基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

换刀机器人位姿误差的研究

为保证换刀机器人和FMS的可靠运行，该文研究FMS中换刀机器人的位置和姿态误差问题，运用齐次变换矩阵和微分关系，建立描述机器人末端操作器——双手爪位姿误差的模型，详细分析影响手部精度的机器人各关节运动误差的来源及其统计特性，对整个换刀机器人的位姿误差进行综合分析、获得手部位姿误差的数值。为机器人的精度分配和评价机构设计提供依据，也给误差控制确立了基础．经过实际运行和测量，证实了位姿误差分析的正确性。     

冶炼机器人位姿标定及运行可靠性

对冶炼用CS-1双臂工业机器人现场使用中的位姿标定及运行可靠性进行了研究．提出了一种简便有效的现场标定计算模型和标定方法对机器人进行位姿标定,由标定变换矩阵补偿同一测点的实际值和计算值的误差,可同时减少机器人定位误差和由臂杆几何参数偏差所引起的运动误差,显著提高需进行连续路径控制的机器人的现场定位精度和位置跟踪精度．此外,提出了用增加机器人现有硬件的冗余功能和设置敏感器件的替代功能以提高机器人现场运行可靠性的方法．实践证明,该方法能提高恶劣环境下易失效部件的可靠度,进而提高机器人的整机使用性能     

Stewart机器人的位姿误差分析

本文提出了一种分析Ｓｔｅｗａｒｔ机器人位姿误差的方法，即将各个关节引入的误差以及伺服定位误差对位姿误差的影响，都归算为杆件长度误差引起的位姿误差，并给出了按杆件长度误差计算位姿误差的关系式。     

基于单神经元PID的挖掘机铲斗位姿自适应控制

为实现挖掘机作业过程自动控制,需要对铲斗位姿准确定位。建立了挖掘机工作装置运动学模型及电液控制系统模型,针对挖掘机电液控制系统的时变性与外界干扰的不确定性特点,设计了一个单神经元自适应PID控制器,并采用二次型性能指标对控制器参数进行在线优化。仿真试验表明,该控制器响应快速、平稳,对参数时变与不确定扰动具有一定鲁棒性,能有效地对挖掘机铲斗位姿进行精确控制。     

并联6-SPS机构位姿误差分析

结合并联机构的特点，应用机器人微分关系建立了并联6-SPS机构位姿误差分析的正解模型，给定各结构参教误差即可得出主轴端的位姿误差．应用此模型可定量分析结构误差对主轴端位姿误差的影响．为并联机器人的精度综合提供了理论依据．     

机器人运动功能位姿矩阵研究与应用

工业机器人各关节运动描述常常使用齐次坐标变换矩阵来表述末端执行器相对机座的位姿变化，运动功能位姿矩阵是描述这种变化的方法之一。本文在介绍相关定义基础上详细论述了机器人运动功能位姿矩阵的构成并举例分析了如何列出该矩阵。     

六自由度并联机器人的随机位姿误差分析

本文提出了并联式机器人操作器的随机位姿误差的分析方法。应用影响系数方法,使得含有114个原始误差参数的六自由度并联机器人操作器的位姿误差传递矩阵具有简单而统一的表达形式。文中还采用概率论方法给出了位姿误差的变动范围。     

基于主动信标和航位推测法的多机器人位置最优估计

针对一种新的多机器人交替定位方式,研究基于主动信标和航位推测法的多机器人位置估计算法. 指定多机器人中的3个保持静止作为信标机器人(不一定始终是同样3个机器人),其它机器人作为移动机器人. 通过超声波测距得到移动机器人与3个信标机器人的距离,并通过IEKF(iterated EKF)算法将距离信息和移动机器人的航位推测信息相融合,实现移动机器人位置的最佳估计. 轮流交换机器人作为主动信标的角色,即可实现多机器人的位置估计. 实验验证结果表明,移动机器人的位置估计误差在±10 mm之内;该方法有效,且不需要在环境中设置固定信标,可应用于未知环境.     

