基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法。该算法的核心思想是利用KLD采样原理,根据预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力。最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法。

基于KLD采样改进的高斯粒子滤波算法

为了自适应地调整滤波样本,本文提出了一种基于Kullback-Leibler散度(Kullback-Leible divergence,KLD)-抽样的改进高斯粒子滤波算法(Gaussian particle filter algorithm based on KLD,KLGPF)。在采样过程中,算法通过计算KLD来调整粒子集的大小,使其介于粒子的离散概率密度函数和真实的后验概率密度函数之间。当噪声服从高斯分布,且噪声的统计特性发生突变时,KLGPF具有显著的效果,仿真结果表明,KLGPF在噪声统计量突变时仍能保持良好的估计效果。在相同条件下,KLGPF的运算速度相比基于KLD采样的粒子滤波算法(Particle filter algorithm based on KLD,KLPF)的运算速度提高了28%。

基于KLD重采样的抗差自适应UFastSLAM算法

针对声呐SLAM系统中噪声统计特性不准确或状态突变而导致无迹快速SLAM(UFastSLAM)算法性能下降及因采用固定粒子数而使得算法实时性不高的问题,提出一种基于改进粒子建议分布估计和自适应KLD重采样的UFastSLAM(RAUFastSLAM)算法。在载体位姿估计阶段,融入抗差自适应因子,利用抗差自适应无迹粒子滤波算法(RAUPF)对载体位姿进行估计;在特征状态估计阶段,利用抗差自适应无迹滤波算法(RAUKF)对环境特征的位置进行更新;在粒子重采样阶段,采用基于KL散度的自适应粒子重采样方法在线实时调整所需的粒子数,在保证精度的同时提高算法的实时性。实验结果表明,在量测噪声统计特性不准确且量测信息中有异常干扰时,与UFast SLAM算法相比,所提方法的载体位置估计、航向角估计和特征位置估计的精度分别提高了18.79%、16.67%和18.81%,对异常干扰具有更好的鲁棒性。

基于一致性的FastSLAM算法的优化

本文从可观测性的角度研究FastSLAM算法的一致性问题并对算法进行了改进。相比较于传统的FastSLAM算法,一种改进的FastSLAM算法被提出从而获得更好的一致性性能。首先,在重要性采样阶段,对象标记法用于清晰地标注单个粒子状态。此外,在地图估计阶段,将第一估计雅可比矩阵(FEJ)与扩展卡尔曼滤波相结合以此提高了算法的一致性。最后,通过仿真实例验证了改进的FastSLAM算法的有效性。

基于改进PF算法的ADS-B风场反演

将装载自动相关监视广播(ADS-B)机载端的民航飞机视作传感器,利用ADS-B下行数据实施风场反演是近年来新颖的风场探测手段之一。现有的反演算法在飞机小角度转弯情况下存在精度不高的问题,大面积空间风场重建也对风场探测提出了新的挑战。针对上述问题,利用数据的几何结构和Kullback-Leibler Divergence(KLD)采样对粒子滤波(Particle Filter,PF)算法进行改进,该算法通过结合ADS-B数据对航线上的固定位置不同高度层上风矢量进行反演,构造垂直风廓线,并与欧洲中期天气预报中心气象数据作对比,验证了算法的可行性与准确性;最后,利用气象粒子(Meteo-Particle,MP)模型对航线外大面积的风矢量进行估计。实验结果表明,该方法能够反映真实的风场。

基于粒子滤波的室内机器人定位研究

针对传统粒子滤波定位算法在粒子的更新中仅考虑当前里程信息,论文基于KLD-粒子滤波算法实时跟踪每次迭代所需粒子数,提出了一个KLD粒子滤波定位改进算法。结合里程信息及雷达激光测量信息,将前时的测量信息融合进粒子定位算法中。该算法在粒子更新的同时优化了计算,可以使机器人定位修复快速收敛至正确位置,并通过仿真实验验证其有效性。仿真表明,该算法比普通KLD采样有更好的收敛效果,该本仿真条件下,收敛速度比传统方法快约50%以上。

组合导航系统的自适应MCMC信息融合算法

针对组合导航系统为高维非线性非高斯的特点,提出了一种在线实时调整粒子个数的自适应MCMC(Markov Chain Monte Carlo)粒子滤波算法。该算法利用基于KLD(Kullback-Leibler Distance)采样方法的自适应粒子个数调整算法在线调整MCMC粒子滤波过程中的粒子个数,利用预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,从而有效减小算法的运算量,提高MCMC粒子算法的实时处理能力。最后,将该算法应用到了组合导航系统中进行了仿真研究。通过仿真结果可以看出,该算法在保持了MCMC粒子滤波算法的估计能力的同时,有效降低了算法的计算量,更适合于实际应用。

基于改进的粒子滤波蒙特卡洛定位算法研究

在未知先验环境下,移动机器人的自身定位是自主导航的核心和基础。基于粒子滤波的MCL算法存在着粒子退化、处理能力方面难以达到实时要求以及计算量较大等问题。提出一种基于改进的粒子滤波MCL算法,在SR-CKF设计的提议分布基础上添加EKF扩展为多提议分布粒子滤波算法。为解决因忽略当前时刻观测信息导致的粒子退化问题,在设计的提议分布中,加入系统当前时刻的观测信息,并以相对的比率对粒子进行采集,使粒子收敛于观测似然较高的区域中。利用KLD重采样来估计当前时刻粒子在系统下状态空间的分布情况,并通过在线调整机制对下一时刻粒子数目进行调整,以达到减小计算量的目的。根据Matlab仿真对比实验可以看出,改进后算法的均方根误差减小至1.947 cm,运行时间缩短了29.7%,有效的粒子百分比达到82.6%,平均粒子数为70.47,减弱了粒子退化问题从而达到精准定位的效果。最后通过ROS机器人开源操作系统对算法的有效性和可行性进行进一步验证分析。

基于KLD的蝙蝠算法优化自适应粒子滤波

针对粒子滤波存在计算效率低和因粒子贫化导致的计算精度下降问题,基于KLD(Kullback Leibler distance)采样和蝙蝠算法,提出一种可动态调整粒子规模的自适应粒子滤波算法.首先,在重要性采样中利用KLD采样动态调整粒子规模;然后,使用蝙蝠算法定向优化粒子集,并在迭代更新中使蝙蝠算法和KLD采样相互作用,从而达到同时提升计算精度和计算效率的目的.实验结果验证了所提出算法的可行性和有效性.