基于自适应UKF的移动机器人室内定位算法研究

在复杂室内环境下,移动机器人一般采用多传感器融合的方法来实现精准定位。针对实际噪声和先验噪声统计特性不同而导致无迹卡尔曼滤波(UKF)算法精度急剧下降的问题,本文以双轮差速移动机器人为研究对象,提出了一种自适应UKF定位算法。首先,以UKF算法为基础,融合里程计、陀螺仪、激光雷达定位系统等传感器数据;然后,根据激光雷达定位系统的误差统计特性,预先校准观测噪声的均值和协方差矩阵,并采用自适应噪声估计器在线估计未知系统噪声的统计特性,来提高滤波的数值稳定性,减小状态估计误差;最后,使用搭载激光雷达R2000的双轮差速车MIR100进行实验,并与UKF算法的估计结果进行对比。实验结果表明:自适应UKF定位算法具有较强的鲁棒性,能够在复杂室内环境下实现较高精度的位姿估计。

自适应两步滤波算法在机载IRSTS被动定位中的应用

在机载红外搜索跟踪系统被动定位研究中,针对扩展卡尔曼滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点,利用两步滤波算法并结合Sage-Husa噪声估计器构建了适用于机载IRSTS被动定位特点的自适应两步滤波算法模型,算法不仅实时在线地估计了观测噪声的统计特性,而且避免了观测模型线性化误差。仿真结果表明,在完全相同的初始条件下,自适应两步滤波算法对目标运动参数的估计结果明显优于扩展卡尔曼滤波,从而提高了机载IRSTS被动定位的精度。

改进强跟踪EKF算法在MEMS姿态解算中的研究

本文针对四旋翼姿态解算,提出了一种噪声自适应强跟踪扩展卡尔曼滤波算法(ASTEKF)。当机体从平稳状态向机动状态过渡时,由于量测噪声影响会导致算法估计不准确,因此本文首先证明不同时刻新息序列方差满足正交性原理,正交性原理表明,量测噪声对观测值的准确性影响很大;其次,引入Sage-Husa噪声自适应估计器较准确估计系统量测噪声均值和方差,使观测值更准确;最后,通过满足正交性原理条件公式计算次优渐消因子,将次优渐消因子引入协方差一步预测运算式中,得到强跟踪滤波器。次优渐消因子的引入使得一步预测协方差矩阵增大,即增大强跟踪扩展卡尔曼滤波器增益,使系统增加对观测值权重,得到更准确的状态估计值。离线仿真实验和在线实物实验结果表明了所设计算法的有效性。