基于平方根容积卡尔曼滤波的四旋翼无人机的姿态解算

为了提高四旋翼无人机姿态解算的精度,提出了基于平方根容积卡尔曼滤波(square-root cubature Kalman filter,SCKF)的多传感器数据融合策略。基于加速度计、磁力计和陀螺仪输出的数据,采用了四元数的姿态解算方法,避免了单一传感器获得的姿态角误差过大的问题,解决了扩展卡尔曼滤波(extend Kalman filter,EKF)精度低以及无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)协方差矩阵正定性丧失的问题。设计了基于pixhawk飞控板的实验方案。通过实验数据表明,与传统的EKF、UKF、CKF算法相比,SCKF的精度最高。且与UKF、CKF算法相比,SCKF具有计算时间少、数值计算稳定性强等优势。     

基于交互多模型无味卡尔曼滤波的移动机器人故障诊断

为了快速、准确地诊断出移动机器人的故障,将交互多模型算法和无味卡尔曼滤波(IMM_UKF)结合起来,通过各个故障模型的概率大小来判断故障是否发生。仿真结果证明,IMM_UKF的估计准确度要高于IMM_EKF,能够准确判断故障。     

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.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

UKF在车辆组合定位技术中的应用

用一种新型的无迹卡尔曼滤波算法(UKF)代替传统的扩展卡尔曼滤波算法(EKF),对GPS/DR组合定位系统进行信息融合滤波。通过计算机仿真和分析后,结果表明无迹卡尔曼滤波算法UKF的滤波定位精度明显高于扩展卡尔曼滤波器EKF,而且UKF对由于系统非线性所引起的滤波误差有很好的抑制作用,因此UKF算法对于要求高精度、低成本和高可靠性的GPS/DR组合定位系统来说是一种值得推广的滤波算法,具有一定的应用价值。     

基于AUV的航迹追踪自适应UKF算法

无迹卡尔曼滤波算法(UKF,unscented kalman filter)是一种常见的(AUV,autonomous underwater vehicle)加权统计线性回归航迹追踪算法,其算法冗余度低于(EKF,extended kalman filter)、(PF,particle filter)及(PSO,particle swarm optimization)等数值优化算法,且算法效率较高。然而,UKF控制算法中的系统采样时间间隔通常会被设置为常数,由此可能会产生预测值的误差累积,从而影响导航预测结果的精度。因此,笔者提出了基于AUV的航迹追踪自适应无迹卡尔曼滤波算法(AUKF,adaptive unscented kalamn filter algorithm),以期降低预测算法的累积误差。该预测方法依据标准UKF算法的原理,通过构造相应的约束、判断与反馈机制,调整系统状态方程中每一步的采样间隔t,从而提升算法的航迹追踪精度并减少过程噪声及传感器噪声对预测过程的影响。最后,通过仿真实验与结果对比,近一步验证了之前所提出的设想。     

基于UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

CUKF算法及其在移动机器人组合导航中的应用

针对移动机器人位置的精确估计问题,提出一种附有约束的无色卡尔曼滤波(CUKF)算法.由于无色卡尔曼滤波(UKF)在处理非线性问题时,无需计算Jacobian矩阵或Hessian矩阵,从而有效地减小了线性化对非线性系统误差的影响.CUKF算法很好地利用了UKF的非线性滤波特点,在其基础上增加某种约束.将地理信息系统(GIS)环境下的地图数据库中的道路方向信息作为约束条件,通过引入拉格朗日函数解决具有约束的差分全球定位系统/航位推算(DGPS/DR)组合导航系统的非线性最优估计.仿真实验结果表明:CUKF比UKF能够更有效地提高定位精度.     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

基于UKF的室内移动机器人定位问题

定位是移动机器人必须具备的基本要求,在室内环境中,物体大多是多边形,因此可由线段进行描述,由激光传感器获取环境信息,采用哈夫变换对激光数据进行分簇,最小二乘法拟合线段特征,并建立里程计模型和观测模型;在传统的EKF定位算法中,线性化处理会导致计算精度下降,甚至造成滤波器的不稳定,且推导Jacobian矩阵比较困难;为了克服EKF的缺点,文章采用UKF算法将里程计数据和激光传感器数据进行融合,无需进行线性化处理,可获得高精度的移动机器人的位姿;通过实验,验证了基于UKF的定位算法在定位的精确性上优于传统的EKF定位算法。     

