一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。

基于自适应UKF的卫星星座自主导航方法

针对卫星星座自主导航系统中存在的模型不确定性及难以准确获取的时变系统噪声统计特性影响导航精度的问题,提出了一种系统噪声在线自适应调整的UKF算法。基于所提出的自适应UKF算法设计了一种基于星间相对测量的卫星星座自主导航方法,该方法结合奇异值分解和比例修正的采样策略,解决了应用UKF时易出现状态误差方差阵丧失正定性而导致的Cholesky分解无法进行的问题。通过在低轨区域星座和中轨全球星座上的仿真实验,验证了该算法在提高滤波精度以及改善状态估计置信度方面的有效性,所提算法的定轨精度优于EKF算法、自适应EKF算法以及基于对称采样策略的UKF算法。采用CRLB分析法对导航算法的估计性能进行了分析验证。

一种基于UKF的矿井智能体相对导航算法

以对偶四元数为理论基础,引入非线性滤波UKF算法,构建矿井多智体视觉自主相对导航算法DQUKF,并建立适应矿井智能体外形特征及其工作环境的算法状态方程及观测方程,可对矿井智能体的相对位置、姿态进行动态估计及仿真。为验证和评价该算法的有效性,设计地面实物模拟实验场,结果表明,该算法能够提供较为精确的相对位姿信息,结论与仿真结果一致。

基于改进Sage-Husa的GNSS/SINS组合导航系统自适应UKF算法

GNSS/SINS组合导航系统的无迹卡尔曼滤波器(UKF)是以准确的测量噪声统计特性为基础的,当测量噪声统计特性发生变化时,如不对其进行准确的估计,将会导致UKF的滤波性能下降甚至发散。为了解决上述问题,提出了一种基于改进Sage-Husa的GNSS/SINS组合导航系统自适应UKF算法(ISHUKF)。首先,建立了GNSS/SINS非线性组合导航系统的简化UKF模型;然后,在分析组合导航系统中常规Sage-Husa算法存在滤波发散原因的基础上,提出了一种改进的Sage-Husa算法以保证测量噪声估计方差的正定性;最后,进行了GNSS/SINS组合导航系统的仿真实验。实验结果表明,相对于变分贝叶斯算法,ISHUKF对测量噪声方差的估计精度与其大致相同,并且算法更加简单;相对于标准UKF算法,在整个仿真时段内可提高组合导航系统的位置精度、速度精度和姿态精度分别约33%、35%和72%,进而验证了算法的可行性及优越性,并为复杂环境下组合导航系统的滤波方法提供了一种简易的方法。

基于改进的联邦UKF无人艇组合导航系统设计

针对无人艇在高海况下长航时,大幅度作业滤波精度较低的问题,提出一种基于联邦结构的无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法,将其应用于自主研制的无人艇组合导航系统中。建立系统误差方程和量测方程;引入渐消因子、基于量测值与预测量测值差值的可变因子和自适应最优信息分配因子对联邦UKF算法进行改进,保持信息的强跟踪特性和组合导航系统的信息融合精度,得到全局最优估计值。开展湖试试验,验证该组合导航系统的有效性,结果表明该系统实时性、稳定性好,抗干扰能力强,能有效提高导航精度。该方法不仅能为无人艇作业提供安全保障,而且可供其他组合导航系统设计参考。

基于UKF算法的电动汽车车速坡度估计

精准的车辆车速与道路坡度,是实现车辆驱动防滑控制系统研究的关键,本文考虑到转弯工况,建立转向与道路坡度耦合的混合工况模型,运用UKF算法进行车速坡度联合估计,该算法融合了运动学与动力学两种方式,并且基于MATLAB/Simulink与Carsim搭建联合仿真平台,对所设计的混合工况车速和坡度的估计器与控制策略进行了仿真验证,比传统估计方法精度更高,响应速度以及鲁棒性更好。

