基于改进扩展卡尔曼粒子滤波的目标跟踪算法*

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗（MCMC）方法和扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布,同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

基于QPF的无源传感器目标跟踪算法

在无源传感器目标跟踪系统的研究中,在双红外传感器组成的无源传感器目标跟踪系统模型中,传感器提供的仅是目标的角度信息,导致量测值与目标状态之间存在较强的非线性关系,而传统跟踪算法在解决非线性问题时具有局限性,为提高目标跟踪精度,提出一种基于积分粒子滤波(QPF)的无源传感器目标跟踪算法,在不受非线性、非高斯问题限制的粒子滤波的基础上,从改进粒子滤波重要性函数的角度入手,利用积分卡尔曼滤波(QKF)将当前最新量测考虑在内,构造出粒子滤波的重要性函数,使得改进后的重要性函数更加贴近真实后验分布,从而有效遏制了粒子退化现象.仿真结果表明,改进算法提高了跟踪精度,较好地解决了无源传感器对目标的非线性跟踪优化问题.     

改进型CKF算法及其在GNSS/INS中的应用

针对容积卡尔曼滤波算法(CKF)在高阶非线性系统应用中,局部容积点采样不准确及系统状态突变导致滤波精度降低甚至发散的问题,提出一种改进型CKF(TSCKF)算法.采用新的容积点采样规则提高非线性函数映射准确性,进而提高滤波精度;引入强跟踪滤波(STF)的渐消因子,提升算法在状态突变时的鲁棒性.将此算法应用于GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合导航系统中,仿真结果表明,该算法能够显著提高导航精度,鲁棒性强,在状态突变情况下依然可以满足导航精度要求.     

基于B样条曲线的GHPF轮廓跟踪算法

针对视觉跟踪中粒子滤波算法的建议性分布函数选择问题,提出一种目标轮廓跟踪的高斯厄米特粒子滤波算法(GHPF).该算法采用B样条曲线描述目标轮廓,建立目标运动模型.利用高斯厄米特滤波器产生建议性分布函数,通过实时融入最新的观测数据来逼近系统状态的后验概率,提高了滤波估计的精度.实验仿真结果验证了所提算法的有效性.     

融合残差Unscented粒子滤波和区别性稀疏表示的鲁棒目标跟踪

（目的）提出一种鲁棒的目标跟踪算法,将区别性稀疏表示模型应用于残差Unscented粒子滤波(RUPF)跟踪框架,从而实现对目标高效准确的跟踪。（方法）利用Unscented卡尔曼(UKF)滤波技术将目标的量测信息引入提议分布,并使用马尔科夫蒙特卡洛(MCMC)移动改进采样结果,提高了滤波的精度,同时有效防止了粒子的退化和贫化。基于稀疏表示建立区别性的目标观测模型,引入的背景成分可以增强算法分辨目标与背景的能力。采用可变方向乘子法(ADMM)解决稀疏表示中的L1优化问题,有效的提升了算法的执行效率。（结果）通过和其它跟踪算法一起对标准测试视频进行的大量定性与定量的实验表明,本文提出的跟踪算法的跟踪精度高于一些常见的跟踪算法,同时其时间复杂度低于传统的几种基于稀疏的跟踪算法。（结论）随着硬件技术的不断发展,UKF滤波技术的速度不断提升,保证了本文算法可以在较高准确率下有更快的执行速度。     

迭代容积粒子滤波算法在SINS初始对准中的应用

在大方位失准角误差的条件下,捷联惯导系统(SINS)初始对准误差模型是非线性的,可以采用粒子滤波(PF)方法进行处理.针对标准PF算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代容积粒子滤波(ICPF)算法.将Gauss-Newton迭代和容积卡尔曼滤波(CKF)算法相结合,得到迭代CKF(ICKF)算法.该算法利用最新量测信息改进迭代过程中产生的新息方差和协方差,可获得较高的估计精度.由ICKF算法获得粒子滤波算法的重要性密度函数,有效地抑制了粒子退化现象.SINS大方位失准角初始对准的仿真结果和实验结果表明:该算法的滤波精度高于标准PF算法和容积PF(CPF)算法,是一种非常有效的非线性滤波算法.     

