Bayesian target tracking based on particle filter

For being able to deal with the nonlinear or non-Gaussian problems, particle filters have been studied by many researchers. Based on particle filter, the extended Kalman filter （EKF） proposal function is applied to Bayesian target tracking. Markov chain Monte Carlo （MCMC） method, the resampling step, ere novel techniques are also introduced into Bayesian target tracking. And the simulation results confirm the improved particle filter with these techniques outperforms the basic one.

一种基于改进粒子滤波的动态精密单点定位算法

提出一种改进的粒子滤波,试图提高粒子滤波的收敛速度,减弱非线性模型线性化误差和非正态分布随机误差对动态单点定位结果的影响。首先固定单差无电离层模糊度,以减少状态参数向量的维数,提高初始定位的精度和粒子滤波的收敛速度;采用Kalman滤波作为粒子滤波的预滤波,以提高粒子滤波的重点采样效率,并提高采样粒子精度,减缓粒子退化。利用一个实测动态GPS数据验证表明,改进的粒子滤波可以提高动态GPS的定位精度。

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping,FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter,AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。

非线性交互粒子滤波算法

在非线性非高斯系统状态估计问题中,后验概率密度函数的解析形式难以获得,标准粒子滤波算法采用状态转移概率函数代替后验概率作为重要性采样概率密度函数,而未考虑当前观测数据的影响.针对该问题,首先提出了非线性交互多模型算法;然后应用该算法产生重要性采样概率密度函数,设计了新的非线性交互粒子滤波器.新的概率密度函数融入最新观测数据,更接近系统状态后验概率.比较实验表明了所提出算法的有效性.

噪声相关粒子滤波算法

对标准粒子滤波在处理非线性系统状态估计中噪声独立假设的局限,该文研究分析了一种噪声相关粒子滤波算法。在常用的系统状态模型基础上,分析了噪声相关时建议分布函数的具体分布形式,并以高斯相关噪声为背景,在重要性权重条件最小方差意义下推导了最优建议分布函数的数值表达式。所设计的滤波器有效弥补了传统粒子滤波算法在噪声相关情况下的缺陷,拓展了PF算法的应用范围。仿真实验表明了该方法的有效性。

一种改进的自适应优化粒子滤波算法研究

粒子滤波算法在非线性滤波领域受到广泛关注,但是该算法存在样本退化问题.为了改进粒子滤波算法的性能,这里结合自适应优化机制对粒子滤波算法的建议分布选择机制及重采样技术进行改进.对于粒子滤波的建议分布选择,提出一种基于自适应退火参数优化的混合建议分布方法.通过混合建议分布不足的分析,利用退火参数来优化控制状态转移先验分布函数和观测似然函数之间的比例,同时,基于自适应参数优化机制来动态调整退火参数的值.对于粒子滤波的重采样,提出了基于部分分层重采样优化算法的自适应重采样技术.通过有效样本大小的评估来执行自适应重采样策略,此外,基于部分分层重采样算法,利用权重优化的思想对其重采样前后权重计算的方法进行优化.通过相关算法的性能比较,所提改进粒子滤波算法的有效性得以验证.

基于自适应优化混合建议分布的粒子滤波算法

将状态转移先验分布和观测似然分布相结合,提出一种基于自适应退火参数优化混合建议分布的粒子滤波算法。根据当前最新的观测信息,以退火参数因子调控混合建议分布中状态转移先验分布与似然建议分布的混合率。在混合建议分布中结合自适应参数优化机制动态调整退火参数。仿真实验验证了该算法的有效性。

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型.使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新.实验结果证明:相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型.使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性。

粒子滤波算法改进策略研究

为了改进粒子滤波算法的性能,这里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包括四部分:首先,采用了结合退火参数的混合建议分布,以考虑当前观测测量值的最新信息;接着,基于有效样本大小确定自适应重采样的阈值,以保证有合适的重采样次数;然后,基于权重优化思想提出了一种改进的部分系统重采样算法,在利用算法执行速度快的同时优化部分系统重采样算法;最后,在重采样后执行粒子变异操作,以保证样本的多样性。通过仿真实验,粒子滤波改进策略的性能和有效性均得以验证。

基于改进粒子滤波的目标跟踪算法

针对传统的粒子滤波采用系统转移概率作为建议分布,不能利用当前观测信息.提出了一种结合集合卡尔曼滤波的粒子滤波跟踪方法.对每个粒子产生一个采样子集,使用集合卡尔曼滤波结合当前的观测信息构造建议分布,依据新的建议分布对粒子进行采样.同时在跟踪过程中对于遮挡现象给出了判断和解决方法.实验结果证明该方法提高了粒子滤波估计的准确性,相对于传统粒子滤波和其他粒子滤波方法有更好的稳定性.

一种粒子滤波自适应优化算法

通过对粒子滤波算法中建议分布与重采样2种改进技术分析,提出了一种粒子滤波自适应优化算法.首先,基于退火参数自适应优化混合建议分布,以改进建议分布的采样范围.然后,在基于有效样本大小的自适应重采样技术之上,借助另一多样性测度即种群多样性因子来自适应调整重采样阈值,而且,样本变异操作在重采样之后被引入确保样本的多样性.同时,结合部分分层重采样算法研究并进行改进,改进的部分分层重采样算法具有原算法执行快时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算.通过仿真实验,粒子滤波自适应优化算法的性能和有效性均得以验证.

