一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

基于Gauss-Hermite逼近的非线性加权观测融合无迹Kalman滤波器

对非线性多传感器系统,基于Gauss-Hermite逼近方法和加权最小二乘法,提出了一种具有普适性的非线性加权观测融合算法.该算法可将一个高维观测压缩为一个低维观测.在此基础上,结合无迹Kalman滤波器(Unscented Kalman filter, UKF),提出了非线性加权观测融合无迹Kalman滤波器(WMF (Weighted measurement fusion)-UKF).与集中式融合UKF (CMF (Centralized measurement fusion)-UKF)相比,该算法计算负担小且具有逼近的估计精度.特别是在传感器数量较大时,该算法在计算量上的优势更加明显.仿真例子验证了算法的有效性.

基于无迹卡尔曼滤波器的Sub Thalamic Nucleus神经元关键参数及变量获取

为了获取脑部神经一些不可测量的关键参数和变量。本研究提出以可测量的神经元膜电位为基础,通过无迹卡尔曼滤波(Unscented kalman filter,UKF)实时估计,实现关键参数和关键变量的获取。本研究以Sub Thalamic Nucleus(STN)神经元为研究对象,应用以上的方法分别实现了单个参数(钠离子通道电导gNa)的估计、多个参数(钠离子通道电导gNa,钾离子通道电导gk)的同时估计,以及多个变量(r、n、h及Ca离子浓度)的同时估计,证明了该方法的可行性。本研究还给出了UKF方法和自适应同步方法的对比,进一步证明了UKF方法的有效性。本研究提出的方法可以正确的估计出所需的关键参数和变量,对神经活动的外部电磁控制成为可能,对临床神经疾病的诊断和治疗具有重要的意义。

有限时间一致无迹Kalman滤波器

本文研究多个传感器测量非线性系统时的分布式无迹Kalman滤波器(Unscented Kalman filter,UKF)的设计问题.借助离散多智能体系统有限时间平均一致算法的思想,针对无向通信和有向通信网络分别设计了两种不同的滤波算法.对于无向连通的通信拓扑,利用节点存储的一致性算法的迭代值构造差向量,由该差向量构成的Hankel矩阵的核来得到分布式无迹Kalman滤波器,并通过利用误差协方差矩阵的逆来构造Lyapunov函数,基于随机稳定性引理证明了该有限时间一致无迹Kalman滤波器的稳定性.对于有向强连通的通信拓扑,结合比率一致和Hankal矩阵的核来设计分布式无迹Kalman滤波器,该滤波器的稳定性与无向通信拓扑的滤波器相同.最后,通过仿真例子来验证所提滤波器的跟踪效果.

无迹卡尔曼滤波器在惯导初始对准中的应用研究

滤波技术在惯导系统初始对准中的应用是一项重要的研究内容，随着非线性滤波技术的发展，如何通过新的滤波技术来提高初始对准的性能近年来得到了广泛关注。文章针对可扩展卡尔曼滤波器存在着计算复杂和滤波不稳定的缺点，尝试了一种新的非线性滤波器——无迹卡尔曼滤波器。针对所采用的非线性初始对准模型的特点，对无迹卡尔曼滤波器进行了简化，将简化后的无迹卡尔曼滤波器应用于非线性初始对准中，得到了较好的对准效果。

处理通信延迟的分布式无迹卡尔曼滤波算法

针对通信延迟影响下非线性系统的状态估计问题,提出了一种分布式无迹卡尔曼滤波器估计算法。考虑了一类由多个子系统组成的非线性系统,各子系统之间通过自身的状态相互作用;基于无迹卡尔曼滤波器原理,给每个子系统设计了相应的局部状态估计器来估计子系统的状态;各局部状态估计器通过通信网络来交换信息,考虑了通信时可能存在时变延迟,提出了一种状态预测器生成延迟子系统的状态预测,补偿延迟带来的影响;通过对一个反应器分离器过程工艺实例的应用,说明了所提出的分布式状态估计方案的有效性和适用性。

