多输入融合卡尔曼滤波算法在矿井定位中的优化研究

针对使用惯性测量单元和低功耗蓝牙(BLE)定位矿井环境,提出了多输入融合卡尔曼滤波算法(MIFKF),采用倾斜、偏航卡尔曼滤波器对惯性测量值进行预处理,利用BLE获取三边测量估计值,将预处理值和估计值通过多融合卡尔曼滤波器融合优化完成矿井环境定位,算法同时借助Rauch-TungStriebel(RTS)平滑器使定位精度进一步提高。通过仿真验证,对比BLE技术三边测量算法与标准KF算法,MIFKF算法在矿井复杂环境中有效减小定位误差。

误差状态卡尔曼滤波的视觉惯性自适应融合定位方法研究

头盔瞄准具(HMS)是近年来新一代战斗机飞行员的辅助瞄准设备,能够帮助飞行员增强战场态势感知能力,对敌方目标进行快速、精准打击。其能正常工作的关键是获取飞行员头部相对于运动飞机的姿态参数。本文结合头盔瞄准具这一应用场景研究了视觉组合姿态测量关键技术。视觉惯性组合定位能够实现目标位姿测量方法的优势互补,而由于标称噪声矩阵无法绝对准确预测,融合算法的鲁棒性、精度有待进一步提升。针对这一问题,本文提出一种误差状态卡尔曼滤波框架下基于变分贝叶斯推断的视觉惯性自适应融合方法。首先,对于过程噪声使用逆威沙特(Wishart)分布进行建模,之后通过引入隐变量分解一步预测协方差,并结合变分贝叶斯推断实现了对过程噪声协方差矩阵的在线估计。试验证明,在复杂运动及标称噪声协方差矩阵偏移较大的测量条件下,所提位姿测量算法具有较高的精度与鲁棒性,能够完成对靶标的快速、高精度跟踪。

ADAS系统视觉与毫米波雷达分布式抗差卡尔曼滤波融合算法

自动驾驶车辆常常利用多传感器对周围目标进行检测和跟踪,但受限于传感器多源异构特性和复杂多变的驾驶环境,准确的多目标检测和跟踪仍是实现自动驾驶的一大困难和挑战。本文面向高级驾驶辅助系统(ADAS)的多目标检测与跟踪任务,采用了基于1个视觉传感器和5个毫米波雷达(1V5R)的传感器配置方案,且设计了基于分布式抗差卡尔曼滤波器的多传感器信息融合算法以实现对周围目标的准确感知。首先,针对不同传感器数据特征,采用不同的线性卡尔曼滤波器和扩展卡尔曼滤波器进行数据融合,并基于分布式卡尔曼滤波建立了1V5R多传感器信息融合框架。其次,为降低传感器动态误差对于融合精度的影响,在卡尔曼加权观测融合的基础上,引入抗差估计方法,实现了对传感器动态误差的实时估计和修正。最后,通过离线仿真和实车道路试验对所提出的基于分布式抗差卡尔曼滤波的多传感器融合算法进行了验证。试验结果表明,与单一传感器的测量值相比,所提出的算法能有效融合多个传感器的信息以提升目标的检测与跟踪精度,且鲁棒性较好。

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation,MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter,ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares,WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。

基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法

【目的】现有叶面积指数(LAI)产品大多存在分辨率低、数据异常和精度低等问题,难以满足某些应用需求。因此,本研究提出一种多源LAI数据的融合方法,以减少不同来源数据的差异并提高产品精度。【方法】以帽儿山实验林场的阔叶林和针叶林区域为研究区,基于2017年的MODIS、VIIRS和PROBA-V的LAI产品,利用多年LAI数据作为先验知识建立LAI背景库修正低质量数据,对3种LAI数据集进行混合像元分解的降尺度处理,基于Sentinel-2反射率产品耦合集合卡尔曼滤波(EnKF)算法、LAI动态模型和辐射传输模型进行数据同化,最后对同化后的3种LAI数据进行赋权融合,使用实测数据进行精度评价。【结果】在阔叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.56和0.62,比原始数据提升了0.57、0.52和0.57;均方根误差分别为0.37、0.31和0.14,比原始数据减小了1.23、1.69和1.06。在针叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.49和0.56,比原始数据提升了0.52、0.30和0.40;均方根误差分别为0.24、0.28和0.19,比原始数据减小了1.22、0.67和1.35。通过融合方法,阔叶林LAI和针叶林LAI的相关系数分别为0.83和0.76,比同化后数据的相关性更高;均方根误差分别为0.15和0.13,比同化后数据的误差更小。【结论】通过数据同化提升了3种LAI产品精度,融合后LAI较同化后单一LAI具有更高的精度和可靠性。

