一种基于Unscented卡尔曼滤波的多平台多传感器配准算法

首先给出传感器偏差配准模型,然后将目标的运动模型和传感器偏差组合在同一个状态方程中,利用Unscented卡尔曼滤波（UKF）方法进行状态和偏差联合估计,最后理论分析了配准偏差对状态估计的影响。Monte-Carlo仿真表明,该方法能同时有效地估计目标状态和传感器配准偏差。     

基于多传感器信息融合的移动机器人定位技术研究

移动机器人自身的定位问题是移动机器人在实际应用中首先会遇到的问题,是移动机器人完成各项任务的首要前提。为提高自制移动机器人的定位能力．设计了扩展卡尔曼滤波器对移动机器人装载的里程计、陀螺仪以及电子罗盘信息进行了信息融合。仿真研究结果缸明移动机器人的定位能力能得到一定的提高。     

基于区间卡尔曼滤波的多传感器信息融合

目标运行建模过程中,存在系统参数不确定的情形．将基于标准卡尔曼滤波的多传感器信息融合算法由系统参数确定的情形推广至参数不确定的情形,给出了基于区间卡尔曼滤波的多传感器信息融合算法,解决了系统参数不确定情形下系统状态估计的融合问题．给出的状态估计不再是目标的状态点估计,而是目标状态的区间估计．     

多传感器多组加权融合算法研究

将多传感器对某一状态的测量结果分组，针对每组测量变量的算术平均值，依据极大似然原理，提出了多传感器分组加权融合算法。通过对各组传感器测量值的方差进行估计，从而对每组传感器测量平均值的权值进行合理的分配，解决了在传感器和环境干扰未知情况下，加权融合算法中权系数如何确定的问题。     

多传感器融合定位控制系统设计

为实现水田作业机械的精确定位,在惯性传感器定位的基础上,设计了一套基于激光的多传感器融合定位系统.该系统以激光、陀螺仪与编码盘等传感器模块为硬件基础,结合卡尔曼滤波算法实现了多传感器的数据融合.试验结果表明:在50 m×50 m的测试范围内,静态定位误差小于10 cm,系统定位可靠,精度较高,达到了预期研究目标.     

基于两阶段卡尔曼滤波的多传感器信息融合

在目标跟踪中,对目标运动建模时,常会遇到系统状态方程存在偏差问题. 传统的信息融合方法总是假设系统状态方程中的偏差为常量,很少涉及偏差为随机变量的情形,但实际建模中常会出现这类问题. 针对此问题,提出了基于两阶段卡尔曼滤波的多传感器信息融合方法. 这种方法可以有效地消除系统状态方程在建模存在随机偏差时给信息融合所带来的影响,从而提高了融合精度.     

对多传感器数据融合的综合研究

1多传感器数据融合的概念数据融合一词出现在20世纪70年代,并于80年代发展成一项专门技术。它是人类模仿自身信息处理能力的结果,类似人类和其他动物对复杂问题的综合处理。人类能将各种功能器官(眼、耳、鼻、四肢、皮肤)所探测到的(图像、声音、气味、触觉)与先验知识进行综合,以便对周围的环境和正在发生的事件做出估计。数据融合最早用于军     

基于多算法协同的蜂窝无线定位的算法研究

基于数据融合的基本原理,采用TDOA定位技术,将其应用于多算法协同定位,进一步提高对移动台(MS)定位估计的准确性.最后仿真结果表明利用此多算法协同定位模型,在保证决策可靠的前提下,能得到更准确可靠的移动台估计位置,有效地提高了决策输出的定位精度.     

无线传感器网络协同定位算法

针对无线传感器网络中基于RSS的定位算法存在的不足,提出一种协同定位算法。该算法包含2个方面：一是引入参考信标节点,以增加节点定位的容错性;二是采用狄克逊（Dixon）检验法剔除异常RSS值,同时引入RSS标准差阈值和学习模型,减小基于RSS的测距误差,有效提高定位精度。通过仿真实验对算法性能进行了评估,结果表明,该算法定位精度得到了有效提高,健壮性和稳定性较好。     

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.     

