基于广义M估计的鲁棒容积卡尔曼滤波目标跟踪算法

为减小测量异常误差对非线性目标跟踪系统的影响,提出了一种基于广义M估计的鲁棒容积卡尔曼滤波算法.首先将非线性测量方程等价变换,利用约束总体最小二乘准则构建广义M估计极值函数,在不进行线性化近似的前提下将其引入到容积卡尔曼滤波求解框架中.然后根据Mahalanobis距离构建异常误差判别量,利用卡方分布的置信水平确定判决门限,并建立改进的三段Huber权函数,使其能够降低小异常误差权值,剔除大异常误差.理论分析表明,该方法具有无需求导、跟踪精度高、实时性好等优点,且无需已知异常误差的统计特性;实验结果表明,所提算法能够有效减小异常误差的影响,在实际非线性物理系统中具有广阔的应用空间.

离散系统的鲁棒卡尔曼滤波新方法

提出了一个线性离散不确定系统的卡尔曼滤波新算法 .当系统矩阵和观测矩阵都存在不确定误差时 ,该算法能保证系统的滤波误差有界 .相对不确定系统的标称系统来说 ,该算法是无偏的 .与同类算法相比 ,该算法计算简单 ,计算量较小 .实际算例显示了算法的有效性 .

基于鲁棒无迹卡尔曼滤波的无线室内定位算法

为解决超宽带(UWB)系统定位易受室内环境的影响,测距误差特性呈现非高斯分布的问题,提出了一种鲁棒UKF定位算法,实现室内高精度定位。首先,介绍了UWB系统定位实现,以及对比分析了扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)定位算法之间的差异;然后,针对UKF算法存在的局限性,通过引入代价函数,自适应修正观测方差,建立鲁棒机制,降低算法对噪声特性分布的要求,提高了UWB系统环境适应能力。实测结果表明:该方法性能均优于最小二乘、EKF和UKF算法,平均定位精度可达0.33 m,相比较于最小二乘算法,定位精度提高了15%,是一种实时高精度的室内定位算法。

室内Wi-Fi/PDR自适应鲁棒卡尔曼滤波融合定位方法

针对室内复杂环境下信道状态信息的动态性问题,本文提出了一种面向室内Wi-Fi/行人航迹推算(Pedestrian Dead Reckoning,PDR)融合定位的自适应鲁棒卡尔曼滤波方法.该方法利用自适应鲁棒卡尔曼滤波将Wi-Fi传播模型与PDR定位信息进行多重融合,推算用户的最优估计位置.同时,基于滤波反馈机制,通过融合定位结果对加权最小二乘法中的路径损耗指数和滤波模型中的观测协方差进行动态修正,保证Wi-Fi传播模型接近于真实室内环境.实验结果表明,该方法能够有效解决室内复杂环境下单一Wi-Fi定位精度低和PDR累积误差的问题,此外,路径损耗指数和观测协方差的实时修正可以提高融合定位系统的定位精度和稳定性.

鲁棒卡尔曼滤波下的图像雅可比矩阵带时延补偿的估计

传统的图像雅可比矩阵估计的方法没有考虑时延因素,因此具有较大的估计误差.为补偿时延带来的影响,提出一种鲁棒卡尔曼滤波的方法,实现时延情况下当前时刻特征点在图像空间中位置和速度的估计,进而得到时延情况下较为准确的图像雅可比矩阵的估值.具体说,特征点在图像空间中当前时刻位置和速度是首先用卡尔曼滤波的方法估计的,但观测噪声的描述却采用了马尔科夫链模型,由此产生了过程噪声和观测噪声的互相关,传统卡尔曼滤波受限.为此,我们引入滤波修正向量并重新定义过程方程及观测方程,结合卡尔曼滤波中噪声的数学特性,得到滤波修正向量消除互相关性,从而构建出鲁棒卡尔曼滤波模型;其次,针对鲁棒卡尔曼滤波模型中存在的无法获得时延期间的观测向量的问题,提出利用多项式拟合出这部分观测向量,该多项式的选取综合考虑了特征点的位置、速度、加速度、加速度的变化率对于特征点轨迹的影响,与实际情况相符;最后,由预测出的当前时刻特征点在图像空间中的位置和速度,实现时延情况下图像雅可比矩阵较为准确的估计.仿真和实验结果验证了本文方法的可行性和优越性.

