自适应序贯滤波的机器人融合定位方法研究

针对激光雷达在长直环境下鲁棒性低以及视觉相机受光照条件影响大的问题,提出一种利用序贯卡尔曼滤波将两种传感器采集到的信息进行融合的定位方法,将传感器作为独立的节点逐级传递以实现多层次滤波,解决了异步传感器更新延迟导致算法中断的问题,同时为算法添加自适应成分,避免了移动机器人长距离行驶过程中因缺少动态调节而产生发散的现象。仿真实验结果表明,以自适应序贯滤波的形式,融合定位结果显著降低了单一传感器测量带来的误差,有效提升了移动机器人在未知环境下的定位精度。

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。

序贯滤波算法在火炮射击误差分析中的应用

从统计的角度,引入序贯滤波算法,在每次引入新的炸点数据值后,从多批次观测中逐步迭代提取误差信息,精确估计火炮射击误差分布的参数,进而进行火炮误差校正。首先,运用最小二乘原理和极大似然估计原理,给出营诸元误差、每门火炮诸元误差和散布误差方差参数估值公式,建立火炮射击误差模型。其次,利用序贯滤波算法迭代计算得出参数估值。最后,通过算例分析验证模型的可行性,结果表明序贯滤波算法对火炮射击误差参数估值精度的提高具有较好的效果。

卫星导航系统中基于序贯处理的Kalman滤波

为了有效降低基于Kalman滤波方法的导航定位求解运算量,保证实时性,提出了一种以单个卫星为基本滤波单元的基于序贯处理的扩展Kalman滤波(EKF,extended Kalman filtering)方法——单星序贯扩展Kalman滤波(S3EKF,single-satellite sequential extended Kalman filtering)法。仿真结果表明,S3EKF法相对常规EKF法而言,当可见卫星数超过7颗时,能有效改善运算量,且改善量随可见卫星数的增加而增加,当可见卫星数在15颗及以上时,运算量的改善超过50%;同时,S3EKF法能在可见卫星发生变化时保证求解的一致性和稳定性。

多传感器非线性系统的序贯观测融合扩展卡尔曼滤波器

针对多传感器非线性系统,提出了一种序贯观测融合扩展卡尔曼滤波器(EKF)算法,其主要思想是根据传感器观测数据到达滤波器的先后次序依次进行融合处理。研究表明,提出的序贯观测融合EKF算法与传统的最优集中式观测融合EKF算法估计精度相当,且具有更低的计算复杂度,目标跟踪系统的仿真验证了所提算法的有效性。

SINS/GPS组合导航序贯滤波算法

针对SINS/GPS的速度、位置组合方式中,GPS接收机的位置测量误差相关的问题,提出了一种序贯形式的Kalman滤波算法。这种算法既具有计算量小的优点,又能克服由于GPS位置测量误差相关性带来的滤波性能变差的问题,实现对SINS/GPS组合系统信息的有效融合。通过仿真证明了该算法的有效性。

基于多传感器的序贯式融合有限域H∞滤波方法

与集中式和分布式融合滤波器相比,序贯式融合滤波器不仅保证了估计精度相同,而且在对测量值即到达即滤波、部分测量值缺失等方面都具有灵活性、自适应性和实时性等特点.为此,本文针对一类噪声能量有界的多传感器动态系统,给出了一种序贯式融合有限域H∞滤波器.首先,利用测量值扩维的方法,给出一种集中式融合有限域H∞滤波器;然后,利用H∞滤波的性能指标与二次型不等式之间、以及Hilbert空间二次型的稳定点与Krein空间正交投影之间等的对应关系,构造出一种序贯式融合有限域H∞滤波器;最后,从理论与数值仿真两方面验证了新滤波器与集中式融合有限域H∞滤波器的性能等价性.

基于无迹粒子PHD滤波的序贯融合算法

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波(particle probability hypothesis density filter,P-PHDF)算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波(unscented particle-PHDF,UP-PHDF)的序贯融合算法。利用无迹粒子滤波(unscented particle filter,UPF)实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。

SINS/LBL组合导航序贯滤波方法

在长基线水声定位系统(LBL)实际应用过程中,由于信标作用距离限制、障碍物遮挡等多种原因,使得水下无人航行器(UUV)可能无法接收到所有信标的应答信号而产生量测更新延迟问题。对UUV在无法接收到所有信标信号时的导航滤波算法进行了研究;结合捷联惯性导航系统(SINS)误差模型和声速误差,建立了SINS/LBL组合导航模型,并将异步量测序贯处理方法引入该模型,实现了SINS/LBL组合导航滤波算法的实时量测更新;通过湖上试验数据分析,对比了SINS/LBL组合导航序贯滤波方法与常规方法的位置误差。结果表明,该方法即使在应答信号有缺失的情况下,仍然能够利用有限的应答信号量测值进行实时量测更新,保障了组合导航的精度。

