基于无损卡尔曼辅助粒子滤波的目标跟踪算法研究

为实现非线性运动目标的实时跟踪和状态估计,采用和验证了一种无损卡尔曼辅助粒子滤波算法。通过无损卡尔曼滤波算法求取重要性函数,实现对辅助粒子滤波算法的优化,从而进一步提高了辅助粒子滤波的性能。本文通过MAT⁃LAB软件进行仿真实验,证明了该算法能够更好地缓解粒子滤波中多样性的问题,其性能优于辅助粒子滤波。

迭代扩展卡尔曼辅助粒子滤波及算法性能分析

用迭代扩展卡尔曼滤波方法来生成辅助粒子滤波的重要性密度函数,得到了一种新的改进的滤波算法:迭代扩展卡尔曼辅助粒子滤波.仿真结果表明,该算法在观测量较精确的情况下改善了粒子权值分布,减轻了粒子退化现象,该算法不仅要优于已有的滤波方法,而且比无忌卡尔曼粒子滤波运行时间短.分析了各算法改进的原因及适应情况.

激光捷联惯导系统/地形辅助导航系统中卡尔曼/粒子组合滤波算法设计及仿真

粒子滤波技术是近几年出现的一种非线性滤波技术,它适用于非线性系统以及非高斯噪声模型。结合粒子滤波和卡尔曼滤波各自的优点,给出了一种卡尔曼/粒子组合滤波器,并将这种滤波器应用到激光捷联惯导(LSINS)/地形辅助导航(TAN)数据融合过程中,避免了地形复杂的线性化问题。仿真结果表明,系统的定位精度得到了明显提高。应用粒子滤波器及其改进算法解决了导航系统中存在的强非线性问题。

基于容积卡尔曼滤波的辅助粒子滤波算法

针对非线性系统的状态估计精度较低的问题,提出基于容积卡尔曼滤波(CKF)的辅助粒子滤波(APF)算法—CAPF算法。该算法采用容积数值积分原则计算非线性函数的均值和方差,生成粒子滤波算法的重要性密度函数,获得所需的带权值粒子,进而计算粒子均值,获得系统状态的最小均方误差估计。CAPF算法由于使用最新的量测信息产生粒子,因而提高了对系统状态估计的逼近程度。仿真结果表明,CAPF算法具有更高的滤波精度,验证了算法的可行性和有效性。

基于粒子滤波的跨断层数据分析

以大同台和唐山台为例,对跨断层观测数据与降水量、气温等辅助观测数据进行粒子滤波处理,并与卡尔曼滤波结果进行比较。示例及统计结果表明,该算法在跨断层数据处理中是可行性的。

基于粒子滤波的蜂窝网目标跟踪

蜂窝网移动定位是根据蜂窝网自身的位置信息进行移动台定位与跟踪一种技术,是未来移动通信的方向,本文考虑到复杂信道环境中的非视距(NLOS)噪声误差的因素,提出了一种基于到达时间差(TDOA)的粒子滤波方法。仿真结果表明,与无损卡尔曼滤波对比,采用粒子滤波的跟踪方法能明显改善移动目标的定位精度。

基于非线性滤波的水下地形辅助导航方法

为了解决水下航行器惯性导航误差随时间积累问题,利用地形辅助导航技术进行导航位置修正。由于水下地形的非线性,对基于扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和粒子滤波(PF)3种非线性滤波方法的水下地形辅助导航算法进行研究。针对传统基于单波束声纳量测模型在小起伏地形区域导航精度低、易发散问题,从提高量测地形信息量角度,建立了基于多波束测深声纳的量测模型。使用多波束实测地形数据进行仿真试验,结果表明:无论在粗糙地形区域还是较平坦地形区域,多波束量测模型有效缓解了3种方法易发散问题,提高了导航精度。

基于粒子滤波的混沌同步性能研究

本文比较了扩展卡尔曼滤波、无损卡尔曼滤波和粒子滤波的混沌同步方法在不同信噪比下的同步均方误差。研究结果表明,在较低的信噪比下,粒子滤波算法可以有效地实现混沌同步,同扩展卡尔曼滤波和无迹卡尔曼滤波的混沌同步方法相比,粒子滤波混沌同步的稳健性更好,同步均方误差更低。

UKF参数估计在航天器气动辅助变轨问题中的应用

为快速精确地求解气动辅助变轨问题,提出一种基于无损卡尔曼滤波(UKF)参数估计的数值求解方法。首先,针对气动辅助变轨问题,利用极大值原理将其转化为对应的两点边值问题;然后,以协态变量的初值作为估计参数,以末端条件为期望观测值,将该两点边值问题转化为参数估计问题,并应用UKF滤波算法求解。该算法基于估计理论,避免了计算传统数值方法所需要的梯度矩阵,同时克服了猜测协态变量初值的困难,降低了求解气动辅助变轨问题的难度。数值仿真表明,该算法结构简单,求解效率高,具有良好的鲁棒性。

非线性、非高斯系统滤波的最优估算

为了探寻非线性、非高斯系统滤波的最优算法,运用Python搭建Monte Carlo仿真实验模型,观察了扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、重要性重采样算法(SIR)和辅助粒子滤波(APF)的状态估计曲线,对比了仿真结果的RMSE平均值,对各种滤波算法进行性能评估。实验结果表明,EKF对于强非线性系统会出现滤波发散现象,APF比UKF和SIR有更好的跟踪准确性。

EKF、UKF、PF混沌同步性能分析

针对离散混沌系统同步问题,分析扩展卡尔曼滤波(extended Kalman filter,EKF)、无损卡尔曼滤波(unscented Kalman filter,UKF)和粒子滤波(particle filter,PF)这3种同步算法的同步性能。混沌系统的非线性程度及噪声状态分布会影响算法同步性能,根据非线性程度对混沌系统进行分类,在此基础上比较3种算法在高斯和非高斯噪声干扰下的同步性能。引入克拉美罗界(Cramér-Rao lower bound,CRLB)作为高斯噪声下同步误差的下限标准,并分析了3种同步算法的时间复杂度。仿真结果表明,在同步Ⅰ型高斯系统时EKF性能最优,在同步Ⅱ型高斯系统时UKF性能最优,当系统受非高斯噪声影响时,PF算法精度最高。

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM2.0算法好,并且它的位姿估计精度高于FastSLAM2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.