单模型多传感器多尺度交互数据综合估计算法

将小波分析理论中的多尺度分析思想与传统Ｋａｌｍａｎ滤波、多尺度数据融合算法相结合,提出了单模型多传感器多尺度交互式数据综合估计新算法,并通过计算机的仿真结果,对此算法进行了定性分析;用标准差对此进行了定量分析,从而说明了该算法的有效性。     

含状态约束的分布式多传感器数据融合

从理论上研究了含状态约束的分布式多传感器数据融合中的状态估计问题．在单传感器Kalman滤波方程和无约束的分布式融合算法的基础上,考虑状态等式约束条件,提出了一种新的含状态约束的分布式融合估计算法,指出并证明了该融合估计所具有的数学性质．     

多传感器信息融合的时间不确定性

分析了测量融合方案的测量信息时间不确定性,将时间不确定性转化为系统不确定性．以跟踪问题为例,讨论了卡尔曼滤波器、确定性系统的鲁棒滤波器和参数不确定性系统的鲁棒滤波器3种滤波器的应用,给出了3种滤波器的求解结果,并对其表现进行了比较．仿真结果表明,在时间不确定性条件下,3种滤波器的性能都有所下降,2种鲁棒滤波器的滤波误差的方差始终比卡尔曼滤波器的方差小。     

一种基于IEKF的轮式移动机器人自定位算法

为使移动机器人在导航时能满足定位要求,提高其定位精度,提出一种将里程计、相机传感器和激光雷达信息进行融合的自定位算法。根据机器人的机械结构和运动方式对其建立运动学模型,由里程计推算出机器人在不同时刻的位置估计;利用相机传感器对环境中的路标特征进行识别并计算出两者之间的距离和夹角;将激光雷达所获得的机器人相对路标特征的距离和角度与相机传感器的信息进行匹配,并利用迭代扩展卡尔曼滤波(iterated extended Kalman filter, IEKF)算法融合里程计信息,最终得到较为精确的机器人的位置估计。仿真试验结果表明,该多传感器融合算法相对传统的定位方法具有更高的定位精度。     

考虑融合多传感器误差项优化方法的定位技术研究

为了实现移动机器人的精确自主定位,根据不同传感器的测量原理定义了视觉误差和惯性测量单元误差项,采用基于图优化的思想构建一个最小二乘问题的位姿估计器数学模型,并把多种传感器的误差项添加到估计器中,使用优化工具求解出最优的位姿,实现多传感器的融合定位。通过在仿真实验平台上运行公共数据集,实验结果表明单传感器的定位方案因为尺度模糊和累计漂移的问题在绝对位姿误差平均值达到7.942 m,而融合多传感器的定位方案的绝对位姿误差平均值为0.234 m,说明融合多传感器的定位方案比单传感器定位方案在定位上更加准确和鲁棒。     

传感器数据异常下动力定位鲁棒状态估计方法

针对时变环境带来的传感器数据异常、未知环境干扰等影响,导致基于无迹卡尔曼滤波的动力定位状态估计方法估计精度下降的问题,提出了一种鲁棒无迹卡尔曼滤波方法,该方法通过引入一种基于指数加权的观测噪声协方差矩阵R自适应更新模块和一种基于卡方分布假设检验方法的过程不确定性识别模块处理传感器数据异常情况并估计未知环境力.最后,以某平台供应船的船模为仿真对象,进行了仿真对比实验.仿真结果表明,鲁棒无迹卡尔曼滤波能够准确及时地识别传感器数据异常情况,相较于传统无迹卡尔曼滤波而言,鲁棒无迹卡尔曼滤波状态估计精度更高,收敛速度更快,表现出较强的鲁棒性.     

移动卫星通信低成本多传感器融合姿态估计方法

针对低成本移动卫星通信终端的天线姿态估计问题,提出了一种基于自适应滤波的低成本多传感器融合姿态估计方法.该方法通过融合微机械陀螺信息和加速度计重力场测量信息来得到精确的水平姿态角估计;通过融合单基线GPS高精度的航向角测量与陀螺信息保证航向角精度.在单基线GPS失锁的情况下,利用机动加速度观测对融合滤波器进行自适应控制,与标准平方根无迹卡尔曼滤波器相比,有效地克服了机动加速度影响.实验结果表明:所提出的低成本姿态估计方法在单基线GPS锁定或短时间失锁情况下,能够满足宽带移动卫星通信天线波束对准精度要求,三维姿态角误差均小于0.5°.     

双向不敏卡尔曼滤波的无源定位算法

针对不敏卡尔曼滤波算法在单站无源定位的应用中受初始状态误差和可观测条件等影响易产生滤波发散、收敛精度低、收敛速度慢的问题.提出一种双向平方根不敏卡尔曼滤波的无源定位算法.充分利用了平方根不敏卡尔曼滤波算法数值稳定性高的优点,采用后向平滑算法逐次修正状态估计值,从而提高了定位算法对初始状态的鲁棒性.试验结果验证了该算法的有效性.     

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。     

一种基于多算法协同定位的蜂窝无线定位算法模型

基于数据融合的概念和原理,采用到达时间差(TDOA)定位技术,将其应用于多算法协同定位,进一步提高对移动台(MS)定位估计的准确性。最后仿真结果表明利用此多算法协同定位模型,能得到更准确可靠的移动台估计位置,有效地提高了定位精度。