动力定位冗余测量系统的模糊自适应融合算法

针对船舶动力定位的冗余测量系统,基于模糊自适应滤波和滤波器可信度的模糊评判,建立了多传感器数据融合算法。该方法与线性或非线性系统状态估计相结合,构成模糊自适应融合算法。通过监测滤波新息的均值和分歧度,应用模糊推理系统在线调节测量噪声协方差矩阵,从而抑制滤波发散;构建新的数据质量函数和子系统故障检测函数,根据检测结果自适应地选择子系统构建全局融合体系;利用子系统滤波的新息分歧度比值和状态估计误差的协方差,模糊评判各子系统滤波的可信度,由此计算相应的信息分配系数,实现全局融合。通过转台半实物仿真,验证了该算法的有效性。     

SINS/CNS/SAR组合导航系统中的信息融合算法研究

在SINS/CNS/SAR组合导航系统中,存在量测信息时间不同步及系统容错性差的问题,为了获得高精度滤波结果,设计了一种新的信息融合算法.首先对各子系统量测信息进行野值检测,并对处理后的量测信息进行时间同步处理;然后利用SINS/CNS和SINS/SAR子滤波器分别进行局部滤波得到局部估计值,经系统容错检测后,由主滤波器对局部估计值进行自适应融合,实现全局滤波.仿真结果表明,量测信息时间同步处理可以优化系统定位精度;当系统出现量测异常时,所提出的融合算法可以有效检测故障并进行处理,状态估计值始终维持在稳态附近.新的融合算法能改善导航系统的客错性能,提高导航精度,设计方案具有重要的理论参考价值.     

基于多传感器信息融合技术在灭火机器人系统的设计

提出一种通过多传感器信息融合技术来提高灭火机器人的火焰、距离检测的准确性,设计了由超声波、红外测距模块和数据融合模块组成的测距避障子系统;由红外火焰检测模块、数据融合模块组成的火焰检测子系统,在此基础上,采用自适应加权数据融合算法分别对多传感器检测的距离和火焰信息进行融合,以提高对火源目标判断的准确度;实验结果表明,设计的智能灭火机器人传感器软硬件系统测量相对误差小,能很好的反映火灾现场信息,满足火情探测和灭火需要,具有很强的使用价值。     

基于随机自适应方法的多传感器融合算法

针对基于熵理论的贝叶斯信息融合技术需要进行无穷区间的积分运算,容易出现数值不稳定的问题,提出一种基于随机自适应方法的多传感器融合算法。利用传感器测量值之间的差值自适应地建立传感器的后验概率分布模型;结合互信息的理论实时识别和剔除伪测量值,避免求熵时的积分计算;将该方法分别应用于集中式融合方案和分布式融合方案中得到了两种新的数据融合方法。仿真实验结果表明,在存在伪测量值的情况下,该算法性能明显优于一般的贝叶斯融合方法。     

非平稳随机序列的自适应加权融合算法

针对非平稳的多传感器测量信号的融合问题,提出了一种非平稳随机序列的自适应加权融合算法,它能够实时估计并自适应地在线调整各传感器的最优加权因子。仿真研究表明:该算法能够有效地减小融合估计值的方差,提高测量精度。     

基于刀切法与自适应加权的多传感器信息融合算法

针对加权平均、最优加权、自适应加权多传感器信息融合算法的不足,提出采用刀切法与自适应加权方法相结合的信息融合算法。该算法在自适应加权的基础上充分利用观测值与各个历史时刻的估计值,通过构造伪值分别对估计值与加权因子进行Quenouille估计。实验结果表明,在经过刀切法与自适应加权相结合后,数据处理的精确性和稳健性方面都优于普通的处理方法。     

多传感器自适应加权融合算法及其应用研究

多传感器数据融合可以获得比单一传感器更多、更准确的信息,本文提出了一种多传感器自适应加权融合算法,该算法无需传感器测量数据的任何先验知识,利用传感器所提供的测量数据,即可融合出总方差最小的数据融合值,仿真和应用实例均表明该算法的有效性。     