IMM-EKF雷达与红外序贯滤波跟踪机动目标

雷达与红外数据融合能够实现信息互补,改善对目标的跟踪、识别以及提高系统的生存能力。为了解决空中目标高速机动时,单一模型的雷达/红外序贯滤波跟踪发散的问题,提出了一种基于序贯滤波和交互多模型的雷达/红外融合跟踪机动目标的方法,通过在雷达与红外序贯滤波融合中引入交互多模型来跟踪机动目标。仿真结果表明,该方法与基于最优数据压缩的雷达与红外传感器融合跟踪机动目标相比,跟踪精度明显提高,是一种雷达与红外传感器融合跟踪机动目标的有效方法。

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。

结构损伤识别的序贯辅助粒子滤波方法

提出一种非平稳动力系统突变参数识别的序贯辅助粒子滤波方法(SAPF方法).该方法采用的重要抽样密度函数是一种依靠系统过去状态与系统最近观测量的联合密度函数,因此该方法具有较强的时域在线识别能力,比传统的粒子滤波方法更适合进行非平稳动力系统的参数识别.数值仿真结果证明了此方法在结构损伤在线识别中的有效性.

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。

一种改进的多传感器伪序贯滤波算法

传统的多传感器数据融合算法假定传感器之间的测量噪声是不相关的 ,但实际上测量噪声存在着一定的相关性 ,因而会引起滤波精度的损失 .针对该问题 ,文中研究了测量噪声相关情况下的同步多传感器跟踪系统的测量融合技术 .在测量噪声相关的条件下 ,根据线性无偏最小方差估计理论 ,提出了一种改进的同步多传感器伪序贯滤波算法 ,该算法不但适用于噪声不相关情况 ,而且也适用于噪声相关情况 .经仿真研究表明 ,该算法明显提高了航迹的融合精度 :在测量噪声相关时 ,融合精度比传统算法有明显提高 ;而测量噪声不相关时 ,性能与传统的数据融合算法相同 .

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing,CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter,SEKF)方法,以用于脉冲多普勒(Pulse Doppler,PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标时延和多普勒的估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果显示,基于CS辅助SEKF方法的跟踪精度明显高于传统的SEKF方法以及已有基于CS的跟踪方法,所以本文所提出的方法对机动目标有更好的跟踪性能。

基于序贯卡尔曼滤波的OCT信号处理方法研究

使用光学电流互感器(Optical Current Transducer,OCT)测量小电流时,测量得到的内部噪声信号往往大于光电信号,测得的读数不能正确反映电流的真实值。有效滤除噪声,提高信噪比是OCT信号处理的关键所在。介绍了基于法拉第磁光效应的光学电流互感器的基本原理和信噪特性,在被测电流为交直流混合信号的情况下,建立合适的滤波状态空间模型,采用序贯卡尔曼滤波的方法在Lab VIEW上进行仿真。结果表明序贯卡尔曼滤波算法能够对测量电流实时进行信噪分离,同时准确分离出交流和直流分量,提高了输出信噪比和测量精度。

基于序贯滤波的水平集图像分割

传统基于边缘的水平集分割模型对非均匀区域分割效果不理想,为了解决这一问题,本文分析了序贯滤波的平滑能力与滤波次数之间的关系,将序贯滤波与水平集分割相结合提出了基于序贯滤波的图像分割模型.为了实现自适应于图像内容的平滑,根据平滑分量分割区域的置信度,设计了图像分割的平滑指标,控制序贯滤波次数,使得不同平滑分量的轮廓曲线收敛于目标边界,改善了传统基于水平集方法对非均匀区域的分割效果.本文分割算法的F测度,精确率和召回率均高于传统模型,在一定程度上提高了非均匀区域的分割效果.

基于序贯蒙特卡洛与概率假设密度滤波的主动分布式声纳多目标跟踪

针对杂波数量多、目标数量和状态不确实性及观测不确实性等问题,提出了一种基于序贯蒙特卡洛与概率假设密度(SMC-PHD)滤波的分布式声纳多目标自动跟踪方法。通过随机有限集模型对多目标状态和观察进行表征,结合序贯蒙特卡洛方法中的重要性采样和重采样策略递归地实现多目标后验近似下概率假设密度的传递和滤波。利用分布式声纳观测模拟数据,对不同节点数目下基于SMC-PHD滤波的多目标跟踪进行了仿真实验。仿真实验结果表明:该方法适用于主动分布式声纳系统,能在多杂波环境下对数目未知且时变的多目标进行实时自动跟踪;在4个平台节点的主动分布式声纳系统中,实现了平均相对误差小于5%的水下多目标高精度跟踪,且目标数目估计值与真实值一致。

基于序贯重点采样粒子滤波的分布估计算法

连续域分布估计算法一般假设数据服从高斯分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的高斯分布模型不能有效地描述解在空间的分布.本文提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布并从中采样得到下一代种群,不需要假设样本服从高斯分布,并且算法采用的概率模型是多峰的.仿真实验结果验证了本文方法的正确性和有效性.

基于序贯滤波的机载雷达和ESM融合跟踪

针对系统误差下机载雷达和ESM融合跟踪的问题,提出了1种基于序贯滤波的异类传感器融合跟踪模型。首先通过最近邻判决准则对机载雷达和ESM的量测点迹进行数据关联,接着对关联上的量测点迹采用序贯滤波的方法进行融合跟踪,以求更好地实现对目标的跟踪识别。仿真结果表明,在系统误差存在的条件下,机载雷达和ESM具有较好地融合跟踪效果。