基于多次测量更新的移动机器人SLAM仿真

针对移动机器人同时定位与地图构建(SLAM)技术中,非线性系统进行线性化处理所产生的线性化误差问题,从费切尔信息角度分析,提出多次测量更新算法.该算法利用滤波中预测和各次更新阶段状态向量的费切尔信息加权关系,解算每次测量更新后的状态估计,通过多次将更接近于真实状态的估计值融入观测信息,可得到较高精度的后验状态估计,降低线性化误差的同时提高了机器人定位与构图准确性.实验部分实现多次测量更新与一次测量更新算法的仿真与对比,结果表明:所提算法能有效降低机器人位姿误差和地图估计误差.     

三维AoA目标跟踪的二次约束卡尔曼滤波算法

在基于到达角(angle of arrival, AoA)的三维目标跟踪中, 伪线性卡尔曼滤波具有稳定性高和计算复杂度低的优点, 但是严重的偏差问题使其跟踪精度迅速下降。针对该问题, 提出一种二次约束卡尔曼滤波(quadratic constraint Kalman filter, QCKF)算法。首先引入涉及所有观测噪声项的增广矩阵, 然后建立与线性卡尔曼滤波等价的目标函数并且附加含有二次项的约束条件, 以此降低偏差影响, 实现更准确的状态更新。QCKF算法采用广义特征值分解求解约束优化问题, 无法直接通过状态更新表达式推导其协方差矩阵, 因此利用约束条件以及矩阵扰动方法完成协方差矩阵更新。仿真分析表明, QCKF算法相较于其他非线性滤波算法具有更优的跟踪性能, 不仅在低噪声条件下可达到后验克拉美罗下界, 而且当噪声严重时能够显著降低跟踪误差, 并且计算开销不高。     

基于多视线融合的高轨近场感知队形设计

针对高轨卫星近场态势感知(near-field situation awareness, NSA)问题，提出了基于多视线(line-of-sight, LOS)融合的多星协同NSA方案，研究了考虑相对状态估计精度、光照约束等因素的NSA队形设计方法。首先，基于系统状态方程、测量方程，以及扩展卡尔曼滤波算法，构建了多LOS融合的NSA模型；然后，通过理论分析获得了LOS夹角越趋近90°,目标位置估计误差越小的NSA队形设计准则；进一步考虑光照、有界性相对运动等约束条件，提出了NSA队形优化策略，并利用罚函数法对由NSA队形优化问题转换得到的非线性规划问题进行求解。数值仿真验证了所提出的多LOS融合NSA模型、队形设计准则和NSA队形优化策略的有效性。     

改进差分进化算法求解武器目标分配问题

针对武器目标分配问题求解收敛速度慢、搜索效率低、寻优精度差的问题, 提出一种基于改进差分进化算法的武器目标分配方法。首先, 建立多约束条件下武器目标分配优化模型, 将动态武器目标分配问题离散为静态武器目标分配问题处理。其次, 采用随机邻域变异策略平衡差分进化算法全局探索和局部开发能力, 采用基于历史存档的自适应参数整定方法, 根据“精英”信息动态更新算法参数。最后, 通过与5种变种差分进化算法的对比实验, 验证了所提方法寻优精度高、收敛速度快、鲁棒性强的优点。     

基于投影滤波的突发事件危险源位置估计问题研究

针对确定突发事件中危险源的位置估计问题,提出一种基于hermit基函数的投影滤波方法.通过将其概率解投影到指定状态空间中,通过投影空间中的艾尔米特基函数构造出近似解,即状态的先验概率密度函数,最后由贝叶斯估计得到状态的后验概率密度函数,给出算法的收敛性和计算复杂度分析.仿真实验证明投影滤波方法有效减少滤波估计中所需的计算量,并提高了估计精度.     

AdaBoost-PSO-LSTM网络实时预测机动轨迹

针对自主空战中轨迹预测难以同时保持高预测精度和短预测时间的问题, 提出一种自适应增强的粒子群优化长短期记忆网络预测方法。首先,建立三自由度无人机动力学模型, 解决机动轨迹的数据来源问题。其次,分析长短期记忆网络, 并引入在线预测的滑动模块输入矩阵, 利用粒子群优化算法代替传统基于时间的反向传播算法进行网络内部权值更新; 同时为解决优化算法非定向性问题, 提出数据共享方法。然后,为进一步提高预测精度, 采用自适应增强算法搭建外框架, 通过控制弱预测器的数量平衡预测精度与预测时间。最后, 在一段变化较为频繁的轨迹进行预测, 与5种神经网络预测方法进行比较, 结果表明所提方法能够较好地满足精度和时间要求。     

一种融合 UKF 和EKF 的粒子滤波状态估计算法

在扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)和不敏卡尔曼滤波算法(Unscented Kalman Filter,UKF)的基础上,提出一种基于融合的粒子滤波算法(Fusion based particle filter, FPF)。该算法首先利用EKF 与UKF 分别预测粒子状态,然后通过融合算法得到粒子的重要性建议分布,实现粒子状态更新。因为充分利用了量测信息,因而能有效提高状态估计精度。仿真中通过实例将该算法与已有的粒子滤波算法(Particle filter algorithm,PF)进行比较,结果表明该算法各方面性能都有较大改进。     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