基于Kalman滤波的自适应MIMO信道估计

给出了一种基于Kalman滤波的自适应MIMO信道估计方法，分析了算法的剩余误差能量随迭代次数增加的变化情况，对饱和MIMO系统和欠饱和MIMO系统，分别采用Kalman自适应MIMO信道估计方法和最大似然信道估计方法，进行了数值仿真和对比。从对比的结果来看，文中给出的Kalman自适应信道估计具有和最大似然信道估计相近的性能，而在饱和系统中，Kalman估计算法性能要略好一些。     

基于决策树的自适应互补滤波姿态解算

为解决惯性传感器在磁场干扰和大加速度干扰坏境下姿态解算精度下降的问题,提出了一种基于决策树自适应的互补滤波姿态解算方法。针对陀螺仪特性,对其进行零偏补偿处理。将处理后的角速度数据与加速度数据构成静态检测单元,实现了静态情况和动态情况的准确分类。在动态情况下,由加速度数据和磁场数据组成的决策树通过分析外界干扰程度来自主调节系统误差增益,进而达到抗干扰目的,有效提高姿态解算精度。实验结果表明,静态情况下姿态解算不受磁场干扰,动态情况下能够有效避免磁场和大加速度干扰。     

Fuzzy Adaptive Strong Tracking Cubature Kalman Filter

To solve the problem that the choice of softening factor in conventional adaptive strong tracking filter( STF) greatly relies on the experience and computer simulation,a new concept of softening factor matrix is introduced and a fuzzy adaptive strong tracking cubature Kalman filter( FASTCKF) based on fuzzy logic controller is proposed. This method monitors residual absolute mean and standard deviation of each measurement component with fuzzy logic adaptive controller( FLAC),and adjusts the softening factor matrix dynamically by fuzzy rules,which is capable to modify suboptimal fading factor of STF adaptively and improve the filter's robust adaptive capacity. The simulation results show that the improved filtering performance is superior to the conventional square root cubature Kalman filter( SCKF) and the strong tracking square root cubature Kalman filter( STSCKF).     

一种改进的滤波器噪声模型的自适应估计法

提出了一种改进的加权最小二乘法估计噪声统计特性Q和R的方法。该方法在最小二乘法的基础上,通过建立次优估计新息自相关函数来确定权值并递推出最优增益。进而推出了噪声的统计特性,并且简化了Q的推导方法。仿真结果表明,加权后的估计值比不加权的估计值收敛更快,精度更高。     

基于GA-BPNN的自适应抗野值无迹Kalman滤波方法

为了满足飞行试验轨迹的试验测量需求,构建了一种高性能飞行试验目标轨迹测量系统.在此基础上,针对实际飞行测量中遇见的异常数据处理问题,提出了一种基于多机器学习改进的自适应Kalman滤波方法.该方法以传统的无迹Kalman滤波器(UKF)为基础,首先,通过引入采用遗传算法改进后的BP神经网络(GA-BPNN)来改进UKF算法,以实现对UKF全局误差的调控和修正,从而改善UKF的估计精度;然后,应用抗野值技术来充分剔除测量中的孤立型和斑点型异常点,实现对GA-BPNN-UKF的再次改进,有效提高滤波的鲁棒性;最后,应用仿真来验证提出新算法的有效性,并通过对实际飞行测量数据(通过建立的轨迹测量系统获得的实际数据)的实验分析来显示算法在实际应用中的有效性.     

利用Kalman滤波的视频运动目标跟踪

提出一种基于kalman滤波的视频运动目标跟踪算法,首先对视频运动目标进行分割,求出运动目标的形心,再利用视频运动目标的形心所在宏块的运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象.实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性.     

改进的强跟踪平方根分解UKF算法应用研究

针对一类非线性系统滤波问题,提出了一种改进的强跟踪平方根分解UKF算法.该算法通过引入自适应渐消因子改善了滤波器的鲁棒性,利用改善的平方根分解方法提高了滤波器的计算效率.通过实验仿真验证,该算法相对于传统的强跟踪UKF算法具有相近的估计精度和更快的计算效率,相对于强跟踪滤波器具有更高的精度.     

对匀速直线运动目标跟踪的转换坐标卡尔曼滤波算法

文章根据某型雷达对空间匀速直线运动目标的跟踪要求，采用了转换坐标卡尔曼滤波跟踪算法．在转换坐标卡尔曼滤波跟踪算法中，球坐标系下互相独立的观测噪声变换到直角坐标系下时将变成相关噪声，在解出此相关噪声的方差后即可按标准的卡尔曼滤波算法对目标进行跟踪，仿真结果显示，该算法收敛迅速，精度可以满足雷达对空间机动目标的跟踪要求．     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

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.