条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。     

KF/UPF在SINS大方位失准角初始对准中的应用

为解决捷联惯导系统大方位失准角初始对准中状态维数较高,直接应用无迹粒子滤波(unscented particle filter, UPF)会带来维数灾难的问题,提出了基于卡尔曼滤波(Kalman filter, KF) /UPF组合滤波的初始对准方法。将非线性初始对准模型分解为线性与非线性两部分,采用KF实现对线性部分的最优估计,采用UPF对系统的非线性部分进行状态估计。通过仿真比较不同粒子数下KF/UPF组合滤波算法和UPF算法,结果表明,KF/UPF组合滤波算法在保证初始对准精度和收敛速度的同时,将需要进行UPF滤波的状态维数由10 维降为3 维,减少了计算量,运算时间分别缩短至原来的52.69%和6.0%,提高了初始对准的实时性。     

一种基于SR-UKF的GPS/DR组合定位算法

针对智能车辆机动性运动的定位问题提出了一种基于平方根Unscented卡尔曼滤波的GPS/DR组合定位方案和算法.基于组合定位模型状态方程线性和观测方程非线性的特点,提出了将标准平方根卡尔曼滤波同SR-UKF相结合的非线性滤波算法.该算法在时间更新阶段减少了滤波算法的运算量,提高了滤波算法的效率.仿真结果表明:与基于EKF的非线性滤波算法相比,本算法具有更高的滤波精度和更好的滤波稳定性,同时,同通用SR-UKF相比又具有较高的运算效率,完全适合于资源有限的车载导航系统.     

基于插值非线性滤波的SINS静基座初始对准

讨论了捷联惯性导航系统（SINS）静基座初始对准的非线性和线性误差模型,提出一种基于插值非线性滤波的SINS静基座初始对准方法.分析了插值非线性滤波原理,给出了系统加性噪声情况下的二阶插值非线性滤波递推算法.进行了静基座状态下基于KF、EKF和插值非线性滤波的初始对准仿真.仿真结果表明,在大方位失准角的情况下,基于插值非线性滤波的对准方法具有更高的估计精度,且无需计算Jacobian矩阵,相对于EKF计算量更小,实现更为简单.     

基于简化SSKF的SINS/GNSS紧耦合算法

针对捷联惯导(strapdown inertial navigation system,SINS)/ 全球卫星导航系统(global navigation satellite system,GNSS)紧耦合滤波算法中状态方程线性、观测方程非线性的特点,对超球面单型卡尔曼滤波器(spherical simplex Kalman filter,SSKF)进行了简化:采用普通卡尔曼滤波的状态矢量预测和SSKF的观测值预测及滤波更新完成滤波计算,省去了SSKF状态矢量预测时sigma点生成和对每个sigma点进行状态矢量预测和加权求和的过程,在不损失滤波精度的基础上缩短了滤波计算耗时。经过数学仿真验证,在SINS/GNSS紧耦合中,简化SSKF与SSKF几乎可到达一致的滤波估计精度,而且简化SSKF的计算耗时更短,效率更高。     

传递对准滤波中机翼变形噪声的在线补偿算法

针对机翼变形噪声对传递对准滤波的显著影响,通过特性分析将其处理为时变多阶有色观测噪声,提出了一种在线补偿算法。该算法以标准卡尔曼滤波方程为基础,推导了不扩维情况下补偿多阶有色观测噪声的滤波方程。算法依据滤波过程的序列量测数据,结合模型估计残差的F检验法,在线递推估计机翼变形噪声的自回归阶数、系数及白噪声,构建补偿方程的量测量、量测矩阵和量测噪声进行补偿滤波。通过将该算法应用于速度+姿态对准匹配方案,并与将机翼变形噪声等效为注入量测白噪声和扩充为系统状态的方法比较。仿真结果表明,该算法对时变机翼变形噪声影响下的新息适应性强,收敛稳定,估计精度高,适用于复杂空中环境下机载导弹快速精确传递对准。     

基于固定滞后滤波平滑的弹道重构算法

为有效利用雷达测量的飞行数据进行弹箭的实际弹道重构,建立了弹道重构需要的状态方程和量测方程,考虑模型的非线性和重构状态非高斯分布的可能性,结合Bootstrap粒子滤波给出一种一步固定滞后滤波平滑算法的实现,并将其作为弹道重构的估计工具。算例仿真表明,相比于Bootstrap粒子滤波和无迹卡尔曼滤波,该Monte Carlo平滑算法可以进一步提高估计的精度,为弹道重构提供一种新的有效工具。     

卫星自主轨道估计方法及其高阶非线性滤波器设计

卫星的自主轨道确定是卫星自主生存的必要条件。采用星载常用敏感器对自然天体进行观测,并对观测量进行适当转换,得出观测方程为线性化方程,计算量明显减小且具有更直观的物理意义;利用星光折射时星光矢量所处特殊位置计算地心距,增加观测方程信息量;二体轨道动力学模型的一阶递推近似引入系统模型误差是影响滤波器性能的关键因素之一,应用一阶导数函数值的线性组合替代高阶导数的函数值可以使微分方程的线性化误差大为降低。在滤波器的设计过程中,应用此方法对状态方程进行处理,极大提高了滤波器状态方程的递推精度。仿真结果表明,在相同条件下这种高阶非线性轨道估计器的滤波性能远优于扩展卡尔曼滤波技术的一阶轨道估计器。     

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...     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

基于改进MPC的协同自适应巡航控制策略研究

针对环境干扰、传感器噪声和跟随时变车速稳定性较差等问题，提出一种基于KF(kalman filtering)的改进MPC(model predictive control)算法。搭建CACC(cooperative adaptive cruise control)车辆间纵向运动学模型，并建立离散状态空间方程；利用KF对状态变量降噪，同时对预测模型进行鲁棒性设计；对不同工况下CACC控制目标进行分析，分别建立目标优化函数。通过搭建Simulink与CarSim联合仿真模型进行验证，结果表明，改进MPC算法能够提高城市与市郊工况下车辆的燃油经济性与驾乘舒适性，实现公路工况下对时变车速的稳定跟随。     

引入测速信息的雷达导引头无偏转换跟踪方法

为了满足先进地空导弹对精确弹目交会信息的需求,基于自适应卡尔曼滤波算法,提出了一种引入测速信息的雷达导引头无偏转换跟踪方法。在当前统计模型的基础上,利用递推遗忘最小二乘法估计当前加速度,得到了状态方程。在雷达测量模型的基础上,分析了极坐标系下与笛卡尔坐标系下位置、速度信息的无偏转换关系,推导了无偏转换量测误差协方差矩阵真实值和利用量测信息估计真实值的表达式,得到了量测方程。通过滤波得到的状态和误差估计信息,改进了真实无偏转换量测协方差矩阵的估计算法。仿真结果验证了所提跟踪方法在滤波精度和跟踪速度上的良好性能。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

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。