改进的基于奇异值分解的抗差容积卡尔曼滤波算法在全球定位导航中的应用

非线性动态系统存在非线性和噪声不确定的问题,容积卡尔曼滤波对解算该类系统有较好的精度,为了提升导航系统对异常观测值的稳定性,对采样数据进行均值滤波处理,降低干扰较大的采样数据对于滤波结果的影响。用奇异值分解代替Cholesky分解,改善滤波稳定性,避免先验协方差非正定而降低滤波性能。最后通过引入抗差因子调节观测协方差矩阵,再次减少观测异常值对于滤波结果的影响。采用仿真实验进行分析,改进的抗差容积卡尔曼滤波算法对于减弱异常观测值影响有良好的效果。

基于最小二乘算法和SVDUKF算法的电液伺服加载优化

为了分析和模拟伺服刀架可靠性试验台电液伺服加载系统的动态性能,建立了该加载系统的动态特性数学模型,并利用最小二乘算法对其参数进行估计。为了减弱噪声对加载系统稳定性的影响和避免无色卡尔曼滤波算法(UKF)中协方差矩阵出现病态导致算法失效,提出了利用基于奇异分解的无色卡尔曼滤波算法(SVDUKF算法)对电液伺服加载系统反馈力信号进行滤波的方法,并进行了SVDUKF算法与扩展卡尔曼滤波算法(EKF)算法之间滤波性能对比。实验结果表明,最小二乘算法估计出的数学模型具有较高精度,并且SVDUKF算法具有高效的滤波能力和提高系统稳定性的能力。

9轴MEMS-IMU实时姿态估算算法

随着对微机电系统一惯性测量单元(micro-electro-mechanical system-inertial measurement unit,MEMS-IMU)在室内定位、动态追踪等应用领域中的需求日益迫切,使得具有高精度、低成本和实时性的MEMS-IMU模块设计成为研究热点.针对MEMS-IMU的核心技术——姿态估算进行研究,设计了一种基于四元数的9轴MEMS-IMU实时姿态估算算法.该算法运用分解四元数算法处理加速度和磁感应强度数据,计算出静态四元数;通过角速度与四元数的微分关系估算动态四元数;运用卡尔曼滤波融合动、静态四元数,进而实现实时姿态估算.针对分解四元数算法中存在的奇异值问题,提出了转轴补偿方法对其修正,以实现全姿态估算;考虑动态情况下的非线性加速度分量对姿态估算精度的影响,设计了R自适应卡尔曼滤波器,以进一步提高姿态估算算法的精度.验证结果表明,R自适应卡尔曼滤波器能够有效抑制加速度噪声,提高姿态估算精度;同时,转轴补偿-分解四元数算法能够准确估算奇异值点的姿态信息,并且计算时间仅为原"借角"补偿方法的50%左右,有效提高了整体算法的实时性.

基于强跟踪的移动机器人CQKF-SLAM方法

针对容积正交卡尔曼滤波(CQKF)在同时定位与地图构建(SLAM)中系统状态驱动模型与观测数据存在突变,以及协方差分解引起系统不稳定,导致移动机器人定位精度降低的问题,提出一种基于多重渐消因子强跟踪的SVDCQKF-SLAM方法。采用奇异值分解(SVD)代替CQKF算法中的乔列斯基分解,抑制状态误差协方差矩阵负定性;引入多重渐消因子强跟踪滤波器调节状态预测协方差矩阵。通过仿真实验,将所提SLAM方法与其它SLAM方法进行对比,其结果表明,该方法能够有效降低SLAM过程中的定位误差,对移动机器人同时定位与地图构建有一定参考价值。

基于增广SVD-MWKF的激励识别与结构响应重构

针对传统卡尔曼滤波算法在结构响应重构应用中需要外部激励及测量噪声方差先验已知的问题,提出一种基于增广SVD-MWKF(Singular Value Decomposition-Moving Window Kalman Filter)的激励识别与结构响应重构方法。首先,引入奇异值分解降噪技术以优化移动窗口法对测量噪声方差的实时估计。随后使用基于增广状态空间方程的卡尔曼滤波算法并结合部分测点的加速度测量数据,实现对结构外部激励的识别及各位置的速度、加速度响应的重构。最后,对起重机桁架和简支梁分别进行数值模拟和试验分析,结果表明,相较于移动窗口法,所提方法对测量噪声方差估计更加准确,且对外部激励能进行有效识别。

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.

一种无矩阵求逆的最优滤波计算方法

本文回顾了在改善卡尔曼滤波数值稳定性,提高计算效率等数值计算方面的主要研究与发展,包括平方根协方差、U-D分解、奇异值分解(SVD)等计算方法。这些算法都存在不同程度地通过牺牲计算效率换取数值稳定性的不足。本文提出了一种无矩阵求逆的最优卡尔曼滤波计算方法,该算法数值稳定性强,且计算量也比较小。

基于双目视觉的羽毛球回收机器人目标跟踪与预测方法

针对现有的回收机器人对羽毛球的跟踪预测精度低问题,基于双目视觉技术,提出一种奇异值分解(Singular Value Decomposition,SVD)与混合高斯模型(Gaussian Mixed Model,GMM)结合KEF的羽毛球跟踪方法。该方法首先利用双目视觉技术采集羽毛球运动图像;然后通过SVD-GMM对羽毛球图像特征进行提取,并进行羽毛球三维轨迹重建;最后基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)对羽毛球轨迹进行跟踪与预测。结果表明,SVD-GMM模型的羽毛球目标检测错检率、漏检率分别为0.5%、1.00%,羽毛球占比的平均误差值仅为0.14,单次羽毛球检测的平均耗时为0.86 s,具有较高的羽毛球提取精度和效率;基于EKF的跟踪预测模型输出的羽毛球落地位置的准确度较高,求解出的羽毛球落地位置较为精准;基于双目视觉技术的羽毛球跟踪预测方法能够实现对羽毛球落地时间及位置的精准预测,在羽毛球自动回收问题中具有一定的应用价值。