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。

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。

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。

高超声速飞行器时间协同预测校正鲁棒制导

针对存在参数不确定性的多高超声速飞行器滑翔段协同制导问题,提出了一种时间协同的预测校正鲁棒制导方法。首先,基于剩余飞行时间的动态航向角误差走廊实现了横向协同制导,为调整飞行时间提供了有利条件;设计了随协同飞行任务进程变化的权值函数,将剩余飞行时间引入纵向制导的预测校正过程中,确保协同飞行任务落点和协同时间的精度。其次,基于改进无迹卡尔曼滤波估计的方法对气动参数的不确定性进行估计,通过对剩余飞行时间与剩余能量的综合分析,修正了航向角误差走廊和标称迎角剖面,以提高协同制导系统的鲁棒性能。最后,分别在标称环境和参数不确定环境下开展了仿真实验,其结果证明了该协同制导方法的可行性和鲁棒性。

基于Kinect的特定人员鲁棒识别与定位

为避免人机共处时相撞,提出了一种基于Kinect视觉的特定人员识别与定位方法.利用Kinect传感器深度图像中的用户索引位信息、同步的彩色图像与深度图像的对应关系,滤除彩色图像中的复杂背景,确定感兴趣目标区域.进而在彩色图像内,基于加速鲁棒特征算法(SURF)在连续帧间完成特征匹配,快速识别特定目标人员;在深度图像内,采用无迹卡尔曼滤波(UKF)实现了在摄像机坐标系内的人员定位.实验结果验证了算法的鲁棒性,表明算法能够适应光线变化、目标再入和部分遮挡等情况.

基于加性超球体平方根UKF算法的无人机姿态确定

针对无迹卡尔曼滤波（UKF）计算量大的问题，提出一种加性超球体平方根UKF算法，即ASSRUKF算法。该算法通过引入加性非扩展形式减少状态维数，并采用超球体单形采样减少采样点的数量，有效降低了算法计算量；同时采用协方差阵的平方根代替协方差阵参加递推运算，以提高滤波算法的计算效率和数值稳定性。建立了加性噪声下基于微机械惯性测量单元和磁强计的无人机姿态模型，并采用ASSRUKF算法进行姿态估计。仿真结果表明，本算法的精度与UKF相当，而执行时间仅为UKF的36．8％，有效降低了算法的计算复杂度。

水下动基座初始对准中的鲁棒自适应UKF方法

捷联式惯导水下动基座初始对准中,当量测噪声具有不确定、非高斯的统计特性时,对量测噪声作高斯分布假设和对量测噪声阵R作常值处理会造成无迹卡尔曼滤波（UKF）精度和鲁棒性变差。针对此问题,提出了一种基于投影统计（PS）算法的鲁棒自适应UKF（ARUKF）方法。方法首先利用PS算法确定存储新息的权值,对异常的新息进行重加权;而后利用MyersTapley方法自适应地估计R阵;最后利用Huber方法中的权函数对估计出来的R阵进行修正。基于江试试验的实测数据,利用UKF、鲁棒UKF（RUKF）和ARUKF进行非高斯量测噪声条件下的动基座初始对准实验,结果表明：当观测量受到野值的污染时,ARUKF不仅具备RUKF的鲁棒性,而且能够准确地估计出观测量的噪声协方差阵R,比UKF和RUKF具有更高的初始对准性能。

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。

传感器数据异常下动力定位鲁棒状态估计方法

针对时变环境带来的传感器数据异常、未知环境干扰等影响,导致基于无迹卡尔曼滤波的动力定位状态估计方法估计精度下降的问题,提出了一种鲁棒无迹卡尔曼滤波方法,该方法通过引入一种基于指数加权的观测噪声协方差矩阵R自适应更新模块和一种基于卡方分布假设检验方法的过程不确定性识别模块处理传感器数据异常情况并估计未知环境力.最后,以某平台供应船的船模为仿真对象,进行了仿真对比实验.仿真结果表明,鲁棒无迹卡尔曼滤波能够准确及时地识别传感器数据异常情况,相较于传统无迹卡尔曼滤波而言,鲁棒无迹卡尔曼滤波状态估计精度更高,收敛速度更快,表现出较强的鲁棒性.

