基于视觉的无人机姿态角估计

通过提取视频图像上跑道的线性特征以及利用消失点的定义来估计无人机(UAV)的三个姿态角.先对相机的三个姿态角进行估计:利用跑道底线估计出滚动角,用消失点在图像上的位置来估计偏航角,结合消失点的定义给出俯仰角的估计,同时对偏航角和俯仰角的估计进行修正,随后给出无人机的姿态角估计.仿真试验证明了所提方法的有效性,滚动角的估计误差在0.8°之内,偏航角和俯仰角的误差在0.2°之内.     

两传感器信息融合稳态Kalman滤波器和平滑器

应用Kalman滤波方法,基于Riccati方程,对输入噪声和观测噪声相关,且传感器观测噪声相关的两传感器系统,在线性最小方差最优信息融合准则下,提出了按矩阵加权最优信息融合Kalman滤波器和平滑器。为了计算最优加权阵,提出了局部估计误差互协方差阵的计算公式。同单传感器情况相比,可提高融合估计精度。一个目标跟踪系统的仿真例子说明了其有效性。     

基于Kalman滤波的多尺度融合估计新算法

将信号的多尺度分析方法与多传感器数据融合技术相结合，基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统，提出了一种新的基于Kalman滤波的多尺度融合估计算法；在最细尺度上获得了基于全局信息的融合估计值；计算机仿真验证了算法的有效性。     

多传感器ARMA信号自校正分布式融合Kalman滤波器

对含未知模型参数和未知噪声方差的多传感器自回归滑动平均（ARMA）信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器,然后用取局部估值器的平均得到信息融合估值器。将这些融合估值器代入ARMA信号的全局最优分布式融合Kalman滤波器,提出了一种自校正分布式融合Kalman滤波器。用动态误差分析方法证明了它收敛于全局最优分布式Kalman滤波器,因而它具有渐近全局最优性。一个目标位置跟踪系统仿真例子说明了其有效性。     

模糊Kalman滤波在无人机姿态测量中的应用研究

针对目前无人机姿态测量所用捷联航姿系统,因陀螺漂移和算法误差的引入而导致结果发散的状况,采用组合航姿原理与信息融合理论,结合各传感器输出与载体运动状态相关的特性,提出了一种基于模糊Kalman滤波技术的惯性测量组件与磁强计组合信息融合方法.通过多尺度的模糊推理规则判断出载体当前的运动状态,实时调整系统测量噪声方差,对其...     

逆协方差交叉融合鲁棒Kalman滤波器

分布式状态估计系统通过将多个传感器状态融合以得到更精确的融合结果,当传感器之间的协方差未知时,常采用保守估计的策略,但结果精确度较差。为了在传感器之间互协方差未知时得到更精确的融合结果,引入了逆协方差交叉算法,将其与局部稳态Kalman滤波器相结合,提出逆协方差交叉融合鲁棒Kalman滤波器。它克服了协方差交叉融合（CI）算法保守的缺点,证明了ICI的精度高于CI的精度,并基于协方差椭圆给出ICI、CI和局部传感器精度的几何解释。通过两传感器系统的蒙特卡洛仿真例子表明,其实际精度相比于CI融合鲁棒稳态Kalman滤波器更接近于带已知互协方差的最优融合器的精度。     

自校正解耦融合Kalman滤波器及其收敛性

对带未知噪声统计的多传感器系统,提出了基于相关方法的噪声统计在线估值器,进而提出了自校正Riccati方程和自校正Lyapunov方程.在按分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦融合Kalman滤波器,并用动态误差系统分析(DESA)方法证明了它收敛于最优分量解耦融合稳态Kalman滤波器,因而具有渐近最优性,它的精度比每个局部自校正Kalman滤波器精度高,且算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.     

