双程UFIR滤波算法及其在INS/双目视觉机器人组合导航的应用

为了提高移动机器人的室内定位精度,提出了一种惯性导航系统(Inertial Navigation System,INS)/双目视觉松组合导航模型,在INS与双目视觉同步获取到移动机器人位置信息的基础上,通过滤波算法对INS与双目视觉测量得到的移动机器人位置进行数据融合,充分融合INS和双目视觉各自的优势,最终得到当前时刻的移动机器人的位置估计。针对滤波算法,提出了双程无偏有限脉冲响应(Unbiased Finite Impulse Response,UFIR)滤波算法,该算法首先采用自适应UFIR前向滤波,通过引入预先设置的滤波窗口长度以及马氏距离,完成对当前时刻UFIR滤波算法最优滤波窗口长度的计算。在此基础上,通过后向UFIR平滑以及再次前向UFIR滤波,最终得到当前时刻最优的移动机器人位置估计。实际测试结果表明,所提出的双程UFIR算法能够有效地提高室内移动机器人的定位精度,与传统UFIR滤波算法相比,所提出的位置均方根误差(Root Mean Square Error,RMSE)降低了11.64%。

基于IMM-极限迭代UFIR的机动目标跟踪算法

为提高非高斯噪声条件下机动目标跟踪的精度,提出基于交互式多模型极限迭代无偏有限脉冲响应滤波(IMM-极限迭代UFIR)算法。采用对噪声统计特性不敏感的极限迭代无偏有限脉冲响应滤波(UFIR)作为其子滤波器,对各模型进行状态估计,最后通过对各模型的输出结果综合得到机动目标状态。仿真结果表明,在噪声条件复杂的情况下,该算法比交互式多模型卡尔曼滤波(IMM-KF)具有更高的跟踪精度和稳定性,计算量小于IMM-PF,算法能较好地兼顾跟踪精度和计算量两方面性能。

基于LGSVL/Apollo的网络延迟攻击下自动驾驶车辆定位估算

为提高网络延迟攻击下自动驾驶车辆定位估计算法的精确度,研究了延迟模型下自动驾驶车辆定位的无偏差有限脉冲响应(UFIR)估计器设计方法,并仿真实验。搭建延迟攻击下的车辆运动学模型,拓展模型至有限长度的时间窗口,推导UFIR算法按批处理式与迭代式表达形式,分析Apollo系统各功能模块的数据流动,基于LG开源自动驾驶仿真器(LGSVL)与Apollo系统,搭建联合仿真测试平台并开展实验。结果表明:与Kalman滤波器(KF)相比,该算法估计精确度更高;当延迟数据出现较大变化时,算法响应速度更快,波动幅值更小,鲁棒性更强。当数据延迟时间小于等于1 s时,估计效果良好。因而,验证了基于LGSVL与Apollo系统进行自动驾驶仿真实验的可行性。

基于无偏滤波算法的开关电源ESR在线监测技术

电解电容因具备成本低、容量大等优点而被大量地应用于开关电源中作为输出电容,但是电解电容的退化失效严重地影响了开关电源模块的可靠性。以等效串联电阻(ESR)作为电解电容退化的监控目标,提出了基于改进无偏有限冲击响应(UFIR)滤波器滤波算法的实时ESR评估方法。该方法采用有限响应滤波器模型,避免测量噪声特性建模,通过采用增益调节系数实现在不同工况条件下的快速切换。仿真结果表明:提出的方法在多种条件下呈现出较好的性能,并且在复杂条件下具有更强的鲁棒性,从而更加符合实际的应用需求。