卡尔曼滤波下多源传感器数据互补-加权迭代融合算法

因多源传感器在数据融合过程中,受自身数据差异性影响较大,导致最终的融合结果精准度较低。为此,在卡尔曼滤波算法的基础上,针对多源传感器数据提出一种互补-加权迭代融合算法。建立多源传感器观测模型,找出数据融合过程中的最优加权系数。在多源传感器组合系统中引入卡尔曼滤波算法,结合互补-加权迭代融合算法,建立预测方程、状态方程、滤波互补因子以及估计均方误差方程,实现多源传感器的数据融合。实验结果表明,所提算法可以精准找出最优加权系数,观测误差始终在0.6 m以下,可以实现数据的精准融合。

基于卡尔曼滤波的锅炉氧量测量值融合优化方法

烟气含氧量作为锅炉运行的重要监控参数之一,既可反映燃烧设备与锅炉运行的完善程度,又是确保煤粉在炉膛充分燃烧的重要依据。目前,燃煤机组多采用氧化锆传感器进行氧量测量,其特点是响应时间较长,测量结果随空间位置改变,传感器损坏时无法及时更换等。针对上述问题和难点,研究提出了一种基于卡尔曼滤波器的传感器数据融合优化方法,并讨论了该方法在DCS系统上的实现方式,使得多个测量数据的综合结果具有更好的稳定性、抗干扰性,并可在部分设备损坏时得到可靠性更高的结果。实测数据实验表明,卡尔曼滤波法有效改善了氧量信号的滞后性、波动性和不确定性。

基于卡尔曼滤波融合算法的播深检测装置设计

针对免耕播种机工作时秸秆残茬影响播深检测有效性的问题,设计了一种采用了双路面阵雷达传感器和卡尔曼滤波融合算法的播种深度测量装置。面阵雷达利用渡越时间法测量播种深度,然后使用卡尔曼滤波融合算法消除两路传感器数据中的噪声与杂波,并将处理后数据进行融合。试验表明,在预设播深为60 mm,播种机行驶速度分别为低速(4 km/h)、中速(6 km/h)、高速(8 km/h)三种速度时,传感器测量距离的最大偏差为23 mm,34 mm,37 mm,经过滤波处理后误差为4 mm,7 mm,13 mm,再经过卡尔曼滤波融合算法后能够在预设播深60 mm上下范围浮动,试验表明经过滤波融合后的检测数据比单个面阵雷达传感器更能准确地检测播种深度,且随着速度的增加波动范围也相应增大。原因可能与车速增快时播种机在不平整地面上的波动增大有关。

基于联合卡尔曼滤波的异构网络数据信息融合方法

信息融合是异构网络数据重要处理手段,现行方法融合效果并不理想,在实际应用中融合后数据值与真实值存在较大的差距,LSE值较大,针对现行方法存在的缺陷与不足提出基于联合卡尔曼滤波的异构网络数据信息融合方法。对异构网络数据中异常值识别,采用插值法对异常数据修复,对异构网络数据中野值识别与修正,并对异构网络数据时间配准,采用联合卡尔曼滤波算法估计异构网络数据最优值,消除数据采样误差与噪声,将不同数据源异构网络数据信息融合,以此实现了基于联合卡尔曼滤波的异构网络数据信息融合。实验证明,在设计方法应用下融合后数据值贴近于真实值,LSE值在0.1以下,具有较高的信息融合精度,在异构网络数据信息融合领域具有良好的应用前景。

基于改进关键帧筛选的多状态约束卡尔曼滤波

基于多状态约束卡尔曼滤波的融合算法仅利用单帧图像进行位姿估计,若初始化不正确,会导致视觉位姿估计发散严重;若将每个视觉特征点都包含进系统状态向量,则极易增加系统计算负担。针对上述问题,提出了一种改进的关键帧选择算法,利用多个视觉关键帧对相同特征点的约束来减小视觉测量误差,提高定位精度,同时只将关键帧解算出的相机位姿融入系统状态向量,有效地降低了系统计算量。实验表明,改进算法与EKF相比,其定位精度和计算效率分别提升了29.09%和32.2%。与Orb-slam2相比,改进算法的计算效率提升了35.48%。

