基于多次测量更新的移动机器人SLAM仿真

针对移动机器人同时定位与地图构建(SLAM)技术中,非线性系统进行线性化处理所产生的线性化误差问题,从费切尔信息角度分析,提出多次测量更新算法.该算法利用滤波中预测和各次更新阶段状态向量的费切尔信息加权关系,解算每次测量更新后的状态估计,通过多次将更接近于真实状态的估计值融入观测信息,可得到较高精度的后验状态估计,降低线性化误差的同时提高了机器人定位与构图准确性.实验部分实现多次测量更新与一次测量更新算法的仿真与对比,结果表明:所提算法能有效降低机器人位姿误差和地图估计误差.     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。     

基于椭圆RHM的扩展目标伯努利滤波算法

与传统点目标跟踪不同,扩展目标跟踪既要估计目标的运动状态,还需估计目标的扩展状态,包括目标的形状、大小、方向等信息。针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(random hypersurface model, RHM)的扩展目标伯努利滤波算法。该算法首先采用RHM对目标量测源建模;然后,在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计;最后,引入Gamma分布以提高量测率估计的准确性。此外,为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数。实验结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于现有的滤波算法,并且可用于实际视频跟踪场景。     

基于改进粒子滤波的双站无源定位跟踪算法研究

在非线性非高斯状态空间下,粒子滤波器是一种有效的非线性滤波算法,它的关键问题包括粒子权重的计算、粒子重采样和状态估计等.根据粒子滤波算法思想和双站无源定位跟踪的非线性,将粒子滤波算法用于双站无源定位跟踪问题,给出了一种改进的粒子滤波算法,并对其关键问题根据双站无源定位跟踪的特殊性进行了改进.利用matlab进行了仿真实验,与最小二乘算法、扩展卡尔曼滤波算法进行了比较,结果表明所提算法定位跟踪精度优于其他方法.     

双站纯方位空时软约束无迹粒子滤波算法

针对双站纯方位机动目标跟踪中由信息不完全和非结构化测量环境导致的有界混合似然问题，提出空时软约束无迹粒子滤波算法。针对目标先验未知，利用光电经纬仪对极几何约束测量空间点，预测空间曲面中心计算转弯率；为覆盖多域似然，采用无迹变换技术更新目标状态，引入模糊测度调制重要性函数；为保持估计方差维数不变性，根据狄拉克后验采样提取目标状态。仿真结果表明，对于典型的双站经纬仪跟踪空域点目标，相比于Rao-Blackwell多模型粒子滤波，提出算法的计算复杂度与单模型粒子滤波量级相当；相比约束辅助粒子滤波算法，提出算法的滤波精度提高了27%～41%。     

基于水声通信延迟的多UUV协同定位算法

针对多水下自治机器人(unmanned underwater vehicle, UUV)协同定位过程中水声通信延迟造成的定位失效问题,提出了一种基于状态估计均方误差最小的延时扩展卡尔曼滤波(delayed extended Kalman filter, DEKF)定位误差修正方法。首先建立考虑水声通信延迟的系统状态方程,利用状态转移矩阵推导系统等效量测方程,然后给出多UUV 考虑水声通信延迟的扩展卡尔曼滤波(extended Kalman filter, EKF)定位方法并分析其不足;最后在EKF方法的基础上,分析量测信息延迟对状态估计的影响,建立系统真实量测模型,设计基于状态估计均方误差最小的DEKF 算法。仿真结果表明,该方法能够有效地修正多UUV 协同定位中由于水声通信延迟造成的定位误差,在工程实践中具有一定参考意义。     

机器人三维定位系统中关键技术的研究

深入研究了机器人三维定位系统中的扫描匹配及位置信息空间定位技术,提出了一种基于ICP的高效扫描匹配算法。该算法采用滤波,特征提取及非线性迭代的方法在保持扫描匹配的精确度的同时大幅减少了计算时间,弥补了传统ICP算法效率较低以及可能收敛不到全局最优解的缺陷。然后使用在改进算法的基础上引入倾角传感器的方法解决了传统机器人定位系统中存在的不易获取地面坡度信息以及恢复出的机器人空间位置精度较低的问题。     

基于时频差的高阶强跟踪UKF算法

针对传统无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative, HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF, HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。     

基于空间域划分的分布式SLAM算法

针对同步定位与地图构建(simultaneous localization and mapping, SLAM)中状态量高维时变的问题,本文通过综合集中式和分布式实现结构的各自优势,提出了一种基于空间域划分的分布式SLAM算法。该算法依据两个路标点与机器人连线之间的夹角,将整个空间域中的路标点进行区域划分,保证每个子空间域内含有两个不共线的路标点,并将每个空间域内的路标点组合构建观测模型,采用分布式无味粒子滤波器进行机器人位姿的估计,而采用联邦Kalman滤波完成对路标点的估计,并通过设计各子滤波器中粒子分布的调整方式改善了系统在动态重构过程的精度和稳定性。最后,通过实际数据的仿真试验证明所提算法具有更好的实时性和滤波精度。     

基于投影滤波的突发事件危险源位置估计问题研究

针对确定突发事件中危险源的位置估计问题,提出一种基于hermit基函数的投影滤波方法.通过将其概率解投影到指定状态空间中,通过投影空间中的艾尔米特基函数构造出近似解,即状态的先验概率密度函数,最后由贝叶斯估计得到状态的后验概率密度函数,给出算法的收敛性和计算复杂度分析.仿真实验证明投影滤波方法有效减少滤波估计中所需的计算量,并提高了估计精度.     