基于集合卡尔曼滤波的改进粒子滤波算法

提出一种基于集合卡尔曼滤波的粒子滤波改进方法。该方法利用集合卡尔曼滤波的最大后验概率估计产生粒子滤波每一时刻各粒子的建议分布函数,使建议分布函数融入最新观测信息的同时,更加符合状态的真实后验概率分布。该方法在对粒子滤波的建议分布进行估计时使用采样方法近似非线性分布,且采样点数灵活可变,使计算精度和算法效率得到提高。仿真结果表明,提出的集合卡尔曼粒子滤波的估计性能明显优于标准粒子滤波、扩展卡尔曼粒子滤波和无迹粒子滤波。

基于MCPF算法的列车组合定位应用研究

为了克服传统粒子滤波中出现的粒子匮乏现象,提高其应用于列车组合定位的精度,在粒子滤波中应用容积卡尔曼滤波来产生重要性密度函数,并融入了马尔科夫链蒙特卡洛方法到重采样环节,以此增加了粒子的多样性和有效性,进而改进滤波的性能。使用MATLAB仿真对比,结果表明MCPF比CPF具有更高的估计精度,使得列车组合定位的误差更小。

基于t-分布粒子滤波器的目标跟踪

针对贝叶斯跟踪中目标状态的预测分布和后验分布,利用序列蒙特卡洛方法,基于多变量t-分布提出了一种新的粒子滤波算法,称之为t-分布粒子滤波器.为了根据样本估计目标状态的概率分布,提出了一种新的ECME算法,并嵌入到t-分布粒子滤波器中.理论分析表明,在t-分布条件下,t-分布粒子滤波器是在样本数量上的渐近最优估计器.在机动目标跟踪实验中,比较了t-分布粒子滤波器、无色卡尔曼滤波(Unscented Kalm an filter)及自助式粒子滤波器(Bootstrap partic le filters)的跟踪精度.

基于自适应渐消UKF的FastSLAM算法

同时定位与地图构建(Simultaneous Lolalization And Mapping,SLAM)是未知环境下实现机器人自主导航的主要方法,FastSLAM是一个著名的SLAM问题解决方法。由于FastSLAM使用序贯重要性采样的方法,随着算法迭代计算,大部分粒子的权重值变得很小,只有很少粒子具有较大的权重,算法发生退化。为了使采样的粒子分布更加精确,避免粒子出现退化情况,从而进一步提高FastSLAM算法的估计精度,提出了一种基于自适应渐消无迹卡尔曼滤波(AFUKF)的快速同步定位和地图创建(FastSLAM)算法。针对FastSLAM的粒子退化问题,从研究粒子的建议分布函数出发,采用渐消无迹卡尔曼滤波(Adaptive Fading Unscented Kalman Filter,AFUKF)代替扩展卡尔曼滤波器(Extended Kalman Filter,EKF)来估计机器人位姿的建议分布函数,避免了EKF的线性化误差。同时,利用自适应渐消滤波思想产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。在MATLAB平台上的仿真实验结果表明,所提方法的位置估计均方误差比标准FastSLAM降低了28.7%,即估计精度提升了28.7%。在与近几年相关算法的对比实验中,所提方法也取得了较高的估计精度。改变粒子数量条件进行实验时,随着粒子数量的增加,各算法的估计精度都在提升,所提算法依然取得了最好的估计精度。实验结果充分说明,提出的算法计算建议分布函数更加精确,有效缓解了FastSLAM算法中的粒子退化问题,从而显著提高了算法的估计精度。

基于JSD自适应粒子滤波的移动机器人定位算法

粒子滤波算法中存在粒子退化、多样性缺失以及粒子数自适应问题。针对上述问题,首先,用先验转移概率密度和观测似然概率密度的混合分布作为重要性密度函数,用退火参数调控两者的比例,根据自适应参数优化控制机制对退火参数进行优化。其次,采用JS距离对采样粒子数进行动态调控,增强算法实时性。最后,通过遗传变异方法对粒子集进行调整,在一定程度上保持粒子多样性。仿真结果表明:与基于KL距离采样的蒙特卡罗定位算法相比,改进算法的精度提高了63.48%,平均定位误差为19.051 cm,用时减少了48.92%,达到39.268 s,采样粒子数维持在80个,改进算法的有效性得到验证。

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统,针对非线性系统的多扩展目标跟踪问题,提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先,提出了将多扩展目标状态和关联假设进行联合估计的思想,解决了在估计目标状态和数据关联时相互牵制的问题;其次,根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数,并利用粒子滤波技术实现联合估计的Bayes框架;最后,为解决直接采用粒子滤波实现时存在的维数灾难问题,将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化,对每个目标的粒子集根据与其相关的权重单独进行重抽样,这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明,与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比,所提算法的状态估计精度较高,形状估计的Jaccard距离分别降低了30%、20%左右,更适合于非线性系统的多扩展目标跟踪。

生物系统参数估计的改进粒子群优化算法

提出一种基于分解技术的粒子群优化算法,通过分解问题到每个决策变量,把PSO算法从多维索空间集中到利用单维空间上。在两个不同的模拟场景和一个由计算机模拟出的新陈代谢系统的真实数据集上,将该算法的均方根误差与迭代无迹卡尔曼滤波算法、模拟退火算法和传统PSO算法进行比较,仿真和真实数据集上的测试结果表明,该算法的均方根误差,比对比方法分别减少55.16%和19.62%,说明了提出的方法对非线性问题的未知参数估计具有较佳的性能。