卡尔曼滤波下多源传感器数据互补-加权迭代融合算法

因多源传感器在数据融合过程中,受自身数据差异性影响较大,导致最终的融合结果精准度较低。为此,在卡尔曼滤波算法的基础上,针对多源传感器数据提出一种互补-加权迭代融合算法。建立多源传感器观测模型,找出数据融合过程中的最优加权系数。在多源传感器组合系统中引入卡尔曼滤波算法,结合互补-加权迭代融合算法,建立预测方程、状态方程、滤波互补因子以及估计均方误差方程,实现多源传感器的数据融合。实验结果表明,所提算法可以精准找出最优加权系数,观测误差始终在0.6 m以下,可以实现数据的精准融合。

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.

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.

基于迭代卡尔曼粒子滤波器的锂电池SOC估算算法研究

荷电状态(SOC)估算是电动汽车电池管理系统中最为核心的一个参数,对其精确估计能有效提高锂电池寿命及使用效率。考虑到基于扩展卡尔曼滤波(EKF)波算法存在的不足,应用粒子滤波算法对锂电池SOC进行在线估计,有效降低EKF过程中高阶损失误差。针对粒子退化问题,提出基于IEKF算法在采样阶段对每个粒子计算其均值及协方差以优化建议密度函数,随后利用该均值及协方差指导粒子重采样。采用1C恒流工况及动态测试工况(DST)对实验结果进行分析验证,实验结果表明相比于粒子滤波(PF)及扩展卡尔曼滤波算法(EKF),改进的粒子滤波具备更好的估算精度。

基于迭代卡尔曼粒子滤波的目标跟踪算法研究

粒子滤波在基于图像序列的目标跟踪中获得了广泛应用.针对其计算量较大的问题,提出一种迭代卡尔曼粒子滤波算法,将非线性跟踪问题分解为线性子结构的全局状态空间模型和非线性子结构的局部状态空间模型,利用粒子滤波在卡尔曼滤波估计值的局部范围内搜索目标,逼近真实目标状态.将实验结果与粒子滤波进行比较,结果表明,迭代卡尔曼粒子滤波减少了粒子数,降低了计算量,能够对高机动目标进行实时稳定的跟踪.

基于卡尔曼滤波的双约束CUP-VISAR压缩图像重构算法

针对从基于压缩超快成像(Compressed Ultrafast Photography,CUP)的任意反射面速度干涉仪(Velocity Interferometer System for Any Reflector,VISAR)中获得的压缩图像中重构出冲击波二维条纹图像的问题,提出一种基于卡尔曼滤波的双约束图像重构算法。该算法首先基于条纹图像具有的稀疏性和平滑性,将问题转化为基于小波与全变分双先验约束的优化问题,然后,考虑到实际成像的噪声问题,采用加权卡尔曼滤波对图像已有信息进行预测和调整,最后将卡尔曼滤波引入二步迭代阈值算法的迭代过程中,进而求解该双约束优化问题,实现压缩图像的精确重构。在大噪声仿真实验中,该算法重构图像的峰值信噪比和结构相似度分别提高了4.8 dB和14.81%,显著提高了图像重构质量。在实际实验中,该算法重构出了清晰的冲击波条纹图像,且将冲击波速度最大相对误差降低了9.57%和平均相对误差降低了2.2%,验证了该算法的可行性。

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。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

卫星轨道估计中广义卡尔曼滤波算法改进

随着广义卡尔曼滤波越来越广泛的应用,其算法研究越来越深入。文章给出了一种轨道确定方法的广义尔曼滤模型,对广义卡尔曼滤波过程中的状态预报给出了一种修改算法———迭代算法,对这种迭代算法和RKF7(Runge-Kutta-Fehlberg7阶)算法所相应的滤波过程进行了计算机仿真,说明了离散误差对估计轨道的影响,迭代算法可以消减离散误差。通过把两种算法结果进行比较,表明迭代算法简捷、运行较快、且能达到一定的精度。

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波(CDKFPF)算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波(ICDKFPF)新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波(PF)和中心差分卡尔曼粒子滤波(CDKFPF)。