基于M估计的非线性鲁棒检测卡尔曼滤波算法

针对传统鲁棒非线性滤波在观测噪声为非高斯强干扰噪声情况下,滤波性能下降的问题,提出一种利用卡方检测法预判断的非线性鲁棒检测滤波算法。该算法通过卡方检测设置门限,剔除突变野值,利用M估计修正量测更新。仿真实验对比了几种典型非线性滤波方法在不同观测噪声环境下的性能。所提算法在非高斯强干扰噪声情况下,比传统鲁棒滤波算法估计精度平均提高了25.5%;估计方差平均减少了18.3%。实验结果表明:所提算法可以抑制观测量非高斯强干扰噪声的影响,提高滤波精度及稳定性。

SINS初始对准中的鲁棒超球体无迹卡尔曼滤波方法

捷联惯导初始对准大失准角系统误差模型中,当噪声具有不确定统计特性时,基于白噪声假设的无迹卡尔曼滤波算法鲁棒性较差。针对该问题,提出了一种基于H理论的鲁棒超球体无迹卡尔曼滤波算法。给出了计算量小的超球体采样策略,推导了H滤波的鲁棒机理,分离了鲁棒环节。将鲁棒环节引入超球体无迹卡尔曼滤波算法,得到鲁棒超球体无迹卡尔曼滤波算法,并分别在系统噪声和量测噪声为白噪声和有色噪声的条件下,对超球体无迹卡尔曼滤波和鲁棒超球体无迹卡尔曼滤波两种滤波方法进行了仿真实验。仿真结果表明,鲁棒超球体无迹卡尔曼滤波在白噪声情况下虽然精度有所降低,但是相对超球体无迹卡尔曼滤波具有了对有色噪声的鲁棒性,较超球体无迹卡尔曼滤波方法更适用于天向失准角为大角度并且噪声特性为有色噪声的情况。

鲁棒四元数无味卡尔曼滤波算法在组合导航姿态估计中的应用

针对SINS/GPS直接式组合导航姿态估计中,GPS信号易受外界干扰而引入污染观测量等问题,提出基于Huber的鲁棒化四元数无味卡尔曼滤波算法。通过研究在四元数无味卡尔曼滤波算法中引入Huber鲁棒化框架,对原算法的量测更新进行修正,增强滤波算法的鲁棒性与稳定性。以SINS/GPS位置松组合为应用背景,在不同仿真环境下,验证提出算法对姿态信息的估计效果。试验结果表明:与原算法相比,该算法具有更好的鲁棒性和稳定性。

鲁棒四元数平方根容积卡尔曼滤波算法

针对姿态估计领域中,当系统观测噪声不完全服从于高斯分布或观测量中含有野值时,传统的四元数卡尔曼滤波算法会降阶,使滤波估计性能降低等问题,提出了一种鲁棒化的四元数平方根容积卡尔曼滤波算法。通过研究引入M估计的Huber鲁棒化滤波框架,对四元数平方根容积卡尔曼滤波算法的量测更新进行修正,增强滤波估计的鲁棒性。以SINS/GPS位置松组合为应用研究背景,在不同仿真环境下,对比验证所提出算法对于姿态、速度和位置估计效果,试验结果表明,所提出算法具有更好滤波鲁棒性和稳定性。

基于鲁棒时变卡尔曼滤波估计的无人机视觉编队

针对一般多输入多输出不确定系统,提出一种基于鲁棒时变卡尔曼滤波的估计算法.该方法将时变卡尔曼滤波与自适应神经网络相结合,利用自适应神经网络克服外界非线性不确定因素,采用两个误差信号对其进行训练以提高估计精度,并对估计误差有界性进行证明.将该方法用于无人机视觉编队视线信息的状态估计,仿真结果表明该算法能够很好地估计不确定机动长机的加速度,实现了僚机对长机的有效跟踪.