无线传感器网络簇内自适应融合算法研究*

无线传感器网络中采集的数据存在着较大的冗余与误差,且影响数据的可靠性。针对这个问题,分析了簇内数据误差成因,提出了一种改进后的自适应数据融合算法。该算法从节点测量数据自身着手,通过迭代得到各个节点测量数据的无偏估计值,以各个节点与估计值的欧氏距离作为各节点可信度的描述。实验证明,该融合算法提高了数据的精度和可信度。同时,通过与分批估计融合方法和传统的自适应加权融合方法的比较分析,表明该方法融合效果更好。     

基于加速度信息修正的四旋翼位置估计算法研究

针对单一的微传感器无法准确进行四旋翼无人机空间定位的问题,设计了一种多元信息融合的互补滤波算法用于无人机空间位置估计。该算法的核心思想为利用一类通用的辅助传感器如气压传感器,全球定位系统（GPS）以及微基站的测量信息对加速度传感器的测量信息进行实时修正,然后利用修正后的加速度信息积分估计四旋翼无人机的空间位置。本文在自主研制的飞行控制平台上验证了这种互补滤波算法的有效性。通过对比实验验证,利用本文设计的互补滤波算法可以使得无人机运动速度估计值以及空间位置估计值无偏差的收敛。飞行实验证明,将该互补滤波算法输出的速度以及位置估计信息应用于位置控制器中,可以实现无人机稳定的位置控制。     

车载GPS/DR组合导航系统自适应信息融合算法研究

结合全球定位系统(GPS)和航位推算(DR)两种定位方式的优点,构建了基于卡尔曼滤波的自适应联邦滤波算法,实现陆地GPS/DR组合定位系统的数据融合;针对DR子系统的强非线性和扩展卡尔曼滤波算法带来的较大线性化损失,并结合机动加速度均值自适应算法,设计了一种基于U-D分解的自适应迭代卡尔曼滤波算法,更有效的减少DR子系统线性化带来的误差损失,提高定位精度;与同仿真环境下,DR子系统采用扩展卡尔曼滤波方法作了比较,结果表明该信息融合算法能更有效解决DR子系统的线性化误差问题,整个系统数据融合精度更高.     

基于容积卡尔曼滤波的异类多传感器一致性融合算法

针对单一光频传感器获取目标特征信息存在的不一致性,提出一种基于容积卡尔曼滤波的异类多传感器一致性融合方法。首先,从原理上分析了激光、红外与雷达三类传感器量测信息的特征及其存在的差异,进而在容积卡尔曼滤波框架下,针对雷达、红外和激光探测等组成的典型目标侦测系统,结合一致性融合策略,通过对目标距离和方位信息融合处理改善目标状态估计精度。仿真结果表明：相对于传统的单传感器滤波方法,所提出的融合方法和策略具有较好的滤波性能。     

带未知通信干扰和丢包补偿的多传感器网络化不确定系统的分布式融合滤波

研究了带有未知通信干扰、观测丢失和乘性噪声不确定性的多传感器网络化系统的状态估计问题.通过白色乘性噪声描述系统状态和观测中的随机不确定性,采用一组服从Bernoulli分布的随机变量描述网络传输过程中存在的观测丢失现象,且数据传输中存在未知的网络通信干扰.当发生丢包时,以当前丢失观测的预报值进行补偿.对每个单传感器子系统,应用线性无偏最小方差估计准则设计了不依赖于未知通信干扰的最优线性滤波器.推导了任两个局部滤波误差之间的互协方差阵.进而,应用矩阵加权融合估计算法给出了分布式融合状态滤波器.仿真例子验证了算法的有效性.     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

整车主动悬架系统分布式滚动时域一致性估计

考虑整车主动悬架系统的约束状态估计问题,本文提出基于一致性原理的分布式滚动时域估计(DMHE)算法.首先,为了降低状态估计过程中的计算量,将整车主动悬架系统分解为若干降阶子系统.其次,为提高分布式状态估计效果,采用滚动时域估计(MHE)方法处理主动悬架系统的状态和噪声约束.考虑子系统与邻居估计状态的相关性,在采样间隔中执行多次一致性原理实现主动悬架系统状态的信息融合,进一步建立了算法的稳定性充分条件.最后,通过对比仿真实验验证算法的有效性和优越性.     