基于鲁棒UKF的永磁同步电机转子速度估计

针对无位置传感器直驱永磁同步电机系统(DD-PMSG:Direct-Driven Permanent Magnetic Synchronous Generator),无迹Kalman滤波(UKF:Unscented Kalman Filtering)方法鲁棒性不高的问题,提出了基于一种新的鲁棒UKF的转子速度估计方法。该方法将DD-PMSG模型转化为由发电机机电状态与定子参数组成的增广方程形式。运用鲁棒UKF算法,可同时辨识发电机的机电状态和定子不确定参数动态,使估计发电机参数不确定的鲁棒性得以改善。仿真结果表明,与传统UKF方法相比,该方法对存在不确定性及非高斯噪声的系统模型具有较强的鲁棒性。

简化超球体SRUKF的GPS/MIMU组合姿态估计

针对加速度计、磁强计易受机动加速度和周围环境影响的问题,提出了一种单基线GPS/MIMU组合姿态估计方法。该方法利用单基线GPS天线代替磁强计提供航向信息,并利用GPS的速度信息对加速度计输出的机动加速度分量进行补偿,构成单基线GPS/MIMU组合姿态确定单元。同时考虑实时性要求,在SRUKF的基础上,引入加性非扩展形式和超球体单形采样,提出了简化超球体平方根UKF算法,通过减少状态维数和采样点的数量,降低算法计算量。建立加性噪声下的单基线GPS/MIMU姿态模型,并采用简化超球体平方根UKF算法进行姿态估计。实验结果表明,单基线GPS的速度信息可以有效提高加速度计对水平倾角的确定精度,姿态估计算法收敛后的最大误差小于0.8°,估计精度与UKF相当,且执行时间仅是UKF的42%。

基于改进平方根无迹卡尔曼滤波方法的涡扇发动机气路状态监控

针对涡扇发动机气路状态监控存在模型未知或不准确导致滤波效果下降甚至发散的问题,研究了一种融入高斯过程回归(GPR)的改进平方根无迹卡尔曼滤波(UKF)方法.该方法利用GPR对训练数据进行学习,建立发动机气路部件状态监控的GPR模型,替代UKF方法中的非线性系统模型;采用超球体单形采样和平方根滤波方法来提高滤波的计算效率和数值稳定性.仿真结果表明:训练的GPR模型解决了UKF方法对发动机原系统模型和噪声协方差矩阵依赖性的问题;与扩展卡尔曼滤波(EKF)和平方根UKF方法相比较,改进平方根UKF方法精度更高,对健康参数的估计精度达到99.9%,实现了对涡扇发动机单个和多个气路部件健系参数的有效跟踪.

两类改进非线性滤波器UKF算法综述

通过对卡尔曼滤波的发展进行简述,引出标准无迹卡尔曼滤波和标准无迹变换的采样策略。通过对标准无迹卡尔曼滤波的分析,从两个切入点对标准无迹卡尔曼滤波进行改进,即超球体采样平方根无迹卡尔曼滤波和强跟踪无迹卡尔曼滤波,给出了对应的详细算法,并对无迹卡尔曼滤波算法进行总结与评述。

基于UKF的单站无源定位改进算法

针对在单站无源定位中UKF算法由于数值计算的舍入误差带来的滤波发散以及计算量较大问题,文中提出了一种采用奇异值分解和超球体采样的UKF滤波算法。该算法将标准UKF算法中的协方差矩阵进行奇异值分解,避免算法在递推过程中,由于计算舍入误差而引起协方差矩阵失去正定性,而导致算法失效的问题。并且新算法采用超球体采样策略,减小了采样点的数量,提高了计算效率。仿真实验结果证明了该算法的有效性。

基于参数分层辨识的RMA-UKF算法SOC估计

针对荷电状态(SOC)估计时模型参数抗干扰性差及噪声干扰下全生命周期SOC适应性差的问题,在建立二阶RC等效模型的基础上,提出参数分层辨识架构,以提高辨识精度。在获得精确模型参数的基础上,利用鲁棒似然估计的自适应无迹卡尔曼滤波(RMA-UKF)算法进行SOC在线估计,用修正因子修正噪声协方差矩阵的权重,改善全生命周期SOC适应性差的问题。模拟不同实车道路工况,利用实时系统对噪声干扰下的SOC估计算法,实现快速控制原型(RCP)在线验证。在附加噪声干扰情况下,RMA-UKF算法的SOC估计误差约为1%,与传统UKF算法相比精度更高、收敛性较快。

