复杂环境下基于Huber-RKF的移动机器人信息融合算法

为解决移动机器人组合导航系统中由于存在时变、非高斯噪声而导致的估计精度下降问题,提出一种将秩卡尔曼滤波器(Rank Kalman Filter, RKF)与Huber统计线性回归近似方法相结合的Huber秩卡尔曼滤波算法(Huber-RKF)。RKF与高斯确定点采样型滤波算法结构相似,但它不需要满足高斯分布假设条件,完全利用秩统计量相关原理计算采样点及其权值,适用于非线性、非高斯系统;Huber方法将l1/l2混合范数作为代价函数,通过迭代求得最优估计值,具有较好的鲁棒性;把二者相结合,将Huber最优估计作为RKF算法结构中的量测更新,得到的Huber-RKF算法具有良好的鲁棒性和滤波估计精度。仿真实验中将Huber-RKF与EKF、RKF以及交互式多模型秩卡尔曼滤波器(IMM-RKF)进行比较,其纬度、经度估计误差分别减小了69.5%、75.6%,44%、44.1%,27%、14%;算法实时性方面,Huber-RKF算法中程序循环体单次执行的时间为20.8 ms,比IMM-RKF执行速度快33%。

基于开口式霍尔传感器的高精度直流计量技术研究与实现

目前,通信基站内多运营商共享一套直流开关电源,该场合下存在对各运营商直流用电量进行精准计量的需求。文中研究了霍尔传感器应用于直流计量时存在的问题。设计了一种降秩平方根卡尔曼滤波算法高效地解决霍尔传感器存在的零点漂移问题。引入非线性拟合算法有效地解决霍尔传感器存在的温度漂移问题。设计的这款基于开口式霍尔传感器的多回路直流计量设备,创新地将霍尔传感器与计量电路集成,能够实现16路用户直流电能的动态计量以及电压电流的实时监测,并且创新性地设计了限位结构充分解决霍尔传感器的偏心问题。试验结果表明,该直流计量设备能够达到1.0级的精度标准。

秩滤波方法

基于秩统计量相关原理提出一种秩采样方法,其采样点分布合理,能够有效地模拟系统状态的概率分布。在此基础上,进一步提出一种非线性秩滤波方法,给出秩滤波的采样策略、时间更新、量测更新公式及其计算步骤。目前常用的非线性滤波方法有无迹Kalman滤波和粒子滤波。无迹Kalman滤波方法只适用于高斯分布的情况;粒子滤波方法虽然可用于非高斯分布的非线性滤波,但却存在粒子退化及重采样引起的粒子贫化问题,且计算复杂、工作量大。而秩滤波方法不仅适用于高斯分布的非线性滤波,也适用于常见的多元t分布、多元极值分布等非高斯分布的非线性滤波,并且计算简单、计算量小,便于工程应用。从仿真算例可以看到,该方法比无迹Kalman滤波方法具有更高的滤波精度。

秩粒子滤波

将秩滤波与粒子滤波相结合,提出秩粒子滤波。它首先由秩滤波方法得到重要性密度函数,然后再采用粒子滤波方法进行滤波。由于秩滤波产生的重要性密度函数包含了最新的观测信息,与真实状态概率密度的支集重叠部分更大,所以,秩粒子滤波比无迹粒子滤波和粒子滤波具有更高的精度,且计算简单,便于工程应用。大量仿真结果验证了这一结论。

基于秩卡尔曼滤波的室内行人航位推算算法

针对采用卡尔曼滤波进行室内行人导航数据融合时精度较低的问题,在行人航位推算技术的基础上,提出了一种基于秩卡尔曼滤波(RKF)的行人航位推算导航(PDR)方法。RKF技术由于采用特殊的秩采样机理,可以很好地处理非高斯和非线性系统问题。通过将RKF技术和零速修正(ZUPT)技术相结合,对室内行人运动中测得的多传感器数据进行融合,实现更加精确的室内行人导航定位。首先,利用零速检测算法从MEMS传感器测量数据中分析得到零速信息;然后,利用得到的零速信息作为ZUPT和RKF算法的信息源参与融合解算得到最终的行人位置;最后实验结果表明,基于RKF的PDR算法相对于采用扩展卡尔曼的行人航位推算算法有一定的提高,使得室内行人导航定位误差减小了18.91%。

基于交互式多模型秩滤波的移动机器人组合导航算法

针对非结构化环境下移动机器人组合导航系统中存在的时变或非高斯噪声,将秩滤波器(rank Kalman filter,RKF)与交互式多模型算法(interactive multiple model filter,IMM)相结合,提出一种交互式多模型秩滤波算法(IMM-RKF)。秩滤波根据秩统计量相关原理确定采样点和权值,可适用于具有非高斯噪声的非线性系统;交互式多模型算法是解决结构和参数易发生变化系统中状态估计问题的重要途径,能够抑制组合导航系统中时变噪声引起的导航参数估计误差。仿真实验表明,相比于交互式多模型扩展卡尔曼滤波(IMM-EKF)和交互式多模型无迹卡尔曼滤波(IMM-UKF),提出的IMM-RKF算法能够提高组合导航系统姿态、速度和位置估计精度。

视觉遮挡下的人体姿态鲁棒估计

针对人体姿态估计中的视觉遮挡问题,提出了一种带有鲁棒卡尔曼滤波(RKF)的人体姿态估计方法。首先,采用随机森林方法(RFM)从深度图像中识别出人体各部件,并计算出人体各关节点在相机坐标系下的3D位置;其次,考虑到视觉自遮挡或遮挡引起的人体部件误识别,设计了一种鲁棒的卡尔曼滤波器,利用假设检验的方法对视觉遮挡造成人体姿态信息中包含的复杂噪声进行识别和分类,以提高人体姿态估计对视觉遮挡的鲁棒性。最后,通过仿真结果以及多个人体关节点的3D位置估计实验表明,所提方法可有效提高人体姿态估计的精度和鲁棒性。

非线性非高斯秩滤波方法

基于秩滤波原理,提出一种非线性非高斯秩滤波方法,给出其递推过程.目前常用的非线性滤波方法有无迹Kalman滤波和粒子滤波,无迹Kalman滤波只适用于高斯分布的情况,粒子滤波方法却存在粒子退化及重采样引起的粒子贫化问题.而非线性非高斯秩滤波方法不仅适用于常见的多元t分布、多元极值分布等非高斯分布的非线性滤波,并且计算简单、工作量小,便于工程应用.从仿真算例可以看到,该方法的滤波精度与无迹Kalman滤波和粒子滤波方法相比提高了500%以上.

非线性状态方程自校准滤波方法

针对工程实际中遇到的非线性系统状态方程中含未知输入(如环境因素的影响、模型和参数选取不当等)的情况,采用自校准技术,基于秩滤波与无迹Kalman滤波算法提出了一种非线性状态方程自校准滤波方法,并分别讨论了自校准秩滤波(SRF)与自校准无迹Kalman滤波(SUKF)两种情况。大量仿真结果和工程应用表明:与无迹Kalman滤波(UKF)相比,该方法通过对系统状态方程中的未知输入进行自动估计和补偿,改善了系统受未知输入影响下的滤波效果,从算例中可以看到,估计精度至少提高了80%,且计算简单,便于工程应用。