Rao-Blackwellized粒子滤波在SINS/GPS深组合导航系统中的应用研究

在组合导航系统数据处理中,有时会出现线性非线性混合模型的高维滤波问题,此时采用传统的线性卡尔曼滤波无法直接处理,而一般的非线性粒子滤波计算量往往很大,难以满足导航系统实时性要求。因此,本文提出了利用Rao-Blackwellized(RB)思想对上述组合导航滤波模型进行分块处理,对于线性子空间采用卡尔曼滤波方法,对于非线性子空间采用粒子滤波方法。优化处理后的粒子滤波维数从20减少到3,使抽样所需的粒子数大大减少。通过仿真验证表明,在选取相同粒子数目前提下,本算法的滤波精度明显提高,并有效保证了导航计算的实时性。

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。

多传感器量测自适应Rao-Blackwellised粒子滤波算法

针对量测不确定下非线性系统状态估计中多传感器量测数据的有效利用和计算复杂度的简化问题,给出了一种多传感器量测自适应Rao-Blackwellised粒子滤波算法。首先,通过随机采样策略和量测模型先验转移概率实现用于评估粒子权重的传感器有效量测集合的采样;其次,利用重采样步骤和概率最大化原则完成对不含扰动影响传感器量测模型的辨识;最终,依据Rao-Blackwellised粒子滤波中非线性状态分量和线性状态分量的独立求解方式实现当前时刻系统的状态估计。理论分析和仿真实验结果验证了算法的可行性和有效性。

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。

基于Rao-Blackwellised粒子滤波的岩石声发射信号去噪

针对声发射数据采集过程易受随机噪声干扰,提出了Rao-Blackwellised粒子滤波的信号降噪方法。在地震波模型的基础上,建立了声发射信号的状态空间模型。由于两者在某些方面有相通性,从而把降噪问题转为在状态空间模型下的滤波问题。首先,通过对构造信号的仿真实验,验证Rao-Blackwellised粒子滤波能够用于信号滤波;其次,利用Rao-Blackwellised粒子滤波,对石灰岩声发射信号进行降噪处理,并取得较好的滤波效果,从而为处理声发射数据提供一条新途径。

地形特征对粒子滤波导航算法精度影响分析

地形导航是利用飞行器下方地形估计飞行器空间位置的导航方法。由于地形是强非线性模型,因此地形导航可以看作非线性状态估计问题,地形特征直接影响导航精度。在讨论粒子滤波导航算法基础上,重点研究了地形特征对后验概率密度和Cramer-Rao下界的影响,得出了地形梯度和相似度是影响粒子滤波导航算法精度的根本原因,为飞行区域选择、飞行路径规划提供了依据,具有较强的实用性。

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。

量测提升策略下两级更新RBPF纯方位被动跟踪

针对采样型非线性滤波器在纯方位被动跟踪有效实现问题,提出了一种量测提升策略下两级更新RBPF算法。在标准RBPF算法框架下,通过对时间更新和量测更新过程的优化,以降低状态线性分量估计实现中的计算复杂度,给出了RBPF实现两级更新结构。另外,针对量测噪声随机性对于粒子权重度量的可靠性和稳定性的不利影响,结合系统建模中量测传感器精度信息实现虚拟量测集构建,并利用虚拟量测评估粒子重要性权重,通过减小粒子重要性权重方差,提高了重要性权重的估计精度。基于单站纯方位目标跟踪仿真场景,分析了算法滤波精度和计算量。理论分析和仿真实验结果验证了算法的可行性和有效性。

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。

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。