组合导航系统中自适应迭代粒子滤波

提出一种自适应迭代粒子滤波算法,利用自身迭代实时更新重要密度函数,快速将粒子推到高似然区,让粒子权重分散均匀,提高采样效率。运用模拟退火算法来解决粒子权重很小、不易归一化的问题,仿真结果可知,自适应迭代粒子滤波算法在SINS/GPS组合导航中有更好的实用性。

基于非线性滤波和平滑相迭代的GPS定位估计算法

针对目前全球定位系统(GPS)单机定位精度较低的问题,提出一种新的定位估计算法.每一时刻点先用平淡卡尔曼滤波进行位置估计;然后,利用滤波结果对前一时刻点的位置估计进行平滑修正;接着,再用修正值进行滤波,得到当前时刻点更新的估计值,通过若干次迭代,得到最终估计值.后向平滑算法分别采用固定区间平滑和固定滞后平滑,前者适用于非线性系统模型,后者在平滑步长增大时,其计算量较小.实验结果表明,迭代算法能够有效提高定位精度,不仅可以应用于后验数据处理中,也可以应用于GPS实时定位估计.

基于卡尔曼滤波和ISODATA的航标漂移预警方法

为解决目前航标遥控遥测系统中航标漂移误报警过多的问题,提出一种基于卡尔曼滤波和迭代自组织数据分析算法(iterative self-organizing data analysis technique algorithm,ISODATA)的组合优化方法。该方法如下:对航标GPS接收机原始坐标数据进行滤波,消除波动较大的数据后得到较可靠的航标位置数据;使用ISODATA得出其聚类中心;以该聚类中心取代航标抛设位置作为航标回旋中心,计算航标漂移距离。测试结果表明,该组合优化方法能够获取较为准确的航标漂移距离,在降低航标维护成本的同时,还能有效减少误报警。

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。

面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析

为了验证目前高精度定位中多传感器组合定位模型性能的优越性,以更好地解决自动驾驶场景下自主定位中出现的预测精度标准不一致、预测不及时及误预测率高等问题,本文利用LiDAR与Radar数据,建立了一种基于迭代加权的IEKF-BP组合算法的松组合模型,并对两种传感器组合定位结果精度进行了分析。试验表明,迭代加权的IEKF-BP组合算法的组合结果精度优于单一的IEKF算法和BP神经网络算法组合定位精度,其中,在X、Y方向上的均方根误差分别为0.028、0.028 m,平均误差分别为0.023、0.014 m,能准确反映载体的运动状态,满足未来无人驾驶中定位需求。

捷联惯导系统初始姿态和仪表误差标定迭代算法研究

从工程实用角度出发,提出了一种在初始方位已知的情况下同时进行姿态估计和仪表误差标定的迭代计算方法。半实物仿真结果表明:该方法在占用一定初始对准时间的条件下能在线补偿仪表误差,并能显著提高惯导系统导航精度,效率较高。

基于CDKF滤波算法的智能车组合定位技术的探讨

提出了一种新的CDKF滤波算法,用此算法来替代扩展卡尔曼滤波器算法,由此迭代更新其观测到的数据,目的是提高智能车系统的定位精度,使提议分布更趋近于后验概率分布,并且能够准确估算智能车的位姿进而对其位置进行特征地图更新。此算法的优越性在于既能保证智能汽车定位精度,又能减少计算复杂度。由于车辆系统估算性能得到提高,使得粒子滤波算法稳定性获得增强。

高精度三维激光雷达自我定位算法研究

在新时代的科技环境之下,车载激光雷达已在自动驾驶等多领域嵌入其影响深远应用,人们对激光雷达自我定位功能的精确度非常重视。此论文就此问题触及到,提出一项创新的高精度三维激光雷达定位方案。在获取数据的环节,采用高精度三维激光雷达做为首要的数据搜集工具,借此成功采集了丰富的高精度三维空间点云数据。设计算法时,融进了基于ICP(迭代最近点)的全球优化手法,配合粒子滤波等其他定位策略的结合,而创生出一款具备更卓越定位精度的新颖算法。同时,我们还使用了室内外两种典型场景进行了实际测试,并与当前主流的其他三维激光雷达定位算法进行了系统比较。在实验结果阶段,经过多次测试,新型算法在室内外实验场景下都实现了极高的定位精度和稳定性。此重要发现给出了一个全新的视角,推动了三维激光雷达自我定位技术的进一步研究。可为自动驾驶等领域提供重要的技术支持和理论依据。