平方根容积Rao-Blackwillised粒子滤波SLAM算法

面向大尺度环境中的移动机器人同时定位与地图构建(Simultaneous localization and mapping,SLAM)问题,提出平方根容积Rao-Blackwillised粒子滤波SLAM算法.算法主要特点在于:1)采用容积律计算SLAM中的非线性函数高斯权重积分,达到减小SLAM非线性模型线性化误差、提高SLAM精度的目的;2)在SLAM中直接传播误差协方差矩阵的平方根因子,避免了耗费时间的协方差矩阵分解与重构过程,提高了SLAM计算效率.通过仿真、实验将提出的SLAM算法与FastSLAM2.0、UFastSLAM两种算法进行对比,结果表明本文算法在SLAM性能上优于另两者.

基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波(Cubature particle filter,CPF)的目标跟踪融合算法.首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心(Fusion center,FC);随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.

平方根嵌入式容积卡尔曼粒子滤波算法

为了提高现有粒子滤波算法对非线性、非高斯系统的状态估计精度,该文提出了一种平方根嵌入式容积粒子滤波(Square-root imbedded cubature particle filter,SICPF)算法。该算法采用平方根嵌入式容积卡尔曼滤波(Square-root imbedded cubature Kalman filter,SICKF)产生重要性密度函数。该算法融合了最新的观测信息,由其产生的重要性密度函数更接近系统状态的真实后验概率分布,最后采用经典非线性、非高斯状态模型对该文算法的性能进行仿真测试。仿真结果表明:SICPF算法的估计误差约为扩展粒子滤波(Extended particle filter,EPF)算法1/4、无迹粒子滤波(Unscented particle filter,UPF)算法误差的2/3、容积粒子滤波(Cubature particle filter,CPF)算法的估计误差的3/4,SICPF算法是一种有效的滤波算法。

迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器—马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。

截断的自适应容积粒子滤波器

在现有的高斯粒子滤波算法(Gaussian particle filter,GPF)中,粒子的重要性密度函数是由高斯滤波器(Gaussian filter,GF)结合当前最新量测来构建的。在高精度、强非线性的量测条件下,传统GF并不能很好地近似状态真实后验概率密度函数,为了解决这一问题,提出一种截断的自适应容积卡尔曼滤波器,并用其来构建粒子的重要性密度函数,从而推导出了截断的自适应容积粒子滤波器。仿真表明,在高精度、强非线性的量测条件下,所提出的滤波算法比现有的GPF具有更高的估计精度。

迭代容积平方根粒子滤波

为解决先验概率作为重要性密度函数因未融入最新的观测信息而造成测量精度低的问题,提出了迭代容积粒子滤波。此算法采用Gauss-Newton迭代和容积卡尔曼滤波设计重要性密度函数,在迭代过程中不断修改新息的方差和协方差,使重要性密度函数更接近后验概率密度。此外,为确保状态协方差矩阵的正定性,采用了平方根滤波的思想,通过正交三角分解来代替每次迭代的矩阵开方操作。仿真实验证明,此算法可以提高滤波精度,适用于对精度要求很高但对运算时间要求不是很高的场合。

基于Huber鲁棒容积裂变粒子滤波的协同导航方法

数据融合作为多源协同导航方案中的一环对状态估计质量影响重大。粒子滤波由于其在非线性非高斯系统中具备的独特理论优势已逐渐成为众多融合方法焦点。但粒子退化及其导致的样本枯竭却制约粒子滤波在复杂工程中的应用。提出采用鲁棒容积裂变粒子滤波解决上述问题。首先在容积法则框架下利用Huber函数将L2范数与L1范数结合来改进重要性密度函数,抑制观测噪声并通过高斯分布融合拉普拉斯分布进一步优化建议分布,以此缓解粒子退化;在重采样前对粒子群进行裂变衍生,通过对高权值粒子进行裂变并覆盖低权值粒子重构粒子权值实现对样本枯竭的抑制。多源协同导航车载实验表明,在相同条件下,相对于扩展卡尔曼滤波、容积粒子滤波、强跟踪粒子滤波,提出的算法在精确度上分别提高了23.04%、42.62%、37.74%,为缓解粒子退化和多源协同定位提供了新的思路。

