基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题，提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题，并补偿低成本的惯性传感器陀螺仪和加速度计的误差，从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统，实验结果表明UKF参数设计简单，姿态估计误差小于EKF，方差估计优于EKF，估计精度、计算量基本与EKF相当．因此，UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

非线性预测滤波在星敏感器姿态确定中的应用

为研究无陀螺卫星控制优化问题的新方法,针对环境干扰力矩和估计误差等不确定因素导致滤波器稳定性和估计精度降低,提出了使用星敏感器测量值在线估计模型参数和卫星姿态的非线性预测滤波方法.根据预测滤波理论推导了关于模型误差的损失函数,利用线性化的测量方程求得使损失函数最小化的模型误差值,代人状态方程求数值积分,得到卫星的姿态估计参数.仿真结果证明,不仅简化了计算,且适应性更强.而应用四元数描述卫星姿态,避免了欧拉角法的奇异性问题.仿真结果还表明,方法收敛速度较EKF更快,状态估计精度与EKF相当,并对非线性模型误差具有良好的跟踪性能.     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

编队飞行卫星自主相对定轨研究

卫星编队飞行相对轨道自主确定作为实现队形保持和控制的前提,是编队任务必须解决的关键技术问题.根据C-W方程的解析解描述编队卫星间的相对运动规律,选取星间距离信息与方位信息作为观测量,针对卫星编队飞行自主导航系统对精确性和实时性的要求,用超球面分布采样点变换(Spherical Simplex Unscented Transformation,SSUT)和Unscented卡尔曼滤波(UKF)相结合,提出了SSUT的UKF(SSUKF)导航滤波算法.由于SSUT减少了采样点个数,在保证滤波精度和标准UKF相当的条件下减轻了计算负担,完成了卫星编队相对轨道状态的自主确定,并结合仿真的轨道数据和测量数据进行了仿真,仿真结果说明实现了卫星编队优化的有效性和实时性.     

Unscented卡尔曼滤波在状态估计中的应用

针对非线形系统的滤波问题，无法使用卡尔曼滤波器（KF），扩展卡尔曼滤波（EKF）方法虽能应用于非线形系统，但给出的是状态的有偏估计，并且对模型误差的鲁棒性较差。为了给出更好的状态估计值，该文介绍了Unscented卡尔曼滤波（UKF）的基本原理。其思想是：基于unscented变换，UKF滤波算法能够给出更精确的均值和协方差的估计，从而带来更高的精度。最后通过Mackey—Glass模型时间序列的状态估计仿真实侧说明：同EKF相比，UKF的滤波精度和稳定性都显著提高了，还可避免计算烦琐的Jacobi矩阵，是一种良好的非线性滤波方法。     

用四元数状态切换无迹卡尔曼滤波器估计的飞行器姿态

在较大初始姿态误差角下, 针对捷联惯导/CCD星敏感器(strap-intertial navigation system/CCD star sensor, SINS/CCD)姿态估计系统扩展卡尔曼滤波(extended Kalman filter, EKF)算法精度下降的问题, 提出了基于四元数的状态切换无迹卡尔曼滤波算法. 通过状态实时切换降低了全维无迹卡尔曼滤波(unscented Kalman filter, UKF)的维数, 减小了计算复杂度, 提高了系统的实时性. 文中采用基于特征向量求解的代价函数法计算四元数均值避免了UKF算法中四元数规范化的限制; 利用乘性误差四元数表示姿态更新点与估计点之间的距离, 解决了四元数协方差阵奇异性问题. 仿真实验结果表明: 与EKF相比, 该算法在精度上有较大提高; 与全维UKF算法和修正罗德里格斯参数UKF算法相比, 该算法精度相当但估计时间均有不同程度的减少.     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

面向增强现实的多传感器组合位姿注册算法

持续稳定的准确注册是构建增强现实系统的关键,为提高跟踪注册的稳定性和精度,提出了一种基于互补滤波(CF)和无迹卡尔曼滤波(UKF)的多传感器融合注册方案.该算法采用互补滤波器融合陀螺仪、加速度计和地磁感应计数据估计摄像头姿态;在处理视觉图像时,结合惯性姿态数据进行图像特征匹配;利用UKF融合视觉和惯性数据进行摄像头位置估计.实验表明:该算法在跟踪稳定性、精度、效率和抗干扰能力均优于传统的基于扩展卡尔曼滤波(EKF)的融合算法.     

改进粒子滤波与预测滤波相结合的单星敏姿态估计

针对卫星姿态估计的非线性、非高斯特性,提出一种粒子滤波和预测滤波相结合的估计方法,在无角速率测量时,首先利用预测方法在线估计系统模型误差和姿态角速度,再通过改进的规则化粒子滤波器估计姿态四元数.粒子初始化和重要性函数等的设计加快了算法的收敛速度,预测方法的引入有效降低了粒子维数.在某通用小卫星平台上进行仿真,并与扩展卡尔曼滤波(EKF)比较,所得结果表明,算法在不同初始姿态估计时具有较好的稳定性和收敛精度.算法还为粒子滤波和无陀螺定姿的研究提供了参考.     

UKF在INS/GPS直接法卡尔曼滤波中的应用

提出将Unscented卡尔曼滤波(UKF)用于INS/GPS组合导航系统的直接法卡尔曼滤波,避免了对非线性的系统状态方程进行线性化.以INS输出的导航参数及平台误差角等作为系统状态,惯导力学编排方程和姿态误差方程作为系统状态方程,GPS输出的导航参数作为量测,采用UKF方法对系统导航参数直接进行估计.仿真结果表明,UKF方法有效地解决了直接法卡尔曼滤波中系统状态方程的非线性问题,并使INS/GPS组合导航系统具有较高的导航定位精度.     