基于量测一步预测信息的自调整UKF

针对无迹卡尔曼滤波(unscented Kalman filter, UKF)中自由调节参数的选取问题,通过研究不同的对于滤波性能的影响,提出基于量测一步预测信息的在线自调整的UKF方法。所提方法是通过根据每一滤波时刻量测的一步预测信息,对滤波参数进行选取,选出每一滤波时刻的最优滤波参数,从而实现算法的在线调整。数值仿真表明,基于量测一步预测信息的自调整UKF对于真实状态的跟踪效果要优于固定参数的无迹卡尔曼滤波。     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题, 提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下, 设计了一种基于测量平面的数据关联指标函数, 实现量测值的分配; 在此基础上采用变结构滤波框架对多弹道目标进行状态更新; 最后给出了多目标状态估计性能的评估指标。数值仿真实验证明, 所提算法可以有效地实现多目标在测量平面上的数据关联, 并以较少的计算量对多目标进行准确估计。     

平方根递推更新GMP-PHDF

传统高斯混合粒子概率假设密度滤波器(Gaussian mixture particle probability hypothesis density filter,GMP PHDF)采用先验状态转移概率密度作为重要性密度函数,会出现粒子退化问题。而递推更新高斯滤波器依据测量函数梯度渐进式地进行状态更新,可获得更为接近于真实分布的后验估计,但其协方差矩阵易非正定而导致递推中断。对此,本文首先分析平方根递推更新高斯滤波器(square-root recursive update Gaussian filter,SR-RUGF)的实现思路,并给出基于容积卡尔曼滤波(cubature Kalman filter,CKF)的SR RUGF实现步骤。在此基础上,利用SR RUGF为GMP PHDF构建重要性密度函数,进而提出基于平方根递推更新的GMP-PHDF(square-root recursive update GMP-PHDF, SRRU-GMP-PHDF)算法。仿真结果表明,算法可以很好地利用量测信息,获得更高精度的估计结果。     

SR-CH∞KF用于弹丸飞行姿态测量研究

为提高弹丸姿态测量精度,提出一种基于H∞滤波的平方根容积卡尔曼滤波.该方法通过三轴地磁传感器和陀螺仪组合测量模型,采用欧拉角算法模型减少状态维数并使状态方程呈现线性化,可以减少计算量.该方法可以适用于量测噪声不确定的情况,引入新息序列不断修正误差限定参数来更新量测噪声估计值,可以提高滤波的精度和鲁棒性.奇异值分解能够保...     

迭代容积卡尔曼滤波算法及其应用

将Gauss Newton迭代和容积卡尔曼滤波(cubature Kalman filter, CKF)算法相结合,建立了一种迭代CKF(iterated CKF, ICKF)算法。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代过程中利用最新量测信息并改进迭代过程产生的新息方差和协方差,可获得较高的估计精度。针对弹道系数未知的再入弹道目标状态估计问题,仿真实验结果显示,该方法实现简单,比无迹卡尔曼滤波方法(unscented Kalman filter, UKF)及CKF方法效果要好。     

基于车辆动力学和Kalman滤波的汽车状态软测量

针对汽车动力学控制过程中难以在线测得的横摆角速度等状态参数,根据参数软测量理论,采用Kalman滤波并结合汽车两自由度动力学模型,建立了汽车横摆角速度的线性最小均方误差估计算法。仿真计算与场地实验的结果验证了该算法的有效性,同时软测量技术的采用也为汽车控制系统的状态参数测量提供了一条可行、准确且低成本的研究思路。     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

基于比例加速退化建模的单台机载设备剩余寿命自适应预测

针对现有机载设备剩余寿命(remaining useful lifetime, RUL)预测方法在新研单一样本条件下, 无法应用于加速退化试验场景的问题, 本文基于比例关系模型提出了一种加速退化场景下适用于单个试验样本的自适应RUL预测方法。首先, 依据加速退化环境下Wiener过程存在的漂移/扩散系数比例关系, 构建考虑设备个体差异与测量误差的非线性随机退化模型; 其次, 针对加速退化试验存在单一受试样本的情况, 提出了基于期望最大和卡尔曼滤波联合算法的参数自适应估计方法; 然后, 基于卡尔曼滤波原理在线更新目标设备的退化状态, 并推导出设备剩余寿命的概率密度函数; 最后, 通过对单台行波管加速退化实测数据进行分析, 验证了方法的正确性和优势。     

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下, 脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题, 提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息, 采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息, 并提出了在Doppler量测更新滤波估计阶段，采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程, 并进行了数值仿真验证。仿真结果表明, 采用该算法能够稳定跟踪释放多重速度拖引干扰的目标, 有效抑制速度拖引干扰对制导信息估计的影响, 改善导弹的制导精度。     

基于椭圆RHM的扩展目标伯努利滤波算法

与传统点目标跟踪不同,扩展目标跟踪既要估计目标的运动状态,还需估计目标的扩展状态,包括目标的形状、大小、方向等信息。针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(random hypersurface model, RHM)的扩展目标伯努利滤波算法。该算法首先采用RHM对目标量测源建模;然后,在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计;最后,引入Gamma分布以提高量测率估计的准确性。此外,为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数。实验结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于现有的滤波算法,并且可用于实际视频跟踪场景。