基于容积粒子滤波的交互式多模型算法

针对非线性非高斯条件下目标跟踪容易发散和精度下降等问题,将容积粒子滤波引入到交互式多模型算法中,提出了一种基于容积粒子滤波的交互式多模型算法。该算法在粒子先验分布更新阶段,利用容积卡尔曼滤波器融入最新的观测数据并产生重要性密度函数,使其更加逼近系统真实状态的后验概率密度,改善了粒子滤波的性能。仿真表明在运算时间未显著变化的情况下,该算法与交互式多模型无迹粒子滤波算法相比有着更高的滤波精度和稳定性。

基于容积粒子滤波的交互式声源鲁棒跟踪方法

针对交互式声源跟踪系统中跟踪精度低的问题,提出了一种基于容积粒子滤波的交互式声源跟踪方法。利用容积卡尔曼滤波得到重要性采样函数,有效缓解粒子退化问题;根据交互式声源的运动特点,构建交互式声源跟踪框架,防止状态估计中融合错误的先验信息。仿真结果表明:在低信噪比环境下,提出的方法可以得到更加精准的交互式声源运动轨迹。

球面单形-径向容积粒子滤波的单站无源定位算法

针对单站无源定位可观测性弱、观测噪声大而导致的定位精度低、收敛速度慢等问题,提出了球面单形-径向容积粒子滤波(Cubature Particle Filter,CPF)的单站无源定位算法。该算法基于容积卡尔曼滤波产生重要性密度函数,充分利用最新的观测信息,将粒子导向高似然区域。同时,其预测分布得到修正后的权值,有效缓解了粒子退化问题,提高了对系统状态后验概率的逼近程度。仿真结果表明,新算法虽然较标准的CPF增加了一定的计算量,但计算时间仍仅约为求积分粒子滤波(Quadrature Particle Filter,QPF)的10%,且定位精度与QPF相当,优于标准的CPF。

基于容积粒子滤波的无人机FastSLAM算法研究

FastSLAM算法中粒子滤波存在粒子退化问题,严重影响了滤波的精度。为解决此问题,提出了基于容积粒子滤波的FastSLAM算法。将容积卡尔曼滤波作为粒子滤波的重要性密度函数,获得所需要的加权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计,能够很好地逼近系统状态后验概率,抑制粒子退化问题。在无人机应用环境下对该算法进行仿真验证,结果表明该算法在SLAM的估计精度和一致性方面都显示出较好的性能。

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC)。在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度。然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度。仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403%。

容积粒子滤波在紧耦合SINS/GPS导航系统中的应用

紧耦合SINS/GPS导航系统的数据融合过程存在高维状态和非线性混合模型,采用常规的线性卡尔曼滤波很难处理;而一般的非线性粒子滤波存在粒子退化和样本枯竭的问题。对此,提出将容积粒子滤波(CPF)算法应用于SINS/GPS组合导航系统。CPF利用容积卡尔曼滤波算法得到粒子滤波(PF)的重要性密度函数,并将最新量测值融入系统状态的转移过程中,由此产生的预测样本接近于系统状态的真实后验概率的样本。仿真结果表明,CPF算法的估计性能明显优于标准PF。

一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波(PF)直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波(7th-CQKF)对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波(CPF)。

一种改进的容积信息粒子滤波多目标跟踪算法

为了解决传统的自举式粒子滤波采用状态转移密度作为重要性采样函数呈现粒子退化、跟踪精度差等问题,文中采用后验概率作为重要性采样函数并提出其估计方法。通过容积信息滤波和Gating技术,估计重要性采样函数对应的均值和方差,完成重要性采样函数设计。使用改进后的粒子滤波方法,在非线性场景下对多个目标的状态和目标数目进行了估计。仿真结果表明,本算法在非线性多目标跟踪场景下具有估计精度高、稳定性好的优点。

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。