基于KLT光流的无人机视频影像特征点跟踪算法

针对无人机低空采集的高分辨率视频特点,提出了一种无迹卡尔曼滤波和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪算法。首先,利用无迹卡尔曼滤波在相邻帧中进行特征点预测,以确定匹配范围;其次,根据KLT匹配算法对特征点进行跟踪,以得到的匹配结果作为观测值;最后,通过卡尔曼增益修正得到特征的准确位置。针对建筑物、草地等不同类型视频数据集的实验结果表明,该算法可以得到精确的特征位置。     

机动目标跟踪的S修正无迹卡尔曼滤波算法

针对非线性观测条件下的非线性机动目标跟踪问题,借鉴线性滤波中卡尔曼滤波器的S修正防发散思想,对基本无迹卡尔曼滤波算法进行改进,提出S修正无迹卡尔曼滤波(SUKF)方法.对二维机动目标跟踪的仿真结果表明,该算法与基本UKF算法相比,跟踪精度大幅提高,但计算时间略有增加;与SPPF算法相比,跟踪精度提高,且计算复杂度大幅降低,计算时间大幅缩减.     

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.     

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.     

矿井NLOS环境下改进UKF超宽带定位算法

由于矿井下巷道空间有限且存在弯曲,因此通信传播大多为非视距(NLOS)传播环境。传统的基于距离的无线传感网络定位技术易产生较大误差,从而导致定位精度不高。超宽带(UWB)信号具有穿透能力强、抗多径能力强的特点,能够提供较高的定位精度,因此成为NLOS环境下定位的首选。针对NLOS环境下的定位精度不高的问题,在接收信号强度(RSSI)测距和三边算法联合定位的基础上,提出以联合定位得到的初始坐标做为无迹卡尔曼滤波(UKF)算法的观测值,并对UKF的测量更新方程进行修正,使该算法能适应NLOS环境下的定位跟踪。通过仿真验证并与扩展卡尔曼滤波(EKF)算法进行比较,在NLOS环境下改进的UKF定位算法,能够对目标进行实时跟踪并提高定位的精度。     

EKF在新的导航系统中的仿真研究

针对全球定位系统(global positioning system, GPS)的应用受限于美国,涉及隐私和安全等问题给出一种新的组合导航定位系统方案,该方案充分利用中国自主的研发技术,消除对GPS定位技术的依赖.为了验证该方案的可行性,进一步研究扩展卡尔曼滤波算法(extended Kalman filter, EKF)在BDS和DTMB定位系统中的应用.给出机动目标特性的运动模型,利用EKF进行最优估计,最后从动态定位跟踪轨迹、定位跟踪误差、和误差累积分布函数3个方面进行仿真验证.仿真结果表明,跟踪轨迹能够基本吻合于真实轨迹,偏差较少,且因视距中的误差小于非视距,视距环境中的效果更优.     

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

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.     

基于CSI离散指纹的轨迹跟踪方法

针对从Wi-Fi设备中获取的接收信号强度(RSSI)在定位过程中误差较大的问题，设计了一种基于信道状 态信息(CSI) 离散指纹的轨迹跟踪方法．首先经过汉佩尔滤波，巴特沃斯低通滤波去除了CSI异常值和噪声的影响， 然后利用线性回归算法去除相位的频移误差，继而采用协方差矩阵特征值法进行特征提取，最后通过基于CSI子 载波权重的主成分分析法进行了无源定位和轨迹跟踪．实验结果表明: 离散指纹点定位的平均正确率在 90%以上， 所设计的算法能有效实现对室内人员的定位和轨迹跟踪．     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.     