一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

Effective cubature FastSLAM: SLAM with Rao-Blackwellized particle filter and cubature rule for Gaussian weighted integral

Simultaneous localization and mapping (SLAM) is a key technology for mobile robot autonomous navigation in unknown environments. While FastSLAM algorithm is a popular solution to the large-scale SLAM problem, it suffers from two major drawbacks: one is particle set degeneracy due to lack of measurements in proposal distribution of particle filter; the other is errors accumulation caused by inaccurate linearization of the nonlinear robot motion model and the environment measurement model. To overcome the problems, a new Jacobian-free cubature FastSLAM (CFastSLAM) algorithm is proposed in this paper. The main contribution of the algorithm lies in the utilization of third-degree cubature rule, which calculates the nonlinear transition density of Gaussian prior more accurately, to design an optimal proposal distribution of the particle filter and to estimate the Gaussian densities of the feature landmarks. On the basis of Rao-Blackwellized particle filter, the proposed algorithm is comprised by two main parts: in the first part, a cubature particle filter (CPF) is derived to localize the robot; in the second part, a set of cubature Kalman filters is used to estimate environment landmarks. The performance of the proposed algorithm is investigated and compared with that of FastSLAM2.0 and UFastSLAM in simulations and experiments. Results verify that the CFastSLAM improves the SLAM performance.     

列车组合定位中改进CPF算法的探讨

针对在GNSS/INS列车组合定位中普遍采用的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等滤波技术无法满足复杂的高速列车组合定位环境问题,研究了列车组合定位中改进的容积粒子滤波(CPF)算法,提出了基于改进CPF算法的列车组合定位信息融合技术。该算法采用马尔科夫链蒙特卡洛(MCMC)移动方法来解决粒子退化问题,进而提高滤波性能。使用Matlab对改进算法进行仿真,结果表明改进CPF具有更小的位置误差和速度误差,提高了列车非线性运动过程中的定位精度。     

基于粒子滤波和Galerkin法的改进目标跟踪算法

在粒子滤波框架下,估计的准确性受到建议分布选取的影响很大。传统的粒子滤波通常采用系统转移概率作为建议分布,但传统的建议分布选取方法由于没有考虑新的观测信息,因此不能产生准确的估计值。为此采用一种叫做Galerkin法的数学工具去构造建议分布,依据该方法构造的建议分布相对传统的方法提高了粒子滤波估计的准确性。同时,在新的跟踪算法框架中,将颜色模型和形状模型进行自适应的融合,并提出了一种新的模型更新方法,提高了目标跟踪的稳定性。实验结果证明了该跟踪算法的有效性。     

带二次约束的容积卡尔曼目标跟踪算法

为了提高对带约束目标的跟踪精度,提出了一种带二次约束的容积卡尔曼目标跟踪算法。使用容积卡尔曼滤波得到当前时刻后验估计,通过将系统二次约束作为测量方程引入系统,对后验估计进行修正,最后采用仿真实验对算法性能进行测试。实验结果表明,相对于传统的约束卡尔曼滤波算法,在同等条件下,该算法提高了目标跟踪精度,并且稳定性更强。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

基于Huber的鲁棒高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degree Cubature Kalman Filter,HCKF）算法的鲁棒性,提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均,通过在现有滤波框架内利用Huber方法对观测量进行预处理,并将处理后的观测量进行标准的HCKF量测更新,实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似,高阶容积变换的优势得到充分利用,从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪问题验证了该算法在鲁棒性和滤波精度方面的优势。     

基于修正积分卡尔曼粒子滤波的自适应目标跟踪算法

针对当前粒子滤波权值退化问题以及精度与时耗的矛盾,提出了一种新的高精度自适应粒子滤波算法。该算法综合考虑优选建议分布函数和重采样两种并行改进滤波性能的方法:首先,在积分卡尔曼滤波(QKF)的基础上引入修正因子,通过修正的积分卡尔曼滤波(PQKF)产生优选的建议分布函数,较好地克服了粒子退化现象,在提高滤波精度的同时降低了运算量;在重采样阶段,通过引入系统估计和预测提供的新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性和算法的实时性。实验表明,新算法具有高精度、低时耗的优点,是一种高精度自适应粒子滤波算法。