基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

基于改进Kalman滤波的智慧社区居民定位

现如今智慧社区正在快速发展, 各种公共设施及建筑的建设使得社区内环境复杂, 影响着居民中弱势群体的安全. 故实时的居民定位便格外重要. 智慧定位作为精准化智慧服务之一, 主要通过RFID技术实现社区内老幼等人群的轨迹跟踪, 以进行安全保障. 除此之外还可分析居民聚集场所趋势, 为社区建设公共设施提出建议. 本文针对RFID阅读器传播数据时被各种噪声影响导致的定位精度差、定位结果偏差等传统问题, 引用了Kalman滤波消除信号传递过程中的过程噪声和观测噪声, 在该算法中插入改进的密度聚类算法以消除环境噪声影响, 设计了基于改进密度聚类算法的Kalman滤波轨迹定位方法(Kalman filter for improved density peak clustering, K-IDPC). 经实验验证, 相对于Kalman滤波, K-IDPC的定位精度在0.565 m左右, 准确度大幅提高.     

基于自适应Kalman滤波的改进RTQC算法

为对原始雷达数据进行空间配准,对原始的实时质量控制方法(real time quality control,RTQC)进行了研究.在传统的RTQC算法的基础上,加入Kalman滤波,用于对随机误差进行处理,得出雷达测量的固定误差.对Kalman算法进行改进,改进了传统的Kalman滤波算法,通过对量测噪声方差矩阵和模型噪声方差矩阵进行实时估计,减少了Kalman滤波对于方差矩阵先验知识的要求,提高了Kalman滤波的自适应性,并初步分析了算法的有效性.与实际数据的对比实验结果表明了该方法的有效性.     

带有Kalman滤波的调速系统重复补偿PID控制

针对PID调节器对交流调速系统跟踪周期输入信号精度不高,波形畸变严重,以及系统中存在控制干扰信号和测量噪声信号的情况,该文基于重复控制的自学习能力和Kalman滤波在抑制随机扰动中的作用,提出了一种带有Kalman滤波的基于重复控制补偿的PID控制设计方法.仿真结果表明,该控制方法能较好地跟踪周期性输入信号,并消除系统的随机扰动,具有较好的控制品质.     

提高轮式移动机器人性能的AKF 和滑模相结合控制方法

针对轮式移动机器人在实际工作中不可避免地受到环境因素影响的问题,采用Sage-Husa自适应卡尔曼滤波对带有白噪声的参考轨迹进行估计,以提高测量信息的真实性;同时在速度控制的基础上,考虑机器人动力学模型及其外界干扰,利用滑模控制思想设计出具有渐近收敛性的力矩反馈控制规律来跟踪滤波后的估计值.仿真结果表明,该控制方法能有效抑制测量噪声和外界干扰的影响,快速跟踪任意参考轨迹.     

基于谱直方图和Kalman滤波的目标跟踪

为了提高背景混淆下的跟踪效果,提出了基于谱直方图和Kalman滤波的目标跟踪方法.通过将图像与滤波器组进行卷积计算获取图像的频率特征,统计获得图像的谱直方图.谱直方图将图像转移到频域进行统计,减少了颜色以及噪声等因素的干扰.为了提高跟踪效率,引入Kalman滤波运动估计,进行局部搜索运动目标,并详细探讨了Kalman参数的设置.实验结果表明,在背景混淆的场景下,相对于颜色直方图来说,该算法能够取得较好的跟踪效果.     

一种新型的混沌通信同步方法

针对一类具有不确定参数的非线性混沌系统，在对现有一些混沌同步方法比较总结的基础上，提出了一种混沌通信同步的新方法。通过合理的假设，将该类系统转化为在可观测输出端由附加白噪声驱动的线性时变系统。然后通过最优滤波来处理同步问题，可应用Kalman滤波的方法进行估计，响应系统的状态能够渐近收敛于驱动系统，并且在输出端加入干扰噪声的情况下，仍能保持良好的跟踪轨迹。     

基于迭代学习控制的移动机器人轨迹跟踪控制

为提高移动机器人对特定轨迹的重复跟踪能力,提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型,给出了系统的控制算法和控制结构。仿真结果表明,采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的,收敛速度优于其他迭代学习算法。     

基于Kalman滤波的混沌通信同步

针对一类具有不确定参数的非线性混沌系统，本文提出了一种新的混沌通信同步方法。考虑混沌通信的特点，通过合理的假设，该类系统可以作为一类在接收端或可观测输出端由附加白噪声驱动的线性时变系统。然后，同步问题通过最优滤波的方法来解决，可以应用Kalman滤波的结论进行估计。在一些充分条件下，响应系统的状态能够渐进跟踪驱动系统的状态，并且在输出端包含干扰噪声的情况下，仍能保证良好的跟踪轨迹。     

一种间歇过程的综合预测迭代学习控制方法

为了提高迭代学习控制方法在间歇过程轨迹跟踪问题中的收敛速度,本文将批次间的比例型迭代学习控制与批次内的模型预测控制相结合,提出了一种综合应用方法.首先根据间歇过程的线性模型,预测出比例型迭代学习控制的系统输出,然后在批次内采用模型预测控制,通过极小化一个二次型目标函数来获得控制增量.该方法可使系统输出跟踪期望轨迹的速度比比例型迭代学习控制方法更快些.最后通过仿真实例验证了该方法的有效性.     

