基于非线性滤波的移动机器人位姿估计

研究了基于扩展卡尔曼滤波和粒子滤波的移动机器人位姿估计。由于扩展卡尔曼滤波必须假定噪声服从高斯分布,若用于复杂非线性系统,其估计精度不甚理想。粒子滤波对噪声类型没有限制,正在成为非线性系统状态估计的有效近似方法。在不同噪声条件下,对基于粒子滤波和扩展卡尔曼滤波的移动机器人位姿估计问题进行了比较研究。仿真结果表明:粒子滤波能明显地改善移动机器人位姿估计的鲁棒性和精度。     

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

非高斯噪声环境下的智能粒子滤波多用户检测方法

粒子滤波适用于任何非线性非高斯系统的状态估计问题,具有应用灵活、适用范围广等优点．建议分布的选择恰当与否直接决定着粒子滤波的估计精度和估计效率．针对这一难点提出了采用粒子群优化算法来确定粒子的建议分布．粒子群优化算法作为新的群智能算法同样适应于各类非线性非高斯系统,采用该算法确定粒子滤波的建议分布保证了粒子滤波广泛的适应性,同时提高了估计精度．最后在Alpha稳定分布噪声环境下对CDMA系统多用户检测进行了仿真,结果表明,采用智能算法来确定粒子的建议分布极大地提高了粒子滤波的估计精度．     

基于粒子滤波的分布式智能故障诊断系统研究

针对传统故障诊断系统硬件结构以及故障识别算法过于复杂的问题,提出并研究了一种基于粒子滤波的分布式智能故障诊断系统.该系统采用ZigBee无线传感网络实现系统分布式多变量参数的实时采集,基于粒子滤波算法在线处理各变量数据,并基于简易模式识别算法获得系统真实状态的准确估计,实现系统故障的智能诊断与故障预示.智能故障诊断系统由ZigBee无线传感数据采集网络、粒子滤波算法、系统状态模型和故障模式识别四部分构成.粒子滤波算法基于粒子序贯重要性重采样和蒙特卡洛方法对传感器采集数据滤波,抑制或消除干扰及显著性误差对系统状态估计的影响,可避免粒子退化.故障模式识别就是求取与粒子滤波输出的系统状态估计曲线残差之和最小的系统状态模型.智能故障诊断系统的实现和实例实验结果表明该系统能实现对象的远程监测、对象状态的精确估计、对象故障的准确诊断,拓宽了分布式传感网络的应用范围,并具有成本低、可靠性高、实时性好和易实现的优点.     

一种基于级联滤波的手眼在线标定方法

在机器人末端关节处安装线结构光传感器可实现物体表面的非接触测量,针对该结构光测量机器人系统中的手眼标定问题,提出了一种基于级联滤波的在线标定方法.与以往先采集数据然后标定的离线方式不同,该方法在采集数据的同时可对手眼关系进行递归估计.首先对齐次标定方程AX=XB解耦展开,将展开后的子方程改写成状态空间模型,完成手眼关系级联滤波模型的建立.然后根据级联模型中子模型属性的不同,选择最适合的滤波方法,应用粒子滤波迭代估计手眼关系的旋转部分,用卡尔曼滤波实现平移向量的递推估计.实验表明了该方法的有效性,满足实际工程应用要求.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

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.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于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,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于粒子滤波的雅可比矩阵在线估计技术

研究基于图像的机器人视觉伺服技术中雅可比矩阵的在线估计方法.以雅可比矩阵的元素构成系统状态向量,将问题转化为对系统的状态估计问题.引入非线性非高斯系统的粒子滤波算法,在该算法的框架下在线估计图像雅可比矩阵.以非高斯环境下二自由度机械手跟踪运动目标这一应用背景为例,分别对新提出方法与已有基于Kalman滤波的估计方法进行了实验比较.结果证明,前者具有更高的估计精度和更强的鲁棒性,基于粒子滤波的方法不仅可以避免系统标定,而且对系统噪声的类型没有具体要求.     

基于均值迁移的粒子滤波算法研究

针对弱观测噪声环境下的粒子退化现象,特别是观测噪声较小时非线性非高斯的粒子滤波问题,提出了一种基于均值迁移的粒子滤波算法。首先,将核密度估计的无参快速模式匹配算法引入到粒子滤波中,并迭代计算概率密度估计。然后,利用均值迁移估计粒子梯度的方向,计算每个粒子移向其样本的均值。当粒子位置发生改变时,对重采样粒子进行加权处理。最后,根据本算法采样更新粒子集,有效地克服了粒子退化现象并提高了状态估计精度。