基于机场活动地图信息改进AIMM-UKF算法的移动目标跟踪

针对机场场面高密度交通以及多类型移动目标的特殊性,为保证机场自动化设备如无人驾驶技术在机场内的应用,需要进一步优化定位算法来提高移动目标的跟踪精度;通过分析现有的自适应交互式多模型-无迹卡尔曼滤波跟踪算法(adaptive interactive multi-model-unscented Kalman filter algorithm,AIMM-UKF)在移动目标跟踪过程中模型匹配度和跟踪精度上的不足,研究了1种基于机场活动地图信息改进的自适应交互式多模型-无迹卡尔曼滤波跟踪算法。根据机场地图数据库(airport map database,AMDB)细化的机场操作规程文件,通过ArcGIS软件对某机场施工CAD图简化处理并利用二次多项式配准法对机场地图进行精确校正,完成高精度机场地图修正,将接收到的机场智能监控设备采集到的数据进行实时处理,结合高精度机场地图信息对发生位置偏移的移动目标的坐标信息进行修正,改变移动目标跟踪算法的观测值,在自适应修正马尔可夫转移概率矩阵的基础上,利用观测矩阵对其进行二次修正,提高移动目标跟踪精度和模型匹配度。经蒙特卡洛仿真实验表明:该改进算法利用高精度机场地图信息对移动目标的观测值进行修正,与自适应修正马尔可夫转移概率矩阵的交互式多模型-无迹卡尔曼滤波算法相比,位置的均方根误差(root mean square error,RMSE)平均降低了62.69%,速度的RMSE平均降低了56.84%。本文算法具有更高的模型匹配度和更佳的滤波效果,提高了场面移动目标的跟踪精度。

基于ASIT-UKF算法的锂电池荷电状态估计

针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法。该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取。与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50%,使得算法的计算复杂度大大降低。同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性。考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的。最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中。实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能。

基于加权融合的常导高速磁浮列车UKF定位算法

为提高高速磁浮列车测速定位的精确性,本文针对基于长定子齿槽检测的常导高速磁浮列车测速定位方法在列车运行过程中可能因测速定位信号缺失、干扰、测速定位安装误差等原因引起的定位不准问题,提出一种基于加权融合无迹卡尔曼滤波(UKF)的常导高速磁浮列车测速定位算法.介绍了高速磁浮列车基于长定子齿槽的测速定位方法,并对多路冗余速度位置信息进行预处理和自适应加权融合处理;给出基于加权融合UKF的常导高速磁浮列车测速定位算法模型;基于磁浮列车测速定位在环测试试验台试验,对改进后的无迹卡尔曼滤波磁浮定位算法与原定位算法进行了对比分析.分析结果表明:磁浮列车平均速度误差减小了32.6%,速度极差降低了49.3%,有效消除了信号采集噪声,提高了磁浮列车测速定位精度.

基于IMM-JPDA-ISTUKF的车载毫米波雷达多目标跟踪算法

为提高车载毫米波雷达多目标跟踪精度指标,提升道路车辆行驶安全性,文中在交互多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据关联(JPDA)融合的算法基础上,针对车辆运动状态突变处UKF鲁棒性差、滤波精度低的问题,提出了一种基于改进强跟踪UKF(ISTUKF)的IMM-JPDA-ISTUKF算法。通过模拟道路场景搭建的仿真环境对算法性能进行了验证,且为证明该算法在实际道路工况下跟踪精度的提升,还进行了雷达道路测试,通过雷达在道路上获取的车辆数据进一步验证了该算法的有效性。结果表明,该算法在目标车辆运动状态发生变化时的距离跟踪精度和速度跟踪精度方面均得到了提高。

基于UKF-WNN混合模型的海管段塞流预测与控制方法研究

针对油气生产系统在深海情况下难以准确实时控制段塞流的问题,建立了基于UKF-WNN混合模型的海管段塞流预测与控制方法,并在不同阀门开度下,对不同的段塞流控制方案进行了比较研究。结果表明:UKF-WNN混合模型能够较好地拟合顶部压力、流量与阀门开度同底部压力的关系,与现场试验对比,其均方误差较UKF和WNN分别降低了44%、47%,在系统输入存在干扰的情况下能够为控制器提供较为精确的估计值,使得系统达到稳定。WNN的加入有效改善了控制系统的稳定性,体现了人工智能方法在段塞流控制领域获得应用的可能性。本文提出的方法对改善海管段塞流的预测和控制精度,保障海管安全具有一定的理论和实践意义。