Estimation of nonlinear systems via a Chebyshev approximation approach

This paper proposes to decompose the nonlinear dynamic of a chaotic system with Chebyshev polynomials to improve performances of its estimator. More widely than synchronization of chaotic systems, this algorithm is compared to other nonlinear stochastic estimator such as Extended Kalman Filter (EKF) and Unscented Kalman Filter (UKF). Chebyshev polynomials orthogonality properties is used to fit a polynomial to a nonlinear function. This polynomial is then used in an Exact Polynomial Kalman Filter (ExPKF) to run real time state estimation. The ExPKF offers mean square error optimality because it can estimate exact statistics of transformed variables through the polynomial function. Analytical expressions of those statistics are derived so as to lower ExPKF algorithm computation complexity and allow real time applications. Simulations under the Additive White Gaussian Noise (AWGN) hypothesis, show relevant performances of this algorithm compared to classical nonlinear estimators.     

基于UKF的MEMS传感器姿态测量系统

针对工业和民用领域对姿态测量的需求,提出了基于MEMS加速度计、陀螺仪和磁强计的姿态测量系统,并采用无先导卡尔曼滤波(Unscented Kalman Filter,UKF)方法处理传感器数据.针对基于加速度计和磁强计的姿态测量方式在动态测量时不准确的问题和单独采用陀螺仪测量角度产生漂移的问题,设计了基于方向旋转矩阵的...     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

改进的UPF在GPS/INS导航中的应用

针对UPF（Unscented Particle Filter）由于计算量大而难以应用于GPS/INS（Global Positioning System/Inertial Navigation System）组合导航中的问题,提出一种基于全局采样的UPF算法。结合了最新的量测值,对粒子集整体利用一次UKF（Unscented Kalman Filter）算法产生建议分布,免去了UPF中对每个粒子循环套用UKF的环节,省去了重采样步骤,减少了UPF的计算量。仿真实验采用以伪距为观测量的状态变量为10维的非线性模型,结果表明,改进的UPF与PF相比,具有更高的估计精度,与UPF相比,具有更小的计算量,能够解决UPF难以应用于GPS/INS组合导航中的问题。     

基于UKF滤波的测向定位算法及性能分析

基于传统的The Unscented Kalman Filter(UKF)滤波算法,提出了一种新的改良后的UKF滤波算法.该算法直接选用动态模型中的状态变量,并增加一个再抽样过程,使得计算量更小,实现更简单.将改良后的UKF滤波算法应用到单站无源定位的测向法中,得到优于The extended Kalman Filter(EKF)滤波的定位效果,大大提高了定位精度.计算机仿真实验表明,应用该改进后的UKF算法比以往EKF类算法在滤波性能上有明显的提高.但是由于测向法自身的局限性,即使应用改良后的UKF滤波,当方位角逐渐增大时,测向法的定位效果仍然会严重恶化.因此,所提出的新UKF算法适合在非线性估计等问题中广泛应用,但对于单站无源定位,则应探究更优越的定位算法来代替测向法.     

自适应UKF应用于反辐射导弹抗静止目标雷达关机

抗目标雷达关机是反辐射导弹的技术难题,也是关键问题。针对基于目标状态估计的抗目标雷达关机方案,将自适应UKF算法应用于抗静止雷达关机措施中。利用EKF,UKF和自适应UKF算法对反辐射导弹抗关机性能进行了仿真实验。通过实验得出的结果表明,自适应UKF算法相对于其他2种滤波算法在对抗雷达关机方面具有明显的优越性。     

Sparse-grid quadrature nonlinear filtering

In this paper, a novel nonlinear filter named Sparse-grid Quadrature Filter (SGQF) is proposed. The filter utilizes weighted sparse-grid quadrature points to approximate the multi-dimensional integrals in the nonlinear Bayesian estimation algorithm. The locations and weights of the univariate quadrature points with a range of accuracy levels are determined by the moment matching method. Then the univariate quadrature point sets are extended to form a multi-dimensional grid using the sparse-grid theory. Compared with the conventional point-based methods, the estimation accuracy level of the SGQF can be flexibly controlled and the number of sparse-grid quadrature points for the SGQF is a polynomial of the dimension of the system, which alleviates the curse of dimensionality for high dimensional problems. The Unscented Kalman Filter (UKF) is proven to be a subset of the SGQF at the level-2 accuracy. The performance of this filter is demonstrated by an orbit estimation problem. The simulation results show that the SGQF achieves higher accuracy than the Extended Kalman Filter (EKF), the UKF, and the Cubature Kalman Filter (CKF). In addition, the SGQF is computationally much more efficient than the multi-dimensional Gauss–Hermite Quadrature Filter (GHQF) with the same performance.     

基于UKF的CDMA系统信道参数估计

CDMA系统信道时间延迟估计是一个非线性的迭代过程。UKF算法能够避免EKF由于线性化非线性系统而带来的误差过大等问题,比EKF估计的更加精确。利用UKF算法对CDMA系统信道的幅度衰减参数与延时参数进行了估计。在研究中考虑到了多址干扰和远近效应对信道参数的影响,仿真结果表明UKF算法能有效地抑制远近效应及多址干扰,估计出无线信道参数。