基于智能终端的移动机器人室内外无缝定位方法

提出了一种移动机器人室、内外无缝定位方法,利用全球定位系统(GPS)、惯性导航单元(IMU)和蓝牙信标(iBeacon)作为传感器,通过智能终端的惯性传感器对准建立移动机器人运动模型,推导出系统状态方程和观测方程;利用iBeacon/IMU和GPS/IMU组合导航系统的观测噪声建立系统的非线性模型,采用粒子滤波作为交互式多模型匹配模滤波器,针对模型切换频繁引入的不匹配模型竞争,采用误差压缩率的加权幂在线调整Markov参数.结果表明,与传统的交互式多模型粒子滤波(IMM-PF)算法、单模型算法和交互式多模型卡尔曼滤波(IMM-KF)算法相比,所提出的方法在观测噪声干扰的情况下可以自动调整系统模型,减小了不匹配模型的影响,提高了定位精度,实现了移动机器人的室内、外无缝定位.     

分布式传感器网络中基于数据融合的目标定位算法研究

利用分布式传感器网络以及数据融合方法来提高探测系统的检测与定位精度正在成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。算法采用两级自适应调整得到最优加权因子。首先利用线性最小方差估计(LMSE)算法得到权系数的初始值,然后利用训练节点和递归最小二乘(RLS)算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真。仿真结果表明,相比单节点定位,融合算法的定位精度有约一到两个数量级的提高。     

融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

基于改进强跟踪滤波器的UWB/AHRS紧组合定位方法

针对遮挡环境下的车辆定位问题,提出一种基于改进强跟踪滤波（ISTF）算法的超宽带（UWB）与航姿参考系统（AHRS）紧组合定位方法.该方法使用阈值鉴别UWB测距异常值并消除其影响,将强跟踪滤波（STF）算法应用到紧组合系统的数据融合中,并结合定位模型对算法进行改进,以提高算法的稳定性和对观测噪声的估计精度.仿真与实验结果表明,该方法能在复杂工况下提供车辆精确的定位信息,与UWB单独定位及采用几种非线性滤波算法相比,系统的鲁棒性更强、定位精度更高,具有很强的实用性.      

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

无线传感器网络节点自适应惯性权重定位算法

在无线传感器网络定位算法中,为了降低定位误差,提高定位精度,提出一种结合DV-Hop算法和改进粒子群算法的,基于自适应惯性权重的优化定位算法。首先根据DV-Hop算法估算未知节点与信标节点的距离。然后采用改进的粒子群算法做后期优化。根据每次迭代后粒子位置与全局最优位置的距离,对粒子的惯性权重进行动态调整,使其具有动态自适应性。并且利用进化度作为搜索中止条件,加快算法的收敛速度。通过仿真说明,相较于DV-Hop算法和基于已有改进粒子群优化的DV-Hop算法,自适应惯性权重定位算法可以降低平均定位误差,有效地提高了无线传感器网络中节点的定位精度。     

基于视觉-IMU-编码器的SLAM新算法

VINS-Mono算法应用于轮式机器人时,由于惯性测量单元(inertial measurement unit, IMU)加速度计信噪比较小,观测尺度不准确,会出现定位精度下降。对此,提出了一种融合单目相机、惯性测量单元和编码器的改进算法。在VINS-Mono初始化和后端优化的目标函数中,增加编码器测量残差项,直接融合由编码器数据计算的速度,增强尺度的可观性,降低定位累积误差,提高了定位精度。另外,针对车轮打滑造成编码器速度测量不准的问题,利用IMU角速度计测量值计算打滑因子,自适应调整编码器残差项在目标函数中的权重及其鲁棒核函数的阈值,减小车轮打滑对定位结果的影响。在两轮移动机器人上的实验表明,改进算法具有较强的鲁棒性,定位精度比VINS-Mono提高了一个数量级。     

基于IPSO-HATCH的北斗相位平滑伪距定位算法

载波相位平滑伪距可以有效地提高北斗伪距定位的解算精度,传统的Hatch滤波由于平滑窗口大小是固定的,在持续定位解算中容易发散,因此必须合理地选择平滑窗口的大小。通过分析平滑因子的影响因素,利用改进的粒子群算法(IPSO)对每一历元的平滑窗口大小进行寻优,确定最优平滑窗口的大小。实验表明,利用改进粒子群和Hatch组合的算法(IPSO-HATCH)能够有效地提升滤波效果和定位精度,解决了Hatch滤波平滑窗口大小选择的问题,证明了算法的有效性、稳定性和可靠性。     

非线性加权观测融合粒子滤波器

提出了一种非线性多传感器系统加权观测融合粒子滤波器.首先利用泰勒级数使非线性多传感器系统观测方程具有近似的线性关系.然后,利用加权观测融合(WMF)算法和粒子滤波器(PF),提出了一种具有普适性的加权观测融合粒子滤波器(WMF-PF).WMF-PF可处理带任何噪声统计的非线性系统融合问题.该算法可压缩多个传感器的观测信息,降低系统的计算负担,提高系统的实时性能.随着泰勒级数展开项的增加,WMF-PF渐近逼近集中式观测融合粒子滤波器(CMF-PF),因此该算法具有渐近的全局最优性.最后,通过两个仿真例子验证了该算法的有效性.     