基于强化迭代学习的四旋翼无人机轨迹控制

为进一步提升在未知环境下四旋翼无人机轨迹的跟踪精度,提出了一种在传统反馈控制架构上增加迭代学习前馈控制器的控制方法。针对迭代学习控制（ILC）中存在的学习参数整定困难的问题,提出了一种利用强化学习（RL）对迭代学习控制器的学习参数进行整定优化的方法。首先,利用RL对迭代学习控制器的学习参数进行优化,筛选出当前环境及任务下最优的学习参数以保证迭代学习控制器的控制效果最优;其次,利用迭代学习控制器的学习能力不断迭代优化前馈输入,直至实现完美跟踪;最后,在有随机噪声存在的仿真环境中把所提出的强化迭代学习控制（RL-ILC）算法与未经参数优化的ILC方法、滑模变结构控制（SMC）方法以及比例-积分-微分（PID）控制方法进行对比实验。实验结果表明,所提算法在经过2次迭代后,总误差缩减为初始误差的0.2%,实现了快速收敛;并且与SMC控制方法及PID控制方法相比,RL-ILC算法在算法收敛后不会受噪声影响产生轨迹波动。由此可见,所提算法能够有效提高无人机轨迹跟踪的准确性和鲁棒性。     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

非线性间歇过程的迭代学习状态估计

在间歇过程的状态估计中,如何充分利用多批次重复特性信息是一个挑战。迭代学习卡尔曼滤波方法利用卡尔曼滤波沿时间方向估计相邻两批次之间的状态误差,并沿批次方向迭代更新当前状态估计,兼顾了时间和批次两维特性。但是,这种方法只适用于线性系统。针对非线性间歇过程,提出一种迭代学习拟线性卡尔曼滤波器(ILQKF)方法。ILQKF基于间歇过程的标称模型,将实际状态与标称状态之间的误差作为新状态,建立了与误差相关的线性化模型。然后,根据迭代学习卡尔曼滤波方法,对状态误差进行估计,而状态轨迹为误差轨迹与标称轨迹之和,从而估计出非线性间歇过程的状态。啤酒发酵过程的应用仿真验证了ILQKF方法的优越性。     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹。基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零。设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于任意初态的轨迹将一致收敛到滑模面内,解决了迭代学习中的任意初值问题。数值仿真验证了该算法的有效性和抗干扰能力。     

基于低通滤波器的不确定机器人迭代学习控制

针对不确定机器人系统轨迹跟踪问题,并更好地消除系统不确定性对控制性能的影响,提出一种基于低通滤波器的迭代学习控制方法。采用滑模变结构控制(SMC)以提高控制器对系统干扰和摄动的鲁棒性,并在控制器输出端引入低通滤波器(LPF)来消除滑模控制中出现的抖振现象。将系统的不确定项描述为周期性和非周期性两部分,通过采用迭代学习算法对周期性不确定部分进行迭代学习,采用RBF神经网络对非周期性不确定部分的未知上界进行自适应学习。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性,而且使得整个系统在迭代域中是全局渐近稳定的。严格的理论推导和仿真结果表明了该控制策略的有效性。     

基于递归工具变量卡尔曼滤波算法的纯方位水下目标跟踪

基于纯方位信息的水下目标跟踪中常用的伪线性卡尔曼滤波算法偏差较大、跟踪精度差,结合偏差补偿算法提出一种用于纯方位水下目标跟踪的递归工具变量卡尔曼滤波算法,并将过程噪声协方差的不确定性考虑在内.针对伪线性卡尔曼滤波算法的偏差问题,采用递归工具变量算法的工具变量矩阵来消除量测矩阵与伪线性噪声间的关联性,从而消除偏差.仿真结果表明,所提出的递归工具变量卡尔曼滤波算法在水下方位角噪声较大时也能保持稳定性和跟踪精度.     

Integrated predictive iterative learning control based on updating reference trajectory for point-to-point tracking

A novel control technique is proposed by combining iterative learning control (ILC) and model predictive control (MPC) with updating-reference trajectory for point-to-point tracking problem of batch process. In this paper, a batch-to-batch updating-reference trajectory, which passes through the desired points, is firstly designed as the tracking trajectory within a batch. The updating control law consists of P-type ILC part and MPC part, in which P-type ILC part can improve the performance by learning from previous executions and MPC part is used to suppress the model perturbations and external disturbances. Convergence properties of the integrated predictive iterative learning control (IPILC) are analyzed theoretically, and the sufficient convergence conditions of output tracking error are also derived for a class of linear systems. Comparing with other point-to-point tracking control algorithms, the proposed algorithm can perform better in robustness. Furthermore, updating-reference relaxes the constraints for system outputs, and it may lead to faster convergence and more extensive range of application than those of fixed-reference control algorithms. Simulation results on typical systems show the effectiveness of the proposed algorithm.     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

环卫车辆轨迹跟踪系统的无模型自适应迭代学习控制

针对环卫车辆周期重复性工作特点,考虑模型时变以及未知扰动问题,提出一种基于无模型自适应迭代学习的环卫车辆轨迹跟踪控制方法.首先,针对环卫车辆建立了两轮移动机器人的运动学模型,然后,给出带时变参数和非线性不确定项的迭代域下全格式动态线性化数据模型,引入时间差分估计算法,设计基于最优性能指标的轨迹跟踪无模型自适应迭代学习控...