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器。滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可以实现不同航迹组之间并行滤波。另外,为了处理机动目标场景引入交互多模型,给出基于交互多模型的分组滤波递推方程。仿真结果表明,所提出的滤波器跟踪精度更高,计算速度更快,可以用于跟踪多个机动目标的场景。     

基于合作目标的外辐射源雷达发射站直接定位

外辐射源雷达利用已知位置信息的第三方发射站发射的信号作为照射源,对运动目标进行探测定位。但在实际应用中,发射站精确位置信息往往难以预先获取,给外辐射源雷达在未知环境中的快速应用带来困难。为了解决该问题,将已知轨迹的无人机作为合作目标。利用实时获取的无人机位置信息,建立了发射站位置未知时的目标直接定位模型。并进一步构建了基于目标位置的代价函数,从而实现对发射站位置的精确估计。该方法不仅可以克服常用两步定位算法中存在信息损失的不足,可达到更高的定位精度,而且利用了外辐射源雷达直达波信号,较传统直接定位方法性能更优。最后,通过仿真验证了该算法的有效性。     

认知MIMO雷达发射波形与接收滤波器联合优化设计方法

为了突破传统雷达的性能瓶颈，具有发射端自适应机制的认知雷达成为了研究热点，其中发射波形优化设计是认知雷达的核心组成。为了提升机载平台下对运动目标的检测能力，考虑了多输入多输出雷达中发射波形与接收滤波器的联合设计问题，并使用交替优化方法进行求解。在求解最优接收滤波器时，优化问题被建模为经典的广义瑞利熵问题，对此使用最小方差无失真响应方法进行求解以避免特征值分解运算。在设计最优发射波形时，在最大化信杂噪比的准则下建立目标函数，并引入工程常用的恒模约束条件，最终将波形设计问题建模成一个非凸的优化问题。对此，经典的求解方法是先使用近似手段松弛恒模约束，然后使用Charnes-Cooper变换进行求解。区别于经典方法，提出一种基于信杂噪比近似的优化算法以减少计算复杂度。实验结果表明，所提方法不仅具有更快的收敛速度，还可以实现更优的信杂噪比增益性能。     

多UUV协同导航与定位研究

多水下无人航行器(UUV)协同导航定位技术是解决海洋中间层(Middle Depth Zone)水下导航问题的重要途径,研究了主从式多UUv基于水声传播延迟(Time-Of-Flight,TOF)的协同导航定位问题.主从式导航结构中,主UUV内部装备高精度导航设备,从UUV内部装备低精度导航设备,外部均装备水声装置测量相对位置关系,利用扩展卡尔曼滤波(EKF)算法融合内部和外部传感器信息,对从UUV进行实时定位.研究结果表明,利用UUV的相对位置观测,可以显著提高导航定位精度.     

面向多源多目标协作网络的中继选择方法

在多源多目标无线网络中采用最佳中继协作方法时,多个通信对有可能同时选择同一个节点作为最佳中继来进行协作传输,从而导致最佳中继冲突问题,进而对系统的协作性能产生严重影响。为了解决这一问题,提出了两种低冲突的中继选择方法,并将其扩展至功率可分配场景;同时,还提出了一种支持功率分配的分布式选择方法。仿真结果表明,所提方法在保证系统分集增益不变条件下,相比于已有方法,显著降低了中继冲突情况发生,改善了系统协作效果;并在性能接近于最优方法的前提下,有效降低了中继选择方法的复杂度。     

基于进化粒子滤波的数据域直接跟踪方法

传统目标跟踪算法首先通过采样信号估计时延或多普勒等参数,然后利用这些参数构成的跟踪方程获得目标运动轨迹,这种两步跟踪模式存在位置信息损失、误差累积等问题,跟踪精度仍有待提高。针对此问题,提出一种利用数据域采样信号,基于时延和多普勒信息的直接跟踪算法。该算法利用多个观测站的接收信号,首先建立一个基于连续时间和多普勒信息的直接跟踪模型;然后基于进化粒子滤波算法,对所提跟踪模型进行迭代求解,提高算法计算效率,实现对运动目标的快速高精度跟踪;最后,针对所提模型,推导了目标直接跟踪的克拉美罗下界(Cramer-Rao lower bound,CRLB)递归求解方法,给出了算法的跟踪误差下限。仿真实验表明,与现有跟踪算法相比,所提算法跟踪精度更高,收敛速度更快,尤其在低信噪比条件下更能逼近CRLB。     

基于UT变换的MMPHD机动目标跟踪

基于序列蒙特卡罗方法的多模概率假设密度(probability hypothesis density, PHD)滤波算法及其改进方法,在预测过程中依据多个并行的状态转移模型将大量粒子散布到下一时刻目标所有可能出现的状态空间,从而实现目标状态的捕获。由于这些方法大量使用粒子,造成计算量巨大、算法实时性差。为此,提出了基于无迹变换的多模PHD机动目标跟踪方法。该方法利用最新量测信息获得粒子预测过程中的建议密度函数,从而将粒子聚合在目标最可能出现的状态空间邻域中,充分实现粒子的有效利用。仿真实验表明,论文提出的算法不仅显著减少了多模PHD算法的计算量,而且在一定程度上提高了多模PHD算法的精度。