无人集群中基于UKF的无线电测距协同定位方法

针对无人集群中基于无线电测距的协同定位信息融合中面临的非线性问题,提出基于UKF的协同定位方法。该方法利用无迹卡尔曼滤波(UKF)非线性拟合特点来构造非线性的协同定位量测模型,避免了基于卡尔曼滤波(KF)的协同定位方法中将量测模型线性化带来的定位误差,从而提升了基于无线电测距的协同定位的位置精度。基于无线电测距设备搭建无人集群中基于UKF的无线电测距协同定位方法的验证系统,实验结果表明,相比基于KF的协同定位方法,基于UKF的协同定位方法在纬度方向位置误差改善了28.92%,经度方向位置误差改善了54.34%。

基于PSO-BP-UKF算法的锂电池SOC估计方法研究

锂电池的荷电状态(SOC)是锂电池质量管理的核心之一。基于有效的SOC估计是确保锂电池安全高效工作的必要条件,提出一种利用粒子群算法(PSO)优化反向传播(BP)神经网络,并将优化后的BP神经网络SOC输出值作为无迹卡尔曼滤波(UKF)观测值的锂电池SOC估计方法。使用来自马里兰大学的FUDS工况电池测试数据,将所提的PSO-BP-UKF算法与GA-BP-UKF算法、BP算法进行对比。结果表明,在25℃环境下,PSO-BP-UKF算法的最大偏差<3.17%,平均误差<6.44%,均方根偏差<0.0025,相比GA-BP-UKF算法和BP方法都有较大幅度的提高,说明所提算法具备有效性与实用性。

基于SVD-SUKF的水下机器人电池SOC估计

荷电状态(SOC)的准确估计关系到水下机器人的电池使用效率与任务规划。针对传统SOC估计算法存在的准确性、稳定性和鲁棒性不足等问题,提出一种奇异值分解增强的球型无迹卡尔曼滤波(SVD-SUKF)SOC估计算法。建立2阶Thevenin电路模型,并使用遗忘因子递推最小二乘法对模型参数进行在线辨识;在无迹卡尔曼滤波算法的基础上引入球型无迹变换和奇异值分解,避免繁琐的调参过程、减少算法计算量以及解决算法的协方差矩阵非正定问题;采用城市道路循环工况对SVD-SUKF算法进行验证。结果表明:SVD-SUKF算法收敛速度较快,平均绝对值误差为0.006 8、均方根误差为0.005 6,算法相较于扩展卡尔曼滤波和无迹卡尔曼滤波有更高的估计精度、更好的稳定性和更强的鲁棒性。

基于改进自适应UKF的随钻动态测量方法研究

钻井过程中,底部钻具的强烈振动和快速旋转导致姿态测量信号中含有多频高幅值的干扰信号。根据上述过程的特点,提出一种改进的自适应无迹卡尔曼滤波(UKF)算法。算法在标准UKF中引入自适应因子,通过改变量测量的协方差矩阵实时调整滤波增益,提高算法对突变状态的自适应能力;并且对传统自适应因子计算方法进行改进,在保证算法精度的同时降低计算复杂度,满足随钻测量对实时性的要求。实验室振动平台系统的仿真结果表明,在振动噪声突然变强的情况下,所提方法可以有效滤除姿态测量传感器中的干扰噪声,提高导向钻具姿态参数的解算精度。