基于鲁棒卡尔曼滤波的盲自适应多用户检测算法

提出一种新的基于虚拟噪声补偿技术的鲁棒卡尔曼滤波估计异步CDMA系统多用户接收器的最优判决向量的方法,构造出一种收敛速度快、跟踪性能好、数值稳定性好的高性能盲自适应多用户检测算法。仿真实验表明, 该文提出的方法具有很强的抗多址干扰能力和较高的数值鲁棒性。

基于奇异值分解的多重渐消鲁棒Cubature卡尔曼滤波及在组合导航中的应用(英文)

为了提高标准Cubature卡尔曼滤波(CKF)的稳定性和鲁棒性,提出一种改进的多重渐消H∞滤波Cubature卡尔曼滤波算法。首先基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;其次,引入H∞鲁棒思想,构造多重渐消H∞滤波Cubature卡尔曼滤波器;最后,提出采用一种奇异值分解的矩阵分解策略代替标准Cubature卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性。实际GPS/INS组合导航实验表明,改进的多重渐消H∞滤波Cubature卡尔曼滤波算法不仅能有效抑制滤波发散提高算法的稳定性,而且对观测野值具有更高的鲁棒性;提出的新算法与标准CKF算法相比,XYZ三个方向的位置精度分别提高了55.8%,46.6%和39.7%。

基于鲁棒卡尔曼滤波的编队卫星相对导航

为提高编队卫星相对导航精度和计算稳定性,采用鲁棒卡尔曼滤波进行相对位置和相对速度的估计。对星间相对动力学方程进行适应性改造,使其具有线性离散不确定性系统形式。以载波相位差分GPS为观测模型,采用鲁棒卡尔曼滤波进行相对状态估计。数值仿真结果表明,该算法相对于扩展卡尔曼滤波算法具有明显优势,导航精度更高、鲁棒性更强,具有一定的工程应用价值。

SVR辅助改进鲁棒卡尔曼滤波的UWB/INS组合定位方法

针对UWB/INS组合定位中UWB定位信息异常和短时缺失的问题,提出一种SVR辅助改进鲁棒卡尔曼滤波的UWB/INS组合定位方法。该方法对鲁棒卡尔曼滤波(RKF)进行改进,采用改进的IGG3权函数分段修正新息,减小异常量测信息对滤波结果的影响。在UWB信号正常时,采用改进RKF估计位置误差;在UWB信号缺失时,采用在线训练的SVR模型预测位置误差,并根据估计或预测的位置误差校正载体位置信息。实验结果表明,所提的方法不但可使UWB信号正常时的组合定位误差减小33.33%,而且在线训练SVR模型辅助比固定SVR模型辅助可明显提升定位算法的性能,在UWB信号短时缺失时仍能持续有效定位,使组合定位误差减小29.63%。

基于理想弹道鲁棒容积卡尔曼滤波视线角估计

针对惯性元件在低成本全捷联制导弹药中应用难度大的问题,设计了一种利用理想弹道弹体运动参数代替惯性元件测量值的弹目视线角滤波估计方法。根据坐标系转换关系及弹目视线几何关系,将理想弹道参数作为系统不确定性参数,建立非线性滤波系统;针对具有参数不确定性的非线性系统滤波问题,提出了一种基于理想弹道的鲁棒容积卡尔曼滤波(ideal trajectory robust cubature Kalman filter,ITRCKF)算法,将具有不确定性系统的滤波问题转化为带参数κ的误差协方差上界最小化问题;最终利用导引头探测器测量得到弹体视线角,结合ITRCKF对非线性系统状态进行估计。实验结果表明:在小扰动条件下,ITRCKF偏角估计最大误差值较容积卡尔曼滤波(cubature Kalman filter,CKF)下降了85.57%,误差均方根(root mean square error,RMSE)下降了81.93%;在大扰动条件下,ITRCKF倾角估计值最大误差较CKF下降了31.64%,误差均方根下降了46.39%。所提方法对弹目视线角的估计值满足精度要求,并且相对于CKF估计值具有较好的鲁棒性能。