基于鲸鱼优化算法的变分模态分解和改进的自适应加权融合算法的管道泄漏检测与定位方法

针对管道泄漏检测与定位方法存在负压波传播衰减、噪声干扰大、数据融合率低等3种问题,提出了基于鲸鱼优化算法(whale optimization algorithm, WOA)的变分模态分解(variational modal decomposition, VMD)和改进的自适应加权融合算法(improved adaptive weighted fusion, IAWF)的管道泄漏检测与定位方法。该方法提出了三传感器泄漏检测与定位模型,并利用抗干扰能力强的WOA-VMD算法对原始信号进行消噪处理;然后采用小波分析求消噪信号的奇异点,进一步求出压力变送器检测到负压波信号的时间差;在此基础上,利用改进的自适应加权融合算法对多传感器数据进行融合,最终得到泄漏点的实际位置。实验结果表明：该方法可以有效地滤除噪声分量,获得更精确的融合结果,定位精度高,相对定位误差可以控制在1%以内,为管道泄漏检测与定位提供了一种新方法。     

信息融合稳态最优Kalman平滑器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差最优融合准则下,提出了按矩阵加权的两传感器最优融合稳态Kalman平滑器,给出了最优加权阵和最小融合误差方差阵。同单传感器Kalman平滑器相比,可提高平滑精度。一个雷达跟踪系统的仿真例子证明了其有效性。     

多传感器分布式信息融合Wiener信号滤波器

应用Kalman滤波方法,对于带白色和有色观测噪声单通道ARMA信号,基于Riccati方程,在线性最小方差按标量加权的最优信息融合准则下,提出了多传感器分布式信息融合Wiener信号滤波器。提出了计算局部滤波误差间的互协方差的Lyapunov方程,可用于计算最优加权系数。同单传感器情形相比,可提高滤波精度。一个三传感器信息融合Wiener跟踪滤波器的仿真例子说明了其有效性。     

多传感器矩阵加权信息融合预测控制算法

针对多传感器线性离散时不变随机控制系统,应用Kalmam滤波方法,基于状态空间模型,在线性最小方差最优信息融合准则下,给出了多传感器按矩阵加权信息融合预测控制算法.该算法将信息融合Kalman滤波器和预测控制相结合,避免了求解复杂的Diophantine方程,可明显减轻计算负担.与单传感器情形相比,可显著提高控制精度.一个三传感器目标跟踪控制系统的仿真例子说明了算法的有效性和正确性.     

基于UWB的三维定位和优化滤波方法

为了提高室内定位的精度,研究适用于室内定位的基于超宽带(UWB)的三维定位和优化滤波方法,建立基于UWB的三维定位模型;分析三维定位数据利用卡尔曼滤波、平滑滤波、中值滤波、曲线拟合4种算法,在所需时间、环境需求、性价比和精度方面的特性.实验结果表明:相比于平滑滤波、中值滤波、曲线拟合算法,卡尔曼滤波更适合在室内环境的三维定位要求.     

基于神经网络的多传感加权融合算法的研究

数据融合技术是无线传感器网络的一个关键的技术,能减少传感器的传输量,从而明显提高网络的感知性能,延长网络生命周期,减少时间延迟.多传感器的数据融合可以获得比单一传感器更多,更准确的信息.针对从含有噪声的测量数据中估计出监测变量,对自适应加权融合算法进行改进,基于信任度方法对测量数据进行数据预处理,然后基于神经网络误差修正的方法实现各传感器权重的自适应匹配,从而得到较为准确的估计值.通过对比仿真实验,本文算法的融合结果在精度、容错性方面均优于均值估计算法和自适应加权融合算法;能够更好地适应当今大数据环境下对数据精确度的要求.     

一种基于改进卡尔曼滤波的姿态解算算法

针对多传感器融合姿态解算精度不高的问题,本文提出一种改进的卡尔曼滤波算法,即高阶线性互补滤波与扩展卡尔曼滤波(Extended Kalman Filter,EKF)相结合的融合算法。该数据的融合是基于加速度计、陀螺仪传感器频率特性和姿态角的微分方程建立的系统模型,将互补滤波的姿态角数据作为该系统模型的观测值,利用EKF算法对加速度计、陀螺仪、磁力计进行数据融合。高阶的互补滤波和EKF的融合算法能够有效的解决陀螺方向的估计偏差,为了证明该算法的可行性,用搭载IMU(InertialSmeasurementSunit)模块的四旋翼飞行器进行了动态和静态的实验,分析对比了最新导航算法、经典卡滤波算法和该融合算法滤波的效果。实验结果表明：本文提出的高阶无源线性互补滤波和EKF相结合的融合算法,无论在静态还是动态的实时性情况下,都能很明显的去除噪声和抑制姿态角的漂移,且提高了姿态角的精度。     

两传感器信息融合超前κ步稳态最优Kalman预报器

应用Kalman滤波方法 ,基于Riccati方程 ,对于带相关噪声的系统 ,在线性最小方差融合准则下 ,提出了两传感器按矩阵加权信息融合超前k步稳态最优Kalman预报器 ,给出了最优加权阵和最小融合预报误差方差阵的具体计算公式。同单传感器情形相比 ,可提高预报器的精度。一个跟踪系统的仿真例子说明了其有效性     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.