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。     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

自举滤波器在非线性目标跟踪系统中的应用

为了解决目标跟踪领域中非线性、非高斯系统问题,研究了贝叶斯滤波算法及其一种实现方法,即自举滤波算法(BSF),并在滤波精度、运算量等方面与扩展卡尔曼滤波算法(EKF)进行比较分析.最后基于一个典型的非线性模型对BSF和EKF进行了仿真比较.仿真结果表明,自举滤波算法的性能优于扩展卡尔曼滤波算法的性能.     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

基于卡尔曼滤波的动力电池SOC估算

由于传统无迹卡尔曼滤波估算方法具有局限性,为了能准确估算动力电池荷电状态(state of charge,SOC),提出了一种基于无迹卡尔曼粒子滤波的动力电池SOC估算方法.以三元锂电池为研究对象,建立了电池二阶RC等效电路模型,通过对电池进行充放电试验辨识出模型参数,并验证模型准确性.采集了实际工况下的电池数据,分别用无迹卡尔曼滤波算法、粒子滤波算法和无迹卡尔曼粒子滤波算法估算电池SOC,在MATLAB中进行了仿真试验,并对估算的电池SOC进行比较.结果表明：无迹卡尔曼粒子滤波算法可以快速准确地估算出电池SOC,误差小于2.5%,优于另外2种算法.     

融合RTS平滑的迭代无迹卡尔曼粒子滤波方法

对粒子滤波算法中建议分布函数的设计提出了一种新的方法,即将迭代无迹卡尔曼滤波(Iterated Unscented Kalman Filtering,IUKF)与Rauch-Tung-Striebel(RTS)平滑算法融合,产生新的建议分布函数,以减小粒子滤波的粒子数匮乏现象,与单独使用无迹卡尔曼滤波产生建议分布函数的粒子滤波方法(Unscented Kalman Particle Filtering,UPF)相比,状态的估计结果更加准确,系统具有更好的稳定性。最后通过仿真研究验证了该方法的有效性。     

IMM-SRUKF在GPS/INS组合导航中的应用

针对无迹卡尔曼滤波(UKF)鲁棒性不强的问题,结合全球定位系统/惯性导航系统(GPS/INS)紧组合模型特点,提出了基于交互式多模型(IMM)的混合平方根无迹卡尔曼滤波(SRUKF)算法.该算法采用交互式多模型结构,克服了模型不确定性因素的影响;采用平方根滤波技术,解决了协方差矩阵难以保持正定的问题.同时,考虑到内部滤波器与线性/非线性模型不匹配,引入混合滤波思想,对SRUKF进行了优化.将新算法应用于紧组合模型进行仿真,结果表明:新算法能够以适当的时间复杂度,获得较强的鲁棒性能,适用于复杂的导航环境.     

基于SCKF的4旋翼无人机的姿态估计

获得准确的姿态角对于无人机的控制来说是十分重要的.考虑到平方根容积卡尔曼滤波算法(square-root cubature Kalman filter,SCKF),既能够克服扩展卡尔曼滤波(EKF)方法因线性化带来的误差,具有更好的非线性滤波功能,又在传统容积卡尔曼滤波方法中加入了平方根技术,从而能够有效提高数值计算的稳定性,并降低了算法的复杂度.该文将SCKF算法应用于4旋翼无人机的姿态估计中,提出了一种新的4旋翼无人机的姿态估计方法,并进行了仿真实验.实验结果表明:该方法相比传统的EKF方法滤波精度更高,相比较传统的容积卡尔曼滤波(CKF)、无迹卡尔曼滤波(UKF)方法计算时间更短.     

动力锂电池荷电状态的联合估计与实验研究

针对动力锂电池常用的荷电状态(SOC)估计算法存在的扩展卡尔曼滤波法精度低、无迹卡尔曼滤波法收敛速度慢等问题,在动力锂电池的Randles等效模型的基础上,通过脉冲放电实验对模型参数进行辨识;并设计了一种基于迭代扩展卡尔曼滤波(IEKF)与无迹卡尔曼滤波(UKF)联合估计的SOC估计法。在电池实验平台上设计模拟工况实验,实验分析表明:该算法的SOC初值修正速度快于EKF和UKF,计算量比UKF小,且稳态误差不超过1.5%,相对扩展卡尔曼滤波(EKF)提高了40%,是一个收敛快、计算量少、静差小的迭代估计算法。     

基于扩展集员估计的气体源定位方法

提出一种基于扩展集员滤波框架的室内气体源分布式定位方法。相对于基于随机模型的统计估计方法(扩展卡尔曼滤波和无迹卡尔曼滤波),此方法只需要知道未知噪声的边界,不考虑噪声的随机性。利用静态湍流模型迭代计算定位误差边界,将位置状态真实值有效地包含在估计范围内,从而能达到的定位可信度。同时引入最小二乘法进行初步定位,以克服扩展集员滤波的初始点选取问题。最后通过基于无线电子鼻的室内定位仿真实验,证明算法的可行性和有效性。     

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...     

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。     

基于EMA_UKF的移动机器人传感器故障诊断

针对移动机器人多传感器单个或组合故障的情况,提出一种基于EMA_UKF(expected mode augmentation-unscented Kalman filter)方法,用于解决传统固定结构交互多模型算法(FSMM)因模型数量多而造成实时性较差,以及扩展卡尔曼滤波(EKF)计算复杂且精度不高的问题。EMA_UKF方法将期望模型扩张算法(EMA)与无味卡尔曼滤波方法(UKF)相结合,首先利用模型集合自适应来确定期望模型;然后用期望模型扩张初始模型集,通过UKF滤波得到接近真实模型状态的估计结果,判断传感器故障类型。最后,通过与传统的FSMM方法的实验对比,表明该方法能够有效地判断出移动机器人单个或组合传感器故障类型,并且明显地提高了诊断精度。     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

车载GPS/DR组合导航系统卡尔曼滤波方法的改进

将全球定位系统(GPS)和航位推算法(DR)两种定位方式结合,实现车辆GPS/DR组合定位系统的自适应信息融合.联合卡尔曼滤波器存在数学模型不确定性和误差模型的随机性的缺点,提出改进方法是采用联邦滤波器,并引入利用模糊推理建立的模糊自适应联邦滤波器,提高了系统的精度和功能.     

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IAUKF的再入弹道目标跟踪算法研究

弹道导弹再入阶段飞行速度快,受力情况复杂、多变,运动方程具有很强的非线性。针对其快速、精确、非线性跟踪问题,通过不敏变换,采用确定性采样逼近状态的后验分布,得到系统状态的均值和一步预测均方误差。将量测数据转换到笛卡尔坐标系中,在标准卡尔曼滤波框架中计算更新滤波增益、滤波均方误差和状态滤波;同时运用数值更为稳定的方程计算一步预测均方误差和滤波均方误差。通过计算残差,自适应更新状态噪声协方差和量测噪声协方差。仿真结果表明,新的跟踪算法与不敏卡尔曼滤波算法相比,具有更快的计算速度和更高的跟踪精度。     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

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。     

一种非合作双基地雷达目标跟踪方法

针对非合作双基地雷达系统的特点,提出了一种能快速找到航迹的目标跟踪处理方法。该方法首先用基于速度的方法起始可能航迹,然后利用跟踪波门技术对后续的测量点集进行相关性检测,接着进入Kalman方法预后续点迹位置的阶段,然后用最近邻域(NN)法搜索出属于该可能航迹的所有点迹,最后进行航迹的确认并开始搜索新的目标航迹。以实测数据为例进行实验,验证了该方法对非合作雷达系统目标跟踪的有效性。