基于简化鲁棒UKF的GNSS/INS紧组合列车定位方法

针对GNSS/INS组合列车定位中的信息融合非线性与传感器量测故障问题,为满足复杂多变列车运行场景下列车定位精度与鲁棒性的需求,提出一种基于简化鲁棒UKF的GNSS/INS紧组合列车定位优化方法。综合标准KF的时间更新与标准UKF的量测更新来构建简化UKF,在保证GNSS/INS紧组合列车定位精度的同时改善定位解算实时性。在简化UKF滤波框架内,引入故障检测与自适应调整因子构建简化鲁棒UKF,可以快速检测传感器量测故障导致的系统故障,并对故障历元的量测噪声协方差进行自适应调整降低滤波增益,使得滤波算法具有较强的鲁棒性。采用京沈高铁实测数据与故障仿真数据进行算法定位性能验证与评估,结果表明:基于简化UKF的GNSS/INS紧组合定位算法水平定位精度为2.6865 m,与传统EKF滤波模型下的紧组合与松组合方法相比定位精度分别提高5.6%和15.0%。此外,提出的简化鲁棒UKF方法可以快速有效检测到不同类型的传感器量测故障,且大幅抑制传感器量测故障,优化复杂运行场景下的列车定位精度与鲁棒性。

GNSS/SINS组合导航系统的自适应UKF算法

针对基于无迹卡尔曼滤波(unscented Kalman filter, UKF)算法的GNSS/SINS组合导航系统缺乏对量测噪声异常的自适应调节能力,提出一种GNSS/SINS组合导航系统的自适应UKF算法。首先对GNSS/SINS组合导航系统进行非线性滤波建模;然后基于变分贝叶斯原理,在UKF算法的时间更新与量测更新过程中引入量测噪声方差估计模型,得到自适应UKF算法;最后对GNSS/SINS组合导航系统进行仿真验证。结果表明,本文算法能够对量测噪声方差的突变或缓变进行实时、准确的跟踪,相比于常规UKF算法,可明显提高组合导航系统的精度。

一种基于多重次自适应因子的强跟踪UKF算法

针对强跟踪UKF算法存在自适应因子调节单一、难以准确调节多维的系统变量对不准确系统模型和噪声自适应调节能力不够的问题,提出了一种基于多重次自适应因子的强跟踪UKF(MST-UKF)算法.首先解析了强跟踪UKF的本质原理;其次提出在状态噪声协方差和观测噪声协方差前各引入多重次自适应因子对角矩阵对其进行自适应调节,并对其计算方法进行了设计;最后分别针对系统模型、噪声不准确情况下的目标进行跟踪仿真.仿真结果表明,MST-UKF算法能自适应直接调节噪声协方差,以此应对系统模型的不匹配、状态噪声的不准确性以及观测噪声的不准确性,实现了对复杂条件下目标的良好跟踪.

基于TVFRLS和SVD-UKF的锂离子电池SOC估算

在汽车复杂运行工况下,传统离线参数辨识方法辨识准确度低,无迹卡尔曼滤波(UKF)算法在估计荷电状态(SOC)过程中,协方差矩阵非正定,导致算法估计SOC失败。提出采用时变遗忘因子递推最小二乘法(TVFRLS)与奇异值无迹卡尔曼滤波(SVD-UKF)算法进行联合在线SOC估计,提高复杂工况下算法的准确性与鲁棒性。通过城市道路循环(UDDS)工况对算法进行验证,TVFRLS与SVD-UKF联合算法模拟仿真的最大绝对误差(AEE)为1.31%、平均绝对误差(MEA)为0.56%、均方根误差(RMSE)为0.75%。相较于传统UKF算法,MEA与RMSE分别降低了60.0%和51.9%。

基于自适应UKF的UWB/PDR行人定位系统

UWB(Ultra-Wide Band)无线通讯技术在室内导航定位领域获得了广泛的应用,然而基于UWB的行人定位系统在复杂室内环境下的稳定性不佳,导致定位误差增大。为了解决这一问题,文中提出了一种基于自适应无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的UWB/PDR(Pedestrian Dead Reckoning)行人定位系统。该系统利用无迹卡尔曼滤波算法将PDR模型与UWB的定位信息进行融合,以得到最优位置估计,随后利用UWB定位与PDR系统所获得的步长差概率密度函数来计算定位点的非视距评估概率,并将评估结果作用于系统的自适应噪声调整,以此提高系统对环境的适应性。实验验证结果表明,该系统可有效降低复杂环境下定位误差,提高行人定位结果的精度和稳定性,平均定位精度达到10 cm以内。