Rao-Blackwellized粒子滤波的红外多个弱目标检测前跟踪

为了解决红外图像在低信噪比下的多个弱目标检测与跟踪问题,提出了基于Rao-Blackwellized粒子滤波器(RB-PF)的多目标检测前跟踪算法。定义了红外图像多个弱目标的状态及观测模型;给出了红外弱目标的RBPF状态降维方法;将状态变量分解为线性变量与非线性变量并完成状态方程的改写,对状态变量分别进行Kalman滤波与基本粒子滤波的更新。最后,定义了红外弱目标出现与消失统计量,给出了带约束条件的RBPF多个弱目标检测前跟踪流程。对弱目标的不同信噪比实验表明,RBPF可以减小状态变量的的估计误差,提高检测概率。对单目标进行检测前跟踪,平均每帧耗时为0.3287 s,在相同的粒子数下,RBPF可以得到更高的滤波精度。对两个信噪比为6 dB的不同空间位置目标的实验表明,约束条件控制RBPF的跟踪范围,可以避免目标相互之间的干扰,平均能在2.74 frame检测到目标出现,在1.13 frame判决目标消失。提出的算法能对红外多个弱目标进行出现与消失判断,具有良好的跟踪性能。

基于Rao-Blackwellized粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波(RBPF)的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息。根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明,该算法稳健、跟踪精度高,实时性好,能够在复杂背景下对可见光及红外等运动目标进行有效、可靠的跟踪。

交互多模型的Rao-Blackwellized粒子滤波算法在多目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,而非线性滤波问题则是难点所在。本文以Rao-Blackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的算法收敛情况较差问题进行研究。为提高算法的收敛性能及滤波精度,对RBPF算法中线性部分采用交互多模型的方法进行状态预测和校正,利用数字仿真对更改后的算法进行验证,结果证明改进后的RBPF算法在各个方面均有较大程度改善。

改进的Rao-Blackwellized粒子滤波算法在目标跟踪中的应用

在雷达信号处理领域,运动目标跟踪问题一直是研究的重点,涉及的非线性滤波问题是难点所在;以RaoBlackwellized粒子滤波(RBPF)算法为基础,针对其应用于雷达目标跟踪时产生的若干问题进行研究,为提高算法的收敛性能及滤波精度,对其中重采样算法进行改进,利用数字仿真对更改后的算法进行验证,经过表明更改后的RBPF算法在各个方面均有较大程度改善。

基于多传感器粒子权重优化的两级Rao-Blackwellized粒子滤波算法

针对粒子滤波（PF）计算量大、粒子退化以及缺乏对多传感器量测系统状态估计的适用性等问题的综合处理，提出了一种基于多传感器粒子权重优化的两级Rao．Black．wellized粒子滤波（RBPF）算法。该算法首先采用Rao—Blackwellized建模技术实现对被估计系统状态演化过程的建模，并结合加权融合策略完成多传感器量测对于粒子权重的优化。其次，通过两级预测更新机制的构建和引入，实现最新量测信息对于当前时刻粒子估计结果的修正。另外，考虑到重采样后粒子多样性枯竭问题，在滤波结果中蕴含冗余和互补信息的提取和利用的基础上，给出了一种粒子多样性增强方法。理论分析和仿真实验验证了此算法的可行性和有效性。

基于高斯粒子群优化的RBPF滤波算法

针对动态系统目标跟踪问题,RBPF算法通过将高维状态空间分解成易于处理的线性子部分与非线性子部分,并采取不同策略进行滤波估计。为了提高RBPF的计算效率,提出将粒子群优化思想融入到RBPF滤波估计中,凭借粒子群算法卓越的全局搜索能力,对于状态空间中非线性部分,通过粒子群算法驱使所有采样粒子向高似然区域(最优适应值区域)移动;对于线性状态部分,依然利用卡尔曼滤波进行处理。通过多组实验仿真结果对比,PSO-RBPF利用较少采样粒子、耗费较少时间即能获得极佳的估计精度。

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。

RBPF粒子滤波在目标跟踪中的应用研究

针对雷达目标跟踪中的某一类非线性问题,传统处理方法都是先行线性化再进行处理,但当线性化后的测量噪声相关性较大时则无法满足要求。为此,应用RBPF粒子滤波进行研究。在仿真实验中对RBPF多权值的情况进行探讨,提出一种可行的处理方法。对RBPF在噪声相关性较大时的性能进行分析,并讨论其在时间推移时的相对估计误差变化情况。

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.

