基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter,IICKF)算法.该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量.仿真结果表明:该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter,MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter,ICKF)算法,该算法的提出有助于提高姿态估计的精度.

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。

带遗忘因子的自适应迭代容积卡尔曼滤波算法

自适应迭代滤波算法作为典型的滤波改进算法,有效提高了滤波精度,但旧数据影响过大,导致滤波发散;遗忘因子滤波算法虽然引进遗忘因子减少了旧数据的影响,但是其滤波算法本身的精度不高,难以处理高度非线性问题。基于此,本文借鉴遗忘因子的滤波算法和自适应迭代无迹卡尔曼滤波算法的思想,把遗忘因子与自适应迭代容积卡尔曼滤波相结合,这样既可以发挥遗忘因子的作用,减小历史数据对滤波结果的影响,又可以提高滤波算法本身精度和处理非线性问题的能力。仿真实验表明,该算法可以有效减小误差且提高滤波精度。

边缘化迭代容积卡尔曼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,提出了一种边缘化迭代容积卡尔曼滤波算法。该算法采用基于似然增加的迭代策略,不需要设置判决门限,且保证了算法的全局收敛性。同时,其充分考虑状态向量与观测噪声之间的互协方差,将状态向量扩维,构造条件线性模型并进行边缘化滤波,不仅提高了算法的定位精度以及收敛速度,还减少了扩维后所需的采样点,提高了算法的运算效率。仿真结果表明,新算法改善了单站无源定位的定位精度以及收敛速度。

改进的迭代卡尔曼滤波及其在全球导航星系统/惯导紧组合中的应用

为改善GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合中非线性滤波器的稳定性和精度,基于Backtracking线搜索(BLS)方法提出一种新型的迭代容积卡尔曼滤波方法(BLS-ICKF)。首先建立Sigma点滤波方法的迭代框架,采用阻尼Newton迭代改善状态初始误差较大时的滤波更新精度,同时,为提高组合系统状态预测过程的鲁棒性定义了一种简化的迭代更新结构。实验和仿真结果表明,BLS-ICKF牺牲较小的时间复杂度较CKF的航向角误差减少约59%。

迭代自适应容积卡尔曼滤波算法

针对标准容积卡尔曼滤波(CKF)算法跟踪精度低、稳定性差的问题,提出了一种采用优化迭代测量更新过程方法,并将其引入到自适应的容积卡尔曼滤波算法中。该算法不仅保证了迭代算法的有效性,还在很大程度上提高了CKF算法的精度、增强算法的稳定性,新算法还具有应对噪声统计特性变化的自适应能力。采用非线性高斯模型进行仿真实验与分析,实验中给出了扩展卡尔曼滤波(EKF)、无际卡尔曼滤波(UKF)、CKF、以及改良的迭代自适应容积卡尔曼滤波(IDCKF)等算法的目标跟踪滤波估计结果。并根据均方根误差、对目标跟踪位置与速度的均方根误差以及执行时间来证明新算法的有效性。

WSN中利用改进FOA-GRNN和迭代Cubature卡尔曼滤波的实时目标跟踪方法

针对传统无线传感器网络(Wireless Sensor Network,WSN)对运动目标的定位和跟踪容易产生明显误差的问题,提出利用改进FOA-GRNN和迭代Cubature卡尔曼滤波的实时目标跟踪方法。基于改进FOA-GRNN法,利用从锚点接收到的运动目标的模拟(RSSI)值和相应的实际目标二维位置对GRNN进行训练,从而获得单个目标在二维运动时的准确初始位置;利用迭代Cubature卡尔曼滤波法对实时目标进行精准定位和测距,获得实时目标的准确定位和跟踪信息;将改进的FOA-GRNN法和迭代Cubature卡尔曼滤波法相结合用于WSN中实时目标跟踪和定位,在提高初始位置精度的同时,还提高了实时目标定位和跟踪信息的准确度。实验结果表明,相比其他几种较新的方法,该方法改善了WSN中实时目标的跟踪性能,降低了误差,提高了跟踪精度。

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%。

迭代容积粒子滤波算法在SINS初始对准中的应用

在大方位失准角误差的条件下,捷联惯导系统(SINS)初始对准误差模型是非线性的,可以采用粒子滤波(PF)方法进行处理。针对标准PF算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代容积粒子滤波(ICPF)算法。将Gauss-Newton迭代和容积卡尔曼滤波(CKF)算法相结合,得到迭代CKF(ICKF)算法。该算法利用最新量测信息改进迭代过程中产生的新息方差和协方差,可获得较高的估计精度。由ICKF算法获得粒子滤波算法的重要性密度函数,有效地抑制了粒子退化现象。SINS大方位失准角初始对准的仿真结果和实验结果表明:该算法的滤波精度高于标准PF算法和容积PF(CPF)算法,是一种非常有效的非线性滤波算法。

基于迭代平方根CKF的SLAM算法

在大尺度环境中,平方根容积卡尔曼同步定位与地图构建算法的非线性误差严重制约了算法的定位精度,为解决这一问题,提出了一种基于迭代平方根容积卡尔曼滤波的改进算法,该算法结合迭代理论,对平方根容积卡尔曼滤波的量测更新过程进行迭代更新,充分利用最新的观测信息,降低滤波的估计误差,从而构建精确的地图并获得高精度的定位信息.仿真实验结果表明,采用本算法后,x轴和y轴方向上的位置误差均在1.5 m以内,估计结果明显优于SRCKFSLAM、CKF-SLAM和EKF-SLAM算法;添加不同的环境噪声后进行仿真实验,该算法所取得的位置误差相比仍是最小的.利用该算法可以有效地减小非线性误差造成的影响,提高SLAM的定位精度.