新型UKF在非线性系统执行器故障估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法使用受限,粒子滤波算法动态跟踪能力差、易产生退化,单一无先导扩展卡尔曼滤波(unscented Kalman filter,UKF)算法滤波精度低等缺陷,根据极大后验(maximum a posterior,MAP)估计原理,设计了一种带限定...     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

基于IMM-UKF方法的机电作动器突发性故障诊断研究

飞机飞行控制系统机电作动器（electromechanical actuator,EMA）的突发性故障会影响到飞机的飞行安全性,甚至导致飞机失控.针对EMA的突发性故障,提出一种基于交互式多模型（interactive multiple model,IMM）和无迹卡尔曼滤波（unscented Kalman filter,UKF）相结合的故障诊断方法.该方法利用UKF不仅能更好地逼近状态方程的非线性特性,而且能使滤波器具有更好的稳定性和更低的计算量要求;利用IMM不仅解决了可测量参数偏少导致的故障诊断困难的问题,而且还改善了发生的故障与预先假设的故障差异较大的情况下故障诊断的快速性和准确性.通过对某型EMA进行故障诊断,仿真结果表明所提出的IMM-UKF故障诊断方法可以实现对EMA部件和传感器故障的快速准确诊断.      

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。     

跟踪系统卡尔曼滤波器的仿真对比分析

比较了跟踪系统中扩展卡尔曼滤波、无迹滤波在二阶常速(CV)统计模型下实现的性能。比较结果显示,无迹滤波(UKF)的性能要明显优于扩展卡尔曼滤波。     

基于粒子滤波器的移动机器人惯导传感器故障诊断

提出一种粒子滤波器方法用于诊断移动机器人惯性导航系统传感器故障.该方法将基于规则的推理与多粒子滤波器结合,利用规则推理确定机器人运动状态,每一种运动状态用一个粒子滤波器监视.该方法有效地解决了单个粒子滤波器难以表示复杂逻辑的问题,降低了每个粒子滤波器的粒子数,从而提高了诊断效率和精度.对移动机器人在5种平面运动状态下(静止、直线运动、转动等)的8种工作模式(包括1种正常工作模式和7种故障模式)进行监视的仿真结果表明,采用所提出的方法可以有效地识别惯导系统的1个或多个硬故障.     

基于迭代测量更新的UKF方法

针对无迹滤波器(UKF)使用线性最小均方估计测量更新方法的不足,提出了一种易于工程实现的迭代测量更新方法.该方法多次使用状态的估计值代替预测值进行测量更新,能够得到更高精度的非线性估计.迭代时,每次使用标准UKF方法得到的均值和方差作为初始参数重新进行UT变换,从而能够得到更加准确逼近真实估计的采样点.仿真结果表明:基于迭代测量更新的UKF算法不仅具有无需计算雅可比矩阵的优点,而且具有较高的非线性近似精度和较高的运算效率,在相同数量级运算时间的情况下,其估计性能明显优于标准UKF和EKF等非线性滤波器.     

基于UKF的战术数据链通信延时与补偿算法

针对战术数据链在信息传输过程中通信延时和量测信息的非线性问题, 结合当前统计模型提出了一种基于无迹卡尔曼滤波算法的延时补偿算法。将非线性变换引入到状态预测中,
在状态预测的基础上加入延时补偿程序, 完成对延时的补偿, 且该算法对非线性量测模型进行更新, 避免了量测模型线性化带来的精度降低。分析了战术数据链产生延时的原因及其对攻击决策的影响, 建立了机动目标的当前统计模型, 采用无迹卡尔曼滤波算法对目标进行跟踪, 在该算法对状态预测的基础上加入延时补偿算法, 对机动目标的位移、速度进行补偿,仿真结果表明该方法有效。