基于无迹卡尔曼滤波的无人机跟踪算法

基于四基站对无人机位置的定位数据,利用无迹卡尔曼滤波算法对定位数据进行最优估计,并预测无人机的运行轨迹,从而实现对无人机的实时跟踪.对经典的线性卡尔曼滤波算法和无迹卡尔曼滤波算法进行仿真对比,结果表明,线性卡尔曼滤波算法虽然能跟踪预测轨迹,但有较大的误差,而使用无迹卡尔曼滤波算法能有效地减小误差,使跟踪预测的轨迹更加精确.     

扩展卡尔曼和无迹卡尔曼滤波应用对比研究

普通卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,适应于过程和测量都属于线性系统,且误差符合高斯分布的系统。但是实际上很多系统都存在一定的非线性,表现在状态方程是非线性的,或者测量方程是非线性的。这种情况下就不能使用一般的卡尔曼滤波。解决的方法是将非线性关系进行线性近似,将其转化成线性问题。就转化为线性问题的2个方案扩展卡尔曼(EKF)和无迹卡尔曼(UKF)作出对比和分析,EKF与卡尔曼滤波原理相似,但是它将非线性函数在最佳估计点处进行泰勒级数展开,舍弃高阶分量,从而将非线性模型简单线性化;UKF是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果。最后在MATLAB平台下实验证明,与EKF相比,UKF不仅保持了系统的稳定性,而且提高了精确度。     

用自适应扩展卡尔曼滤波跟踪水下目标的算法研究

针对短基线声纳系统跟踪水下目标的问题,建立了状态方程和观测方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法,该算法包含八个基本步骤。将声波传输时延转换为水下目标的距离,用卡尔曼滤波的方法对数据中的噪声进行滤波。对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性。最后将该算法用于水下目标的实测数据,收到了良好的效果。     

孪生网络融合卡尔曼滤波的目标跟踪研究

目标跟踪是机器视觉领域的经典问题,在军事目标跟踪和视频监控等领域都有着重要应用。孪生网络是当前相关问题研究的主流框架。本文在SiamRPN孪生网络基础上进行了改进,引入残差网络以减轻特征学习中过拟合问题,同时在网络中注入空洞空间卷积模块,并增加全局语境信息的获取能力以扩大感受野;其后融入卡尔曼滤波以改善目标受到各种干扰时追踪位置失真问题;最后通过实验设计,从定性和定量两个角度显示,面对运动模糊、光照变化、遮挡等复杂情况下所跟踪目标出现漂移或者丢失等问题,本文所设计方法都具有较好的跟踪效果。     

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.     

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。     

雷达目标跟踪的转换坐标卡尔曼滤波算法

该文采用转换坐标卡尔曼滤波算法(CMKF)进行雷达目标跟踪,先将极坐标系下的测量值经坐标变换转换到直角坐标系下,再用统计的方法求出转换测量误差的均值和方差,去偏后利用标准卡尔曼滤波算法对目标进行跟踪.将仿真结果和推广卡尔曼滤波算法(EKF)的进行比较,结果表明,CMKF的滤波精度更高.     

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其他滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好地处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。     

无迹卡尔曼滤波估计空间目标特征信息

为了加强对空间目标,尤其是非合作目标的探测监视,空间目标的各种特性正受到越来越多的关注。本文通过无迹卡尔曼滤波UKF对空间目标的位置、速度、姿态、角速度和材料复折射率这5种状态参数进行了反演估计。利用观测角度、光度和偏振度数据作为观测值估计目标的状态,基于位置与速度运动学模型和姿态与角速度动态模型,完成5种状态的时间演化,实现了对5种状态参数的联合估计。仿真结果表明,设置合理的状态初始值、状态方程和测量方程噪声,5种状态参数误差均能合理收敛,UKF能够较好地预测空间目标的5种特征参数,同时也验证了观测角度、光度和偏振度数据可以用于反演空间运动目标的这5种非直接观测特征信息。     

转换测量卡尔曼滤波在机动目标跟踪中的应用

在三维空间中推导了转换测量卡尔曼滤波算法,得到了在目标真实位置已知的条件下去偏转换测量值误差方差的表达式及在测量值已知条件下去偏转换测量值方差的表达式,并给出了在机动目标跟踪中,预测值与量测值的选择准则.运用“当前“机动模型和此算法给出了机动目标的仿真,取得了较好的跟踪效果.     

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.     

基于小波多分辨率分析的机动目标跟踪算法

研究了一种基于多分辨率分解的机动目标跟踪算法,该算法利用小波中的经典算法——Mallat算法对单一分辨率的量测数据进行多尺度分解,将分解得到的多分辨率量测数据用于目标状态更新。仿真结果表明,该算法具有较好的跟踪性能。     

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SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

水下机动目标跟踪系统的实时数据处理

本文介绍α－β滤波器和多径跟踪技术的基本原理，在超短基线水声跟踪定位系统中，用于对水下机动目标的航行轨迹进行实时滤波和跟踪。经湖上试验验证，该技术可明显改善定位精度，并具有良好的裤时跟踪能力。     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪

提出了一种鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪算法。首先建立卡尔曼滤波的系统模型,用卡尔曼滤波预测目标在当前帧的位置,并将该预测值作为初始值,用均值漂移算法搜索目标位置。然后将搜索结果作为观测值来修正预测值,并根据目标模型与由均值漂移算法搜索得到的候选目标模型及相应背景模型的Bhattacharyya系数自适应调整卡尔曼滤波的参数,从而提出了一种鲁棒的自适应卡尔曼滤波目标跟踪算法。仿真实验表明,该算法具有较好的跟踪精度,对遮挡具有较强的鲁棒性。     

一种移动机器人跟踪机动目标的方法

针对机器人跟踪机动目标,提出了一种完整探测、估计的方法.利用单目视觉定位被跟踪目标的方位,再融合激光数据来获取目标的空间位置.基于"当前"统计模型,将获取到空间位置作为观测信息,采用自适应卡尔曼滤波算法,对机动目标进行跟踪,并准确预测其位置、速度及加速度信息.为验证本方案,使用一个Pioneer 3-AT作为主动机器人,及一个AmigoBot机器人作为被跟踪目标进行实验.结果显示,提议的方案可行,其精度满足实际应用的要求.