基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪算法

提出一种适用于汽车雷达目标跟踪的基于噪声补偿的迭代平方根容积卡尔曼滤波(NISRCKF)算法。在继承平方根容积卡尔曼滤波(SRCKF)算法快速和鲁棒等优点的基础上,结合Gauss-Newton迭代理论和噪声补偿方法,设计了一种对SRCKF的量测更新过程进行迭代更新的新算法,充分利用了最新的量测信息,通过选取合适的噪声补偿因子进一步提高对汽车雷达目标跟踪的精度。针对汽车雷达目标跟踪问题进行Monte-Carlo仿真实验,与SRUKF,SRCKF和ISRCKF等经典算法进行对照,实验结果表明,文中算法滤波精度比经典滤波算法有明显的提高,且一定范围内增加迭代次数和设置合适的噪声补偿因子能有效提高滤波精度。

基于“当前”统计模型的后向迭代CKF算法研究

针对机动目标的非线性跟踪问题,提出了基于"当前"统计模型的容积卡尔曼滤波(CSCKF)。针对新算法对目标加速度阶跃机动跟踪延迟过大的问题,研究了后向迭代算法在估计精度和动态响应速度上的特点,提出了基于"当前"统计模型的后向迭代容积卡尔曼滤波算法。最后通过仿真实验比较了本文提出的CS-CKF算法和CKF算法的滤波效果。结果表明CS-CKF算法滤波效果优于CKF算法。

基于改进SRCKF的固定单站无源定位算法

针对平方根容积卡尔曼滤波(SRCKF)算法精确性和实时性存在的不足,以固定单站无源定位系统为研究对象,提出基于改进SRCKF的固定单站无源定位算法。该算法对SRCKF算法时间更新环节进行线性简化,能避免计算容积点带来的加权近似误差,减少运算量提高效率;引入迭代思想,对量测更新环节进行迭代运算,充分利用量测信息,降低估计误差。仿真结果表明,该算法能有效提高滤波估计精度和运算时效。

可以稳定快速收敛的无源时差定位系统

针对无源时差定位系统实时性要求较高、初始估计误差较大的特点,分析了现有各种滤波方法在实际工程应用中的局限性,在此基础上提出对传统的迭代卡尔曼滤波(IKF)方法进行改进。从其高斯牛顿迭代逼近最大似然估计的实质入手,首先通过修正高斯牛顿迭代的目标函数得到一个基于一步高斯牛顿迭代的滤波更新公式,减小了初始估计误差对整个系统的影响,然后根据其最大似然估计的性质推导了一个新的增益计算公式,减少了求逆运算的次数,提高了整个系统的稳定性,在获得较好定位性能的同时大大提高了系统的处理速度。实验统计结果表明,改进后的IKF方法以较小的时间开销获得了与无迹卡尔曼滤波(UKF)方法相近的定位性能,但其定位性能明显优于扩展卡尔曼滤波(EKF)方法、粒子滤波(PF)方法和传统IKF方法。

基于AKF的AUV对接回收组合导航研究

针对自主水下机器人(Autonomous Underwater Vehicle,AUV)在回收过程中的组合导航精度问题,提出了一种改进的高斯距离迭代法及改进的自适应卡尔曼滤波算法(Adaptive Kalman Filter,AKF)。基于AUV回收对接系统,研究并建立了针对惯导SINS、超短基线USBL、多普勒计程仪DVL和深度计的基于斜距的组合导航模型。通过对SINS/USBL/DVL/深度计组合导航量测信息误差特性分析,设计了改进的基于斜距的SINS/USBL/DVL/深度计组合导航模型;针对该模型突出的滤波发散问题,设计了基于滤波收敛性判据和强跟踪滤波思想改进的AKF滤波算法进行有机融合。仿真结果表明,此研究使实际AUV系统具有更高的滤波精度和可靠性。

基于ICKF的永磁同步电机无传感器控制方法

针对在永磁同步电机(Permanent magnet synchronous motor,PMSM)中安装传感器带来的高成本、体积增大、可靠性降低和易受环境干扰等问题,提出采用迭代容积卡尔曼滤波(Iterative cubature Kalman filter,ICKF)算法来估计电机转速和转子位置,并将其应用于永磁同步电机无传感器控制。首先,建立了PMSM在α-β坐标系下的离散数学模型。其次,在Matlab/Simulink环境下分别建立了基于容积卡尔曼滤波(Cubature Kalman filter,CKF)和ICKF的PMSM转速、电流双闭环的无传感器矢量控制系统仿真模型,并进行了给定转速和加负载两种工况的仿真验证。最后,基于TMS320F28335芯片搭建了硬件实验验证平台。仿真分析与实验结果均表明,迭代容积卡尔曼滤波算法应用于永磁同步电机无传感器控制中抗负载变化干扰性好、电机运行稳定、电机转速和转子位置估计精度高,可满足对电机精确控制要求较高的应用场合,具有重要参考价值和推广意义。

ISCPF在捷联惯导初始对准中的应用

针对标准粒子滤波算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代平方根容积粒子滤波(ISCPF)算法.将高斯-牛顿迭代和平方根容积卡尔曼滤波(SCKF)算法相结合,得到迭代平方根容积卡尔曼滤波(ISCKF)算法.利用ISCKF算法获得粒子滤波算法的重要性密度函数,有效抑制了粒子退化现象.捷联惯导系统大方位失准角初始对准的仿真结果表明:该算法对航向失准角的估计精度可以达到2.21′,相比于标准粒子滤波(PF)算法和容积粒子滤波算法(CPF)具有更高的估计精度.