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。

基于RBPF和数据关联的多目标跟踪

粒子滤波用一组带有权值的随机采样点近似后验概率密度函数,实现对任意状态模型的精确估计。把Rao-Blackwellized粒子滤波与多假设跟踪算法相结合,将多目标跟踪问题分为2个部分,即数据关联中后验概率分布的估计和基于数据关联的单个目标跟踪估计。前者通过序列重要性重采样实现,后者使用卡尔曼滤波进行最小均方误差估计。实验结果表明,采用最优重要性分布可以减少计算所需粒子数和计算量。

结合退火优化和遗传重采样的RBPF算法

RBPF是一种有效解决同时定位和建图的算法。传统的RBPF算法使用的粒子数目多并且频繁地执行重采样,导致粒子退化且估计能力下降,从而构建的栅格地图精度不高。针对上述缺点,对RBPF提出优化,首先将机器人的运动模型与观测模型结合作为其混合提议分布,同时利用退火参数优化混合提议分布,调控两者在提议分布中的比例,使其更加精确;其次在重采样过程中根据粒子的权值对其进行分类,对高权重以及低权重粒子引入自适应遗传算法变异交叉操作,减少了重采样次数,有效维持了粒子多样性。在MATLAB上进行仿真验证,同时结合了Kobuki运动底盘在机器人操作系统(ROS)上进行实际验证。实验结果表明,与传统的RBPF算法相比,算法能够使用更少的粒子精确估计出机器人的位姿及路标,能够建立精度更高的栅格地图,并且具有更低的均方根误差和计算时间。

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计。此外,获得的非线性状态估计的方差还用于修正线性状态的估计。将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器(Rao-Blackwellized Particle Filter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%。

基于激光雷达传感器的RBPF-SLAM系统优化设计

针对传统Rao-Blackwellized粒子滤波(RBPF)方法的同步定位和建图(SLAM)问题,提出了一种基于激光雷达的RBPF-SLAM系统优化方法,利用高精度激光雷达数据,修正了基于里程计读数的建议分布函数,减少了滤波过程所需的粒子数目;引入了自适应重采样机制,缓解由于重采样带来的粒子消耗问题。为验证改进算法性能,在搭建的差速型移动机器人平台上,进行了验证试验,结果表明:改进后的RBPF-SLAM方法,能够实时构建栅格地图,在建图效率和精度上均有明显的提升。

RBPF在耐火材料声发射源信号恢复中的应用

耐火材料损伤模式识别的研究在工业生产中具有重要意义,然而在利用声发射仪器对耐火材料进行采集得到的声发射信号饱受环境噪声、声发射通道以及传感器特性的影响。为了恢复损伤源的实际声发射信号,提出了利用粒子滤波技术对采集的声发射信号进行滤波。首先在地震波模型的基础上,建立了声发射源信号的状态空间模型,然后再对确定信号的进行仿真实验,证明了粒子滤波的有效性。最后将粒子滤波用于实际声发射源信号恢复,取得了一定的效果,为后续声发射信号特征提取打下了良好基础。

基于改进RBPF算法的移动机器人SLAM方法研究

移动机器人领域研究的一个重要问题是在不确定的环境中,能够实现自身定位,同时对环境进行建图,获取环境信息。因此,同时定位和地图构建(SLAM)研究成为当前移动机器人研究的一个热点。Rao-Backwellized粒子滤波(RBPF)算法是一种比较成功的同时定位和地图构建方法,其非参数特性避免了局部最小值,在映射应用程序中表现优异。然而,该算法在地图构建精度方面存在一些不足。针对RBPF算法粒子权重退化和粒子匮乏等问题,提出了利用修正梯度细化算法(CGR)对传统RBPF SLAM进行改进的新方法。仿真试验和室内场景试验结果表明,新方法能够有效地提高定位精度,在提升系统鲁棒性的同时也提升了地图构建的准确性。

基于混合环境模型的自主移动机器人环境探索研究

针对未知室内环境,提出了一种基于度量-拓扑混合式地图的高效的自主移动机器人环境探索策略:移动机器人根据当前传感器数据实时构建环境通路点拓扑地图,对各个环境通路点进行细致分析与处理,选择最优的即时目标点作为规划的探索方向;在Rao-Blackwellized粒子滤波(RBPF)框架下,将基于栅格地图的同步定位与地图创建(SLAM)算法引入到机器人自主探索任务中,提供准确的机器人位姿估计,以有效改善拓扑节点的位置精度,保证机器人顺利完成探索任务。基于上述策略提出的环境探索算法能够兼顾探索效率与精度。通过在配有激光测距仪的Pioneer3-DX型移动机器人平台上进行现场实验,有力验证了这种探索算法的有效性及实用性。