基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法

复杂环境下的量测粗差和时变噪声严重影响了状态估计的精度和可靠性,对此提出了一种基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法。首先,基于先验和后验两阶段更新将变分贝叶斯推断引入因子图优化框架中,以估计时变量测噪声协方差;其次,利用相邻帧间的平均新息构造量测协方差预测值,作为粗差判据来实现稳健估计。基于INS/GNSS组合导航的仿真和现场实验评估表明,所提方法能在粗差干扰的情况下有效估计时变量测噪声,相比M估计和滑动窗口自适应因子图优化算法的水平定位误差分别减小了26.7%和39.8%,兼顾了估计精度和抗差性能,具有较好的复杂环境适应性。

基于鲁棒增强的因子图多源信息融合算法

为了解决组合导航系统中各传感器因受环境影响而产生观测值异常的问题,提出了一种基于鲁棒增强的因子图多源信息融合算法。首先,将组合导航解释为具有拓扑结构的因子图;其次,通过推理组合导航系统的因子图模型,对惯性导航系统(INS)、全球定位系统(GPS)和磁力计(Mag)进行信息融合,计算出导航状态的最优估计值;然后,在此基础上设计动态权重函数,合理动态地调整各因子的权重;最后,利用仿真试验将传统因子图算法和改进的因子图算法进行对比,结果表明:东、北轴向位置的误差分别为0.38、0.62 m,相比传统因子图算法,该算法位置精度提升近70%,拥有更好的导航性能和鲁棒性。

基于抗差因子图的AUV多源信息融合定位方法

面向AUV搭载的传感器信息频率不一致与有效性易动态改变的情况,因子图算法相较于扩展Kalman滤波算法表现出更好的稳定性、灵活性与扩展性。本文首先比较了FGO与EKF算法分别应用于AUV多传感器信息融合定位的性能,再针对复杂水下环境中,传感器的异常观测值影响FGO算法定位精度的问题,提出了一种基于抗差因子图的AUV多源信息融合定位方法,利用动态协方差缩放策略对粗差因子进行降权处理,在海测数据的基础上模拟观测粗差进行算法验证。分别采用普通FGO算法、基于DCS的抗差FGO算法对受到粗差干扰后的数据进行解算。统计结果表明,相较于不进行抗差处理,该算法降低了14.6%的平面位置误差,对异常观测具有良好的稳健性能。

室内惯性导航系统/相机拓扑测量的因子图合作定位算法

为解决合作定位算法中滤波结构不易扩展、鲁棒性差的问题,提出了一种适应于室内多用户的惯性导航系统/相机拓扑测量的因子图合作定位算法。利用目标检测识别算法,提出相机拓扑测量合作定位算法。通过构建拓扑测量、惯性导航系统因子函数,推导出基于因子图的可扩展参数优化模型。为进一步提高鲁棒性,引入综合考虑残差和检测分数的权值判断法,提出适应于相机拓扑测量的改进型开关约束算法。仿真和实测实验表明:拓扑测量观测精度的提升对位置和速度估计、算法收敛次数均有不同程度的改善;合作+改进型开关约束算法的定位精度较非合作+非鲁棒算法的提高了79.8%;改进型开关约束算法相比原开关约束算法具有较高的预测成功率,当测量遮挡时长比为0.4时,改进型开关约束算法将原开关约束算法对野值点的预测成功率由89.35%提高到了97.4%;与原开关约束算法相比,引入权值判断法的改进型开关约束算法剔除了同用户多边框的异常拓扑测量值,减小了计算开销,提高了合作定位精度和鲁棒性。

基于因子图的GNSS鲁棒优化算法分析

精确的导航定位系统是飞机导航、汽车自主驾驶等领域的重要组成部分,但由于全球导航卫星系统(GNSS)在复杂环境中会受到多种因素的影响(如信号遮挡、多路径效应等)而导致可用性降低,传统的导航定位算法(如卡尔曼滤波)有可能使性能难以达到预期效果。本文将同步定位与地图构建(SLAM)中的因子图优化算法应用于GNSS中,可提高导航定位精度,并采用最大混合(max-mixture,MM)算法提高导航的鲁棒性。通过对实测试验数据的评估验证并与传统方法进行对比分析,结果表明本文所采用的最大混合图优化算法相比传统算法,在GNSS导航中的精度更高、鲁棒性更强。

一种稀疏图正则化的非负低秩矩阵分解算法

非负矩阵分解方法(non-negative matrix factorization,NMF)广泛应用于图像聚类、计算机视觉、信息检索等领域。但是,现有的NMF方法还存在一些不足之处:①NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;②NMF方法还存在对噪声敏感以及鲁棒性差的缺点。为了提高NMF算法的鲁棒性和可解释性,提出一种稀疏图正则化的非负低秩矩阵分解算法(sparse graph regularized non-negative low-rank matrix factorization,SGNLMF)。通过低秩约束和图正则化,SGNLMF算法同时利用了数据的几何信息和有效低秩结构;此外,SGNLMF算法还对基矩阵加以稀疏约束,使得其鲁棒性和可解释性均有一定的提升。还提出了一种求解SGNLMF的迭代算法,并从理论上分析了该求解算法的收敛性。通过在ORL和YaleB数据库上的实验结果表明SGNLMF算法的有效性。

非负低秩图嵌入算法

现有的非负矩阵分解方法(NMF)还存在一些不足之处。一方面,NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;另一方面,NMF方法还存在对噪声数据和不可靠图敏感以及鲁棒性差的缺点。为了解决这些问题,提出了一种非负低秩图嵌入算法(NLGE),该算法同时考虑了原始图像数据的几何信息和有效低秩结构,使得其鲁棒性有了进一步的提高。此外,还给出了一种求解NLGE算法的迭代规则,并进一步证明了该求解算法的收敛性。最后,在ORL、CMU PIE、YaleB和USPS数据库上的实验结果表明了NLGE算法的有效性。

室内环境下基于图优化的视觉/惯性/超宽带融合定位算法

针对室内环境下视觉惯性里程计存在光照条件依赖和误差累计、超宽带定位易受非视距误差影响的问题,提出一种基于图优化的视觉/惯性/超宽带融合定位算法。首先,引入线特征来提高视觉特征的精度和鲁棒性;其次,设计了超宽带非视距误差识别与抑制方法来提高超宽带定位精度。然后,将超宽带定位信息与视觉惯性里程计输出位置信息以图优化的方式进行融合,实现室内定位,最后通过仿真实验和真实室内场景实验进行了验证。该算法在低光照、弱纹理或者障碍物遮挡等复杂室内环境下,与视觉惯性里程计相比,平均定位精度最高提升约72.09%,与纯超宽带定位算法相比,平均定位精度最高提升约46.15%。该算法可在室内环境下提供精度更高、鲁棒性更强的定位结果。