鲁棒无迹四元数卡尔曼滤波初始对准算法

针对GPS辅助的低精度捷联惯导系统行进间初始对准时GPS易受野值的影响和陀螺零偏的累积误差导致航向角误差曲线波动的问题,提出了一种鲁棒四元数无迹卡尔曼滤波初始对准算法。首先,建立了无迹卡尔曼滤波的预测模型和量测模型,分析了GPS野值对于观测矢量的影响;然后,推导了模值匹配权值函数,结合无迹四元数卡尔曼滤波设计了鲁棒四元数无迹估计器;最后,设计了仿真与跑车实验,实验结果表明,本文所提出的算法不仅能去除GPS中的野值,还能有效抑制陀螺零偏带来的影响。

噪声统计特性未知时的鲁棒卡尔曼曼滤滤波算法设计

本文研究了噪声统计特性未知时的鲁棒卡尔曼滤波算法(RKF)设计问题.首先,提出了一种新的RKF算法设计条件,并分析了其合理性;其次,从RKF算法设计条件出发研究了RKF算法的设计问题,把RKF算法的设计过程转化为计算一组线性矩阵不等式(LMI)的可行解;再次,研究了LMI可行解的计算问题,并通过计算该LMI的可行解设计了一种RKF算法;最后,通过仿真验证了所设计的RKF算法的有效性.

基于鲁棒卡尔曼滤波的连续梁桥悬臂施工误差调整

由于误差的存在，连续梁桥悬臂施工中各梁段实际状态与理想设计状态总是存在偏差。为了实现施工控制目标，使成桥线形符合设计要求，采用能够自适应修正系统函数模型误差和随机模型误差的鲁棒卡尔曼滤波算法，对桥梁施工预拱度进行预测分析。给出调整后的立模标高。对张拉后各节段梁底实测标高与理论预计标高进行比较，监控结果显示两者的最大误差小于15mm，满足监控要求。鲁棒卡尔曼滤波在连续梁桥悬臂施工线形控制中应用是有效的，且易于工程实现。

三维AoA-ToA目标跟踪的鲁棒偏差补偿卡尔曼滤波算法

在以到达角(AoA)和到达时间(ToA)为观测量的三维目标跟踪中,异常值导致非线性滤波性能明显下降甚至发散.针对该问题,提出了一种基于M估计的鲁棒偏差补偿卡尔曼滤波算法(MR-BCKF).该算法首先利用AoA和ToA的等价几何关系对非线性观测方程进行伪线性化,接着依据M估计准则推导鲁棒伪线性卡尔曼滤波,然后采用偏差补偿策略提高跟踪精度.MR-BCKF利用马氏距离判别异常值,不依赖于噪声统计特性,并且通过构建改进的三段式权重函数增强鲁棒性.仿真结果表明,MR-BCKF相较于其他鲁棒滤波算法不仅能提高孤立型异常值的抑制效果,而且在连续型异常值情况下也取得更高的跟踪精度.

船舶横向运动姿态及受扰卡尔曼估计的鲁棒性能概率建模

考察船舶水动力参数在标称值附近按均匀分布发生随机变化时,船舶横向运动姿态及受扰kalman估计的统计性能。针对某船,在5级海情,18节航速及45°航向工况下,当船舶水动力参数按均匀分布发生±10%,±25%随机变化时,给出船舶姿态及受扰估计的鲁棒性能概率建模及其应用。