基于多源预报残差的卡尔曼滤波校正技术

为充分利用实测水位流量序列所蕴含的信息,挖掘实测水位流量数据对洪水预报结果的实时在线校正作用以提高洪水预报精度,提出了一种基于多源预报残差的卡尔曼滤波校正技术,该技术采用基于水文要素观测值的涨落差法和残差自回归模型构建多源误差信息源,利用卡尔曼滤波技术进行多源误差序列融合来对洪水预报结果进行实时校正。浙江钱塘江流域实测资料验证结果表明:基于多源预报残差的卡尔曼滤波校正技术能够显著降低预报模型的流量模拟误差,平均相对误差减小超过10%。

基于集合卡尔曼滤波法的清江流域多源融合降水分析

高质量的水文气象观测数据是开展气象和水文灾害监测、预报预警及长期气候变化趋势分析的基本支撑。针对流域尺度内现有融合降水数据空间分辨率低的问题,通过集合卡尔曼滤波(EnKF)融合算法对清江流域33个地面站点和TRMM及CMORPH两种卫星产品的降水数据在日尺度上进行融合,得到了0.05°×0.05°的清江流域融合降水数据MSAP。利用留一交叉验证的方式对卫星降水、地面插值和MSAP融合降水数据进行定量分析,证明EnKF融合算法能从相关性系数R、平均绝对误差MAE和均方根误差RMSE 3个方面改善清江流域降水的精度,并且融合算法改善了卫星数据和地面数据在流域边界部分区域精度低的缺点,展现了EnKF融合算法在降水数据融合中的应用潜力。进一步地,将MSAP与CMFD、ERA5和MSWEP等3种主流再分析数据进行对比,并对1998年汛期清江流域与长江干流四次洪峰遭遇中最大的两次遭遇所对应的场次强降水进行了空间分析。结果表明,在时间尺度上,MSAP数据具有最高的R和最小的MAE及RMSE;在误差的空间分布上,MSAP数据在各站点精度评价指标的空间差异最小,四种再分析数据精度由高到低排序为MSAP>CMFD>MSWEP>ERA5;在历时5日和历时2日的场次强降水过程中,CMFD、MSWEP和MSAP均能在一定程度上反映出暴雨中心,在空间分布和降水量级上,MSAP和CMFD基本保持一致。

模糊推理和深度学习数模融合的卡尔曼滤波腐蚀预测

腐蚀状态的准确预测对油气储运、化工设备安全可靠运行具有重要意义。因腐蚀过程复杂,影响因素多,导致常规腐蚀预测方法中先验模型对环境依赖性大,中长期预测效果差。本文提出一种融合模糊推理和深度学习的数模融合驱动的卡尔曼滤波腐蚀预测方法。首先结合腐蚀物理模型和实际监测数据,建立腐蚀速度模糊规则,得到基于现场环境的结合物理模型的修正腐蚀速度。同时针对模糊推理结果存在的预测滞后性,考虑腐蚀监测数据的长期规律性,利用深度学习预测腐蚀速度;然后融合模糊策略和深度学习预测结果,实现基于卡尔曼滤波的数模融合腐蚀预测。最后利用天然气管道实际腐蚀监测数据,与高斯过程回归(Gaussian process regression,GPR),粒子群优化灰度模型(particle swarm optimization gray model,PSOGM),模糊推理(fuzzy reasoning,FR),多层感知机(multilayer perceptron,MLP)和卡尔曼滤波预测方法(Kalman filter,KF)进行了对比验证分析。结果表明本文所提方法具有良好的预测效果,对两年内腐蚀状态的相对预测误差在1%范围内,均方根误差为0.00049 mm,平均绝对百分比误差为0.34%。

卡尔曼滤波优化的高斯过程回归模型

为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.

基于自适应卡尔曼滤波加速度与位移融合的结构位移实时估计

实时高精度位移测量在工程结构的安全和寿命评估方面有着重要作用。为提高基于全球导航卫星系统技术的位移测量的精度及稳定性,本文提出了一种融合加速度和位移数据的自适应多速率卡尔曼滤波方法,来实时获取精度提升的位移信息。由于不合理的噪声参数设置会使位移估计的精度严重下降,利用加速度和位移数据测量噪声各自的特点,以分开估计相应噪声方差的思路来实现自适应估计;考虑传感器噪声的性质,自适应滤波中对噪声参数的估计可简化为仅对位移噪声方差进行估计;利用Sage-Husa估计器实现位移噪声方差的自适应估计,使滤波能在噪声参数未准确获知的情况下进行稳定的位移实时估计。讨论了自适应滤波中初始噪声参数的影响,确定了初始系统噪声参数的选取原则;分别在时不变与时变位移噪声环境下,观察该滤波应用于不同频率的谐波位移信息下的估计性能;以某1.5 MW风电塔在风–地震耦合作用下塔顶结构响应的数值模拟,说明本文的自适应滤波在一般工程结构应用中的有效性。结果表明,即使初始噪声参数设置有误或位移噪声具有时变性,本文方法依然具有较好的估计效果及鲁棒性。研究成果可为结构实时高精度位移监测提供一定理论支撑与参考。