基于运行状态识别的无人机航迹预测

无人机航迹预测对于无人机冲突检测、任务规划及异常管控至关重要。在很多情况下难以为无人机这种复杂系统建立精确的物理模型,给基于模型的滤波方法带来一定难度。为解决上述问题,提出一种基于运行状态识别的无人机高斯过程-无味卡尔曼滤波的混合估计方法。首先,利用运行状态识别机制将无人机运行数据分为不同数据段,以确定无人机实时状态并提高预测模型的适应性;然后,根据不同的运行状态,从航迹数据中学习高斯过程递归模型,将其作为无味卡尔曼滤波器的状态转移方程,以实现更高的预测精度;最后,利用动作捕捉系统采集的真实无人机运行数据验证了所提出方法的有效性,利用均方误差检验了方法的精确度。     

基于球面单径容积准则的多雷达分布式再入目标实时跟踪算法

针对多雷达对再入目标的实时跟踪问题,提出一种基于球面单径容积准则的分布式容积卡尔曼滤波算法。首先,利用球面单径容积准则近似计算非线性高斯权重积分,然后由统计线性误差传播方法等价表示滤波过程中的互协方差矩阵;最后通过一致性算法将单雷达容积卡尔曼滤波器所得时间更新结果与邻居雷达间进行信息交互与一致化处理,得到分布式球面单径容积卡尔曼滤波算法。该算法提高了再入弹道目标跟踪精度;无信息融合中心的通信拓扑结构降低了雷达间的通信量与计算量,提高了整个系统的生存能力。数值仿真结果验证了算法的有效性。     

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。     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

用无人机 GPS系统对雷达进行精度评定的方法

提出了一种新的雷达精度评定方法,即利用搭载全球定位系统(GPS)的小型无人机做为雷达的跟踪目标,对雷达测量精度进行评定.在研究评定方法的基础上,分析了数据处理方法和雷达评定工作对GPS系统定位精度的要求.为了提高无人机的定位精度,系统采用了差分GPS定位技术,即根据地面基准站测量GPS的定位误差来修正无人机的测量结果,并采用Kalman滤波方法来抑制观测噪声,进一步提高无人机的定位精度.仿真测试表明,这种方法可以满足雷达评定的精度要求,同时具有简单、经济、可靠的优点.     

机器视觉辅助的插头锥套式无人机自主空中加油仿真

为准确获取无人机自主空中加油对接阶段受油插头与加油锥套的相对位姿信息,提出一种机器视觉辅助的插头锥套式无人机自主空中加油方案。研究了机器视觉识别跟踪加油锥套的算法,利用卡尔曼滤波算法估计无人机与加油锥套的相对位姿。实验结果表明:机器视觉图像处理算法可精确识别跟踪加油锥套,滤波器估计的相对位姿误差收敛速度较快,满足插头锥套式无人机自主空中加油的需要。     

结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法

针对卡尔曼滤波和Mean Shift算法结合后对严重遮挡和遮挡后复出失效且实时性差的问题,提出一种基于卡尔曼滤波和Mean Shift动态结合的改进算法. 通过在算法中加入Bhattacharyya系数进行遮挡程度判断,并根据遮挡系数的阈值选择使用卡尔曼滤波或线性预测法更新Mean Shift迭代起点. 实验结果表明,该方法能成功实现大范围连续遮挡和目标复出情况下红外目标的跟踪,并且迭代次数和跟踪时间分别减少了9.68%和17.58%,提高了跟踪的鲁棒性和实时性.      

卡尔曼滤波在GPS制导火箭弹中的应用

针对直接采用全球定位系统(GPS)测量弹道误差较大的问题,该文提出应用扩展卡尔曼滤波方法进行弹道测量。采用火箭弹弹道模型和GPS误差模型,建立卡尔曼滤波系统状态模型和以伪距为观测量的系统测量模型,推导并分析了相应的滤波公式,并对GPS动态定位的数据进行滤波。理论分析和仿真结果表明,GPS测量的位置误差和速度误差具有随机性,且误差幅度较大,采用卡尔曼滤波算法后,弹道的位置估计误差和速度估计误差分别降低到观测误差的1/3和1/4左右,而且滤波收敛速度快。     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。