基于二维激光雷达的AGV小车定位研究①

对于AGV小车的移动、路径规划、规避障碍等,激光定位技术是实现小车导航的核心。判断小车是否偏离航行轨迹和是否到达设定位置,只有准确的知道小车任意时刻的位置,才能对导航做出正确的判断,精确的定位是实现AGV小车自主导航的前提条件。因此,提出利用激光雷达和放置好的反射板之间匹配,根据反射板的全局坐标,再通过三边定位算法,由此可以精确的得到小车在全局坐标的具体位置。     

多传感器最优信息融合稳态Kalman滤波器

Lagrange乘数法给出了按矩阵加权线性最小方差最优融合估计公式新的推导。在此基础上提出了多传感器最优信息融合稳态Kalman滤波器。其中用迭代法求解局部滤波误差协方差阵所满足的Lyapunov方程,证明了迭代解的指数收敛性,且收敛速度与Kalman滤波器的转移阵的谱半径有关。两传感器目标跟踪系统的仿真例子说明了其有效性。     

宽带移动卫星通信系统低成本姿态估计算法

针对低成本微机电惯性测量单元无法满足宽带移动卫星通信系统姿态估计精度的问题,提出了以单基线GPS为辅助传感器的低成本姿态估计(LCAE)算法.该算法通过互补滤波器对陀螺测量值与加速度计姿态角进行传感器融合.为了克服机动加速度干扰,借助单基线GPS的速率信息及航向信息,加入了机动加速度补偿和侧滑角补偿;为了降低算法对GPS信号的依赖,加入了开关结构.实验结果表明,LCAE算法能够有效去除加速度计测量值中的非重力信息,隔离载体运动对加速度计输出的干扰,姿态角估计精度在GPS信号完全锁定的情况下达到±0.5°以内,在GPS信号不完全锁定的情况下,姿态角估计精度优于开关卡尔曼方法,达到±1°以内,满足低成本移动卫星通信系统要求.     

弹体姿态估计数据融合算法研究

为了测量剧烈变化的弹体滚转角姿态,设计了高、低量程配置的传感器测量方案,利用UKF滤波器,对弹体滚转姿态进行估计.为了提高弹体飞行中间段的滚转姿态测量精度,进一步设计了状态融合和量测融合两种数据融合算法.仿真研究表明,量测融合算法精度高、实时性强.     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.     

基于多传感器的数据融合方法和模型研究

数据融合技术受到广泛的关注,本文结合数据融合及其一般功能模型、目标识别融合结构层次,重点分析了基于多传感器的数据融合的算法和级。比较了集中式和分布式融合处理,提出了利用实例,展望了基于多传感器的数据融合技术的发展趋势和困难。     

基于动态加权下测量方差适应的同质多传感器融合算法

在基于卡尔曼滤波及其一些改进算法中,由于测量方差预先设定,从而导致信息资源的浪费和状态估计精度的下降,为此提出一种动态加权下测量方差自适应的同质多传感器融合算法．该算法依据各传感器当前时刻的滤波精度合理地分配权值,同时测量方差的时变特性,使得每次测量的信息得到充分的利用．仿真结果表明,该算法显著地提高了对机动目标的跟踪效果并具有实时性的优点。     

基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

多传感器多模型动态系统交互式数据融合估计的一种算法

基于多传感器多模型信息,给出了目标状态基于全局信息融合估计的一种新算法,并通过计算机仿真验证了这种算法的有效性。     

基于Kalman滤波融合算法的某坝基水平位移综合信息提取

已有坝基水平位移监测模型只能利用一个关键监测点的监测数据,而关键点选取往往具有人为性;直接利用多个监测点的监测信息,往往会出现各个监测点采集数据不一致的现象。为消除这类现象,且充分利用多点监测信息,采用基于Kalman滤波融合方法,分别根据集中式和有无反馈分布式融合算法进行计算,对比分析了其可行性,最后给出融合结果。将其应用于某坝8坝段坝基水平位移的分析,结论较为符合规律,表明3种方法均有很高的识别精度。同时,也为水工建筑基础多点监测提供一个有效的理论方法。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。     

基于平淡卡尔曼滤波器的微小卫星姿态确定算法

针对扩展卡尔曼滤波（EKF）在线性化过程中会引入误差的问题,采用平淡卡尔曼滤波器（UKF）进行了系统滤波器设计;提出一种构建虚拟观测量的方法,并分析了其噪声特性．虚拟观测量与高精度器件量测量搭配可实现对姿态的校正．以太阳敏感器、微电子机械系统（MEMS）陀螺、磁强计为姿态敏感器件,构建了定姿滤波器并用STK（Satellite Tool Kit）数据进行了仿真．结果表明,所提出方法能有效地提高定姿性能,采用UKF的系统定姿误差与EKF相当,但收敛时间、稳定性要优于EKF．