基于卡尔曼滤波的Wi-Fi/PDR融合室内定位方法研究

当前智能手机大多集成了多种传感器,组合多种传感器数据进行室内定位已成为研究热点。本文针对传统的Wi-Fi位置指纹室内定位精度不高的问题,提出了一种基于卡尔曼滤波结合行人航位推算的融合定位方法,经测试,融合定位方法的平均定位精度为3.1 m,较单独Wi-Fi指纹定位精度提升了43%。同时针对PDR步数检测不准确的问题,本文提出了基于低通滤波和阈值滤波的组合滤波方法,将计步准确率提高至99%,对于不同的应用场景具有较强的适应性。

基于多速率卡尔曼滤波的植保无人机仿地飞行方法

针对四旋翼植保无人机坡地适应性差、作业时定高精度低的问题,提出了一种融合立体视觉、气压计及惯性测量单元(IMU)的多速率卡尔曼滤波估计无人机高度的仿地飞行方法。首先基于无人机实时高度、姿态与最佳视觉检测区域之间的关系,提出了视觉检测区域自适应算法;然后融合多传感器信息建立多速率卡尔曼滤波模型用以估计无人机对地高度;最后通过自主飞行实验对无人机高度估计算法与仿地飞行方法进行验证。实验结果表明,当飞行高度为2 m,飞行速度为1、2、3 m/s时,植保无人机在平坦地面与15°缓坡区域均可实现高度估计平均绝对误差小于20 mm,高度估计标准差小于30 mm;高度控制平均绝对误差小于30 mm,高度控制标准差小于30 mm;本文验证了植保无人机在地形变化场景下仿地飞行的有效性,为植保无人机在复杂地形自动化作业奠定了基础。

基于改进卡尔曼滤波数据融合的矿场监测系统设计

为保障露天矿场进行有效的安全信息监测并做出及时的安全报警及处理,提出了一种基于改进卡尔曼滤波数据融合的矿场监测系统。通过多传感器多目标跟踪算法,实现对多个目标的跟踪计算,同时传感器接收到的信息通过BS922网关节点传送到云端服务器,最终实现对矿场的安全监测及预警。该文主要对矿场监测数据多源信息融合策略进行研究,为矿场安全监测与管理提供了一套解决方案。

被动定向浮标阵卡尔曼滤波目标跟踪研究

文章研究利用被动定向浮标阵定位跟踪水下机动目标的方法,基于卡尔曼滤波(Kalman Filter, KF)原理提出一种定位跟踪滤波器的具体实现方法。该方法能够整合多枚浮标现在及过去有误差的测量数据,提高定位精度,同时连续输出水下目标运动参数估计从而锁定目标运动轨迹。该方法实现的关键在于建立水下目标与浮标阵的数学迭代运算模型,包括状态空间的动态与观测过程。由于被动定向浮标阵目标跟踪是一个非线性估计问题,而卡尔曼滤波器是线性的,因此文章设计了近似的线性观测方程以利用卡尔曼滤波来解决这个问题。通过计算机仿真研究该滤波器的跟踪效果并与最小二乘法进行比较,估计精度明显高于最小二乘法。同时通过仿真验证该滤波器可以自适应跟踪目标的非稳态运动过程。该方法在工程实践上具有一定应用前景与指导意义。

基于改进卡尔曼算法的室内温度数据融合

针对传统建筑物内部空间结构复杂,布线成本高,数据采集精度不高等问题,采用LoRa无线通信技术构建传感器网络,主要用于监测室内温度参数的变化;对于传统的卡尔曼数据融合结果存在较小波动的现象,引入了孤立森林算法,提出了基于改进的卡尔曼滤波算法的室内温度数据融合算法;通过在采集到的数据集中随机添加扰动样本和畸变数据,对3种算法产生的误差进行比较,改进的卡尔曼数据融合算法在有扰动样本的情况下,误差范围控制在-0.12~0.1之间,在带有畸变数据时,误差范围在-0.03至0.14之间,均远小于传统的卡尔曼数据融合算法和平均值算法;实验仿真的结果表明,改进的算法提高了室内温度数据采集的鲁棒性和准确性。