一种高阶无迹卡尔曼滤波方法

现有的研究中,高阶无迹变换(Unscented transform,UT)还不存在具体的解析解,因此,无法利用高阶无迹变换获得具备更高精度的高阶无迹卡尔曼滤波器(Unscented Kalman filter,UKF).为了解决这一问题,本文在五阶容积变换(Cubature transform,CT)的基础上,通过引入一个自由参数κ,得到高阶无迹变换的解析解,从而获得了高阶无迹卡尔曼滤波器(Unscented Kalman filter,UKF).同时验证了现有的五阶容积变换和五阶无迹变换分别是本文所提出的高阶无迹变换在κ=2和κ=6-n时的两个特例.进而分析和讨论了高阶无迹卡尔曼滤波器在系统不同维数条件下κ值的最优选取,并讨论了其稳定性.纯方位跟踪模型和弹道目标再入模型仿真验证了本文方法的正确性,且与现有方法相比具有更高的精度.

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.

基于无迹卡尔曼滤波的iBeacon/INS数据融合定位算法

针对微机电惯性导航系统(MEMS-INS)定位解算存在积累误差及低功耗蓝牙技术iBeacon指纹定位存在跳变误差等问题,该文提出一种基于无迹卡尔曼滤波器(UKF)的iBeacon/MEMS-INS数据融合定位算法。该算法对iBeacon锚点与定位目标的距离进行解算,利用加速度计和陀螺仪的数据实现姿态阵和位置解算。将蓝牙锚点位置向量、载体速度误差信息等组成状态量,将惯性导航定位信息和蓝牙定位距离信息等组成观测量,设计无迹卡尔曼滤波器,实现iBeacon/MEMS-INS数据融合定位。实验测试结果表明,该算法有效解决MEMS-INS存在较大积累误差及iBeacon指纹定位存在跳变误差的问题,可以实现1.5 m内的定位精度。

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.

基于GA-BPNN的自适应抗野值无迹Kalman滤波方法

为了满足飞行试验轨迹的试验测量需求,构建了一种高性能飞行试验目标轨迹测量系统。在此基础上,针对实际飞行测量中遇见的异常数据处理问题,提出了一种基于多机器学习改进的自适应Kalman滤波方法。该方法以传统的无迹Kalman滤波器(UKF)为基础,首先,通过引入采用遗传算法改进后的BP神经网络(GA-BPNN)来改进UKF算法,以实现对UKF全局误差的调控和修正,从而改善UKF的估计精度;然后,应用抗野值技术来充分剔除测量中的孤立型和斑点型异常点,实现对GA-BPNN-UKF的再次改进,有效提高滤波的鲁棒性;最后,应用仿真来验证提出新算法的有效性,并通过对实际飞行测量数据(通过建立的轨迹测量系统获得的实际数据)的实验分析来显示算法在实际应用中的有效性。

无迹信息滤波耦合交互式多模型的多传感器机器人轨迹控制

为了实现对包装运输过程中机器人的轨迹跟踪,基于无迹信息滤波技术(UIF)和交互式多模型技术(IMM),提出了一种新的多传感器数据融合算法(UIF-IMM),融合了单个IMM滤波器、每个UIF的信息状态贡献和信息矩阵等信息.通过对机器人轨迹跟踪可知:在4种轨迹跟踪算法中,提出的算法跟踪效果最好,均方根位置误差和角度误差均最小,分别为0.047和0.9.在分布式传感器节点(UIF-IMM 2)中,采用模型似然函数组合的多传感器融合算法,其位置精度和角度精度均优于不进行组合的多传感器融合算法(UIF-IMM 1).提出的滤波方法可以很好地解决分布式多传感器环境下机器人的跟踪问题,在机动目标定位领域具有一定的参考价值.