基于改进的UKF算法的室内测距定位

针对室内接收信号强度指示(RSSI)测距定位中,测距精度较低、易受环境影响的问题,提出了一种基于对数鲁棒函数(LnRLS)的UKF改进算法,有效改善测距误差,提高定位精度。在室内环境下,首先采用卡尔曼滤波对接收到的RSSI值进行预处理,运用最小二乘法拟合传播方程,使用改进的UKF算法对数据进行二次处理得出测量距离,通过三边定位算法估计节点坐标。将实验结果与其他文献采用的传统UKF测距算法及室内定位方法相比,改进算法将测距误差降低了14.4%,有效的减少测距误差,提高室内定位系统的定位精度。

一种LOS/NLOS混合环境下无线传感器网络定位方法

非视距传播是无线传感器网络定位中的难题,尤其在复杂的室内环境中,由于视距(Line of Sight,LOS)和非视距(Non-Line of Sight,NLOS)环境的不断切换,对移动目标的精准定位仍是一项难题。文中提出了一种基于平方根无迹卡尔曼滤波和鲁棒扩展卡尔曼滤波并行工作的定位方法,首先对所有节点同一时刻多次采样的TOA测量值进行是否处于非视距环境的判别,如果处于LOS环境,则使用平方根无迹卡尔曼滤波算法进行动态跟踪,若某一节点处于NLOS环境,则采用高斯混合多模型算法对多次采样值进行聚类,并将聚类结果送入并行工作的2个鲁棒扩展卡尔曼滤波器和无迹卡尔曼滤波器,经概率加权后输出定位结果。理论分析和仿真结果表明,本方法具有良好的定位精度。

一种改进的永磁同步电机永磁磁链观测算法

为了提高永磁同步电机永磁磁链观测器的观测性能,提出了一种基于SSIUKF(超球体迭代无迹卡尔曼滤波)的永磁磁链辨识方法。在无迹卡尔曼滤波的观测更新阶段,用阻尼的高斯-牛顿算法对预测值进行迭代。在采样阶段采用超球体算法,有效减少改进后算法的计算量。仿真和实验结果表明,采用超球体迭代无迹卡尔曼滤波与无迹卡尔曼滤波相比,在保证观测实时性的同时,可以进一步提高永磁磁链辨识的准确性。

适用于宽温度范围的锂离子电池SOC估计方法

精确的荷电状态(SOC)估计是确保动力电池安全稳定运行的关键所在。然而,在实际应用中,环境温度的变化以及噪声干扰等因素使得SOC的精确估计变得困难重重。为了解决这一问题,本文提出一种基于多新息自适应鲁棒无迹卡尔曼滤波(MIARUKF)算法的宽温度范围下锂离子电池SOC多时间尺度联合估计方法,该算法在无迹卡尔曼滤波(UKF)算法的基础上,融合多新息理论、自适应滤波与鲁棒算法。所提算法利用多新息向量对状态估计值进行修正,并对噪声协方差进行及时更新,从而提高SOC的估计精度,通过引入H∞滤波算法来提高该算法的鲁棒性。同时为了降低电池管理系统(BMS)的计算负担,使用UKF算法在宏观时间尺度上在线估计模型参数,采用MIARUKF算法在微观时间尺度上估计电池SOC。最后,在不同SOC初始值、不同温度条件下,对电池SOC的估计结果进行比较和分析,本文所提方法最大绝对误差和平均绝对误差分别为1.05%和0.42%,表明该算法具有较高的精度和较好的鲁棒性。

基于M-估计的UKF算法及其在运动估计中的应用

针对运动模型的非线性和运动估计的鲁棒性问题,提出一种结合 M-估计等价加权原理的鲁棒无迹卡尔曼滤波(UKF)算法(M-UKF).该算法首先利用 UKF 算法获得初步的运动参数的估计,然后利用 M-UKF 算法得到较为准确的估计值.将 M-估计与 UKF 方法相结合,既解决了针对运动模型非线性的估计问题,又能较好地克服离群数据的干扰,大大提高估计的鲁棒性.通过模拟数据的仿真和实际图像序列的测试说明该方法的有效性.