稳定性进行证明。使用估计的干扰值实时修正强跟踪容积卡尔曼滤波的过程参数,最终形成交互多模型强补偿容积卡尔曼滤波算法,完成对目标状态相对准确的估计。研究结果表明:新提出的滤波算法能够较为准确地完成对目标状态的估计,与变结构多模型粒子滤波算法、变结构多模型无迹卡尔曼滤波算法和交互多模型强跟踪容积卡尔曼滤波算法相比,在目标位置和速度估计上具有更高的估计精度。

导引模型在FTC自适应IMM-UKF目标跟踪算法中的应用

在应用IMM算法时,根据战术导弹这种特殊的应用对象,以两种常用导引律为例,推导出导引运动模型作为交互模型集;使用不敏卡尔曼滤波器(UKF)实现了IMM-UKF算法,并根据导引模型的特点引入了弹道收敛因子(FTC)自适应调节IMM算法中的模型转移概率。仿真实验结果表明,这种基于目标导引运动模型的跟踪算法很好地实现了目标跟踪任务,并且有效地分辨出了目标机动的运动模型。

基于异步IMM融合滤波的网络化系统故障诊断

针对一类带随机丢包的异步多传感器网络化系统,提出了基于网络化异步交互式多模型(Interacting multiple model,IMM)融合滤波的故障诊断方法.考虑不同传感器通道具有不同丢包概率的情况,将未知的故障幅值看作扩维的系统状态,利用提出的网络化异步IMM融合滤波算法对由系统正常模型和各种可能的故障模型构成的模型集进行滤波,根据模型概率进行故障检测和定位,同时得到故障幅值和系统状态的联合估计.提出的方法避免了传统IMM故障诊断方法模型集设计中故障大小难以确定的问题,适用于具有任意采样速率和任意初始采样时刻的异步多传感器网络化系统,并且通过融合多个传感器的信息提高了故障诊断的准确性.仿真实例验证了所提出方法的可行性和有效性.

基于多信息数据融合滤波的坡度识别算法

为了对大坡度、大坡度变化率路面的坡度值进行准确快速识别,提出一种基于多信息数据融合滤波的坡度识别算法.分析了目前不同坡度识别算法的优劣,分别建立了基于动力学、考虑坡度变化率的加速度传感信息坡度识别模型、基于GPS的坡度识别模型.应用交互多模型卡尔曼滤波算法(IMM-KF),将3种坡度识别模型进行联合滤波估计,在不同运行工况下自适应调节坡度识别模型的参与比例.以轮毂电动机车辆的多传感信息为载体,构建了dSPACE试验平台并完成试验.结果表明:在定坡度变化率、连续变化坡度、驻坡等工况下,所提出的算法的坡度识别结果出现小幅震荡后能够快速准确跟随实际值,提高了车辆坡道识别的精度和鲁棒性.

多传感器多模型多尺度组合导航系统算法

多传感器组合导航系统是组合导航发展的方向之一。针对复杂环境,多模型自适应算法可以较好地解决模型及参数不确定的问题;而多尺度融合算法将基于模型的动态系统分析与具有统计特性的多尺度信号变换方法相结合,可有效提高系统的滤波精度。为此,文章将多模型估计与多尺度滤波算法相结合构成多模型多尺度滤波算法,该算法用于多组合导航系统后,经仿真验证,相对于多模型或单模型多尺度滤波算法,系统的滤波精度明显提高。

多模型估计理论

研究利用多模型来逼近系统的动态性能,基于多模型设计组合导航系统的多模型自适应卡尔曼滤波器。通过仿真研究表明,在多模型自适应估计和交互式多模型滤波均克服了单一滤波由于外部扰动所造成的滤波误差过大甚至发散的问题。多模卡尔曼滤波器对组合导航系统能达到理想的控制精度、跟踪速度以及稳定性。研究表明,运用多模卡尔曼滤波能改善系统的瞬态响应,覆盖大范围的参数不确定性。