适用于稀疏动态无线传感器网络的并行融合分布式无迹信息滤波算法

稀疏和随机动态变化是实际无线传感器网络(wireless sensor network,WSN)中普遍共同存在的两种通信拓扑不稳定因素,使基于一致性算法的分布式无迹信息滤波(distributed unscented information filter,DUIF)算法适用于稀疏动态WSN,将极大提高其实用性.为此,本文提出一种并行融合DUIF(parallel fusion DUIF,PF–DUIF)算法.在PF–DUIF算法中,通过将实时局部后验估计均值和协方差用于局部无迹信息滤波器(local unscented information filter,LUIF)的Sigma点采样,使LUIF和加权平均一致性滤波器(weighted average consensus filter,WACF)得以并行运行,从而有效抵制由通信拓扑随机动态变化带来的较大一致跟踪误差的困扰;同时,WACF通过对LUIF输出的无偏局部信息矩阵和向量分别进行平均一致性滤波,最终得到不包含由稀疏通信拓扑引起的平均一致误差的分布式后验估计结果;进而,建立即时更新机制有效抑制随机动态通信拓扑引起的PF–DUIF算法滤波异步问题,同时,基于稀疏动态WSN的平均网络模型,在通信能量消耗受限条件下优化WACF均方收敛速率,从而提高PF–DUIF算法的整体滤波效率.仿真实验结果表明,PF–DUIF算法能够有效应用于稀疏动态WSN机动目标跟踪.

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.

基于平方根无迹卡尔曼滤波的混沌信号盲分离

针对现有卡尔曼盲分离算法在分离混沌信号时性能较差的问题,提出了基于平方根无迹卡尔曼滤波器(SRUKF)的混沌信号盲分离方法。该方法采用递推方式实现,在每一次递推中,首先将分离向量作为状态变量进行卡尔曼估计,然后将分离向量视为已知量,再次利用SRUKF重建源信号,从而得到源信号在最小均方误差意义下的优化估计。实验仿真表明,所提算法能够快速收敛,并且在噪声环境下估计误差比现有的卡尔曼盲分离方法明显减小。

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。

基于自适应滤波器的无人驾驶汽车速度估计

针对无人驾驶汽车容错控制对速度信息软测量技术的需求,提出了一种基于交互式多模型无迹卡尔曼滤波器的无人驾驶汽车速度估计方法,以自适应系统未知的噪声统计特性。首先,基于无人驾驶汽车定位信息建立了包含汽车运动学和动力学特性的名义模型,并采用前向欧拉离散化方法将其转化为包含系统噪声统计特性的状态空间名义模型;然后,采用一系列典型值描述系统未知的噪声统计特性,得到一系列包含不同系统噪声统计特性的状态空间名义模型,并针对每一个状态空间名义模型,分别采用无迹卡尔曼滤波器对无人驾驶汽车的速度进行实时估计,通过交互式多模型算法平滑融合无迹卡尔曼滤波器的输出,由此得到对系统噪声统计特性具有自适应能力的交互式多模型无迹卡尔曼滤波器。实车试验结果表明,所提出的方法对汽车纵向速度的估计精度是传统无迹卡尔曼滤波方法的4倍,对汽车侧向速度的估计精度是传统无迹卡尔曼滤波方法的1.5倍,满足无人驾驶汽车容错控制的需求。

基于无迹卡尔曼滤波的旋转倒立摆LQR控制

LQR控制器在含有系统噪声与量测噪声的旋转倒立摆系统应用中,难以获得精确的状态向量实现对系统的最优控制。为了提高LQR的控制精度,引入了无迹卡尔曼滤波(UKF)状态观测器,以获得系统的最优状态估计量,实现基于动态规划的自抗扰二次型最优反馈控策略。与卡尔曼滤波(KF)相比,UKF用于非线性系统的状态估计的主要优势是不需要线性化去计算状态转移矩阵,避免了系统线性化带来的模型误差。在含有系统噪声与量测噪声的旋转倒立摆仿真模型下,对基于KF和UKF的LQR控制器进行了仿真对比分析。仿真结果表明,UKF对系统响应时间、控制精度、鲁棒性的优化效果更好。