条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-KF)滤波算法。算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。     

基于Unscented卡尔曼滤波的超视距目标跟踪

针对大地坐标系下,超视距目标状态方程和量测方程复杂的非线性,提出了一种基于Unscented卡尔曼滤波的超视距目标跟踪。Unscented卡尔曼滤波通过设计少量的σ点,并计算这些σ点经由非线性函数的传播,从而获得滤波值基于非线性系统方程的更新。由于Unscented卡尔曼滤波无需像Extended卡尔曼滤波那样求状态方程和量测方程的雅可比矩阵,给计算带来了极大的方便。数值仿真结果表明,所给出的方法是可行而有效的。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

基于多次卡尔曼滤波的目标自适应跟踪算法与仿真分析

标准的卡尔曼滤波算法由于使用了固定单一的状态噪声模型,因此当目标运动状态经常发生剧烈变化时,跟踪效果不是很理想。为了提高对目标的跟踪精度和跟踪收敛速度,提出了一种新的算法,通过多次步长不同的卡尔曼滤波算法来判断机动目标的运动状态,进而使得系统状态噪声协方差能够随着目标机动情况自适应调整。最后的蒙特卡罗仿真实验验证了此算法的有效性。     

UPF算法及其在目标跟踪问题中的应用

针对传统粒子滤波(PF)算法的缺陷,提出了一种改进的粒子滤波(UPF)算法。该算法以UKF方法生成替代分布并从中采样,解决了传统PF算法中以转换先验密度函数作为替代分布所引发的各种问题。对UPF算法进行了深入的分析研究,并给出了一个纯方位目标跟踪问题的仿真算例。理论分析与仿真结果均表明,改进算法提高了滤波的稳定性和精确性,具有较高的实用价值和广泛的应用前景。     

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。     

Unscented extended Kalman filter for target tracking

A new method of unscented extended Kalman filter (UEKF) for nonlinear system is presented. This new method is a combination of the unscented transformation and the extended Kalman filter (EKF). The extended Kalman filter is similar to that in a conventional EKF. However, in every running step of the EKF the unscented transformation is running, the deterministic sample is caught by unscented transformation, then posterior mean of nonlinearity is caught by propagating, but the posterior covariance of nonlinearity is caught by linearizing. The accuracy of new method is a little better than that of the unscented Kalman filter (UKF), however, the computational time of the UEKF is much less than that of the UKF.     

一种改进的不敏粒子滤波算法

提出了一种改进的不敏粒子滤波（UPF,Unscented Particle Filter）算法。和传统的UPF相比,该算法有两点改进,首先,在形成＂粒子云＂时,直接采用当前时刻各粒子的UKF（Unscented Kalman Filter）估计作为粒子,在保证粒子有效性的同时,减少了UKF之后的重采样过程;然后,结合新的粒子产生办法,重新定义了权值计算方法,避免了对各粒子重要概率的复杂计算。仿真表明,改进算法在减少计算量的同时,有效地提高了跟踪稳定性和跟踪精度。

Abstract：

An improved Unscented Particle Filter （UPF） algorithm was proposed.Compared with traditional UPF,it has been improved at two points.First,when producing particle cloudy,it directly uses the current particle estimation of Unscented Kalman Filter （UKF） as new particle,which guarantees the validity of particles and eliminates the re-sampling process after UKF as well;then,according to the new particle-producing method,a weight-calculating formula is re-defined,so as to avoid the complicated computation of proposal probability of every particle.A simulation shows that the Improved UPF （I-UPF） can effectively enhance the tracking stability and tracking precision and reduce computational cost at the same time.     

基于UKF的单站无源定位与跟踪双向预测滤波算法

提出了一种新的滤波算法,以加快滤波算法的收敛速度和提高滤波的估计精度。反向预测与更新提高了上一时刻状态估计的精度,减小了当前时刻的状态预测误差。利用更准确的初始条件经过正向预测与更新,能得到当前状态更精确的估计值。计算机仿真结果表明,本算法的滤波性能优于传统的迭代滤波算法,既提高了滤波的估计精度,又加快了算法的收敛速度。     

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter, IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2~3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter, UKF)的迭代收益就难以保证。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCK...     

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。