Distributed moving horizon state estimation for nonlinear systems with bounded uncertainties

In this work, we propose a distributed moving horizon state estimation (DMHE) design for a class of nonlinear systems with bounded output measurement noise and process disturbances. Specifically, we consider a class of nonlinear systems that are composed of several subsystems and the subsystems interact with each other via their subsystem states. First, a distributed estimation algorithm is designed which specifies the information exchange protocol between the subsystems and the implementation strategy of the DMHE. Subsequently, a local moving horizon estimation (MHE) scheme is designed for each subsystem. In the design of each subsystem MHE, an auxiliary nonlinear deterministic observer that can asymptotically track the corresponding nominal subsystem state when the subsystem interactions are absent is taken advantage of. For each subsystem, the nonlinear deterministic observer together with an error correction term is used to calculate a confidence region for the subsystem state every sampling time. Within the confidence region, the subsystem MHE is allowed to optimize its estimate. The proposed DMHE scheme is proved to give bounded estimation errors. It is also possible to tune the convergence rate of the state estimate given by the DMHE to the actual system state. The performance of the proposed DMHE is illustrated via the application to a reactor-separator process example.     

带未知模型参数和衰减观测率系统自校正分布式融合估计

研究了带未知模型参数和衰减观测率多传感器线性离散随机系统的信息融合估计问题.在模型参数和衰减观测率未知的情形下, 应用递推增广最小二乘(Recursive extend least squares, RELS)算法和加权融合估计算法提出了分布式融合未知模型参数辨识器; 应用相关函数对描述衰减观测现象的随机变量的数学期望和方差进行在线辨识.将辨识后的模型参数、数学期望和方差代入到最优分布式融合状态滤波器中, 获得了相应的自校正融合状态滤波算法.应用动态误差系统分析(Dynamic error system analysis, DESA)方法证明了算法的收敛性.仿真例子验证了算法的有效性.     

通信受限下网络化多传感器系统的Kalman融合估计

研究了一类通信受限下网络化多传感器系统的 Kalman 融合估计问题, 其中通信受限 是指系统在一个采样周期内只允许有限个传感器与融合中心通信. 首先, 提出了一种周期性分组传输的通信策略, 并将每组传感器所对应的局部估计系统描述成一个离散周期子系统模型. 其次, 每个子系统根据最新测量信息的更新时刻, 选择相应的 Kalman 估计器 (滤波器或预报器), 从而得到各子系统在每一时刻的一个局部最优估计, 再通过矩阵加权线性最小方差最优融合准则得到最优融合估计,并给出了Kalman融合估计器的设计方法. 最后, 通过一个目标跟踪例子验证所提方法的有效性.     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。     

Two triggered information transmission algorithms for distributed moving horizon state estimation

In this work, we consider the reduction of information transmission frequency of distributed moving horizon estimation (DMHE) for a class of nonlinear systems in which interacting subsystems exchange information with each other through a shared communication network. Specifically, algorithms based on two event-triggered methods are proposed to reduce the number of information transmissions between the subsystems in a DMHE scheme. In the first algorithm, a subsystem sends out its current information when a triggering condition based on the difference between the current state estimate and a previously transmitted one is satisfied; in the second algorithm, the transmission of information from a subsystem to other subsystems is triggered by the difference between the current measurement of the output and its derivatives and a previously transmitted measurement. In order to ensure the convergence and ultimate boundedness of the estimation error, we also propose to redesign the local moving horizon estimator of a subsystem to account for the possible lack of state updates from other subsystems explicitly. A chemical process is utilized to demonstrate the applicability and performance of the proposed approaches.