带噪声统计估计器的犝狀狊犮犲狀狋犲犱卡尔曼滤波器设计

针对传统Ｕｎｓｃｅｎｔｅｄ卡尔曼滤波器（ＵＫＦ）在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验（ＭＡＰ）估计原理,设计了一种带噪声统计估计器的ＵＫＦ．该ＵＫＦ 滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差．相比于传统ＵＫＦ,所提出的ＵＫＦ具有应对噪声统计变化的自适应能力．仿真结果表明了该ＵＫＦ滤波算法的有效性．     

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.     

带噪声统计估计器的犝狀狊犮犲狀狋犲犱卡尔曼滤波器设计

针对传统Ｕｎｓｃｅｎｔｅｄ卡尔曼滤波器（ＵＫＦ）在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验（ＭＡＰ）估计原理,设计了一种带噪声统计估计器的ＵＫＦ．该ＵＫＦ 滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差．相比于传统ＵＫＦ,所提出的ＵＫＦ具有应对噪声统计变化的自适应能力．仿真结果表明了该ＵＫＦ滤波算法的有效性．

     

新型的噪声统计估值器和自适应滤波器

本文在系统输入和输出噪声相关的条件下，提出一种新的噪声统计估值器和自适应状态滤波器，应用表明了它的有效性。     

推广的Todini噪声统计估值器和自适应滤波器

在系统输入和输出噪声相关的条件下，推广了Ｔｏｄｉｎｉ噪声统计估值器和自适应状态滤波器，应用表明了它的有效性。     

噪声相关条件下Unscented卡尔曼滤波器设计

针对传统Unscented卡尔曼滤波器(UKF)在噪声相关条件下非线性滤波失效的问题,研究了一类带相关噪声的非线性离散系统UKF设计方法.文中基于最小均方误差估计准则,给出了系统噪声和量测噪声相关时UKF滤波递推公式,并采用Unscented变换(UT)来计算系统状态的后验均值和协方差.所设计的噪声相关条件下UKF有效克服了传统UKF必须假设系统噪声和量测噪声为互不相关高斯白噪声的局限性,拓展了UKF的应用范围.仿真实例验证了其可行性和有效性.     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题, 设计了一种带噪声统计估计器的自适应UKF滤波算法. 首先根据极大后验(Maximum a posterior, MAP)估计原理, 推导出一种次优无偏MAP常值噪声统计估计器; 接着在此基础之上, 采用指数加权的方法, 给出了时变噪声统计估计器的递推公式; 最后对自适应UKF算法进行了性能分析. 相比于传统UKF, 该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛, 滤波精度及稳定性显著提高, 而且其具有应对噪声变化的自适应能力. 仿真实例验证了其有效性.     

非加性噪声情形下卡尔曼滤波器的推广

在数字信号处理中,得到的信号总是或多或少伴随着噪声。如何去除噪声,恢复真实的信号,是信号处理面临的首要问题。一般情形下我们都假定噪声是加性的,即噪声是不依赖于信号的,此时,卡尔曼滤波器是一种非常简便的降噪方法,它是一个最优化自回归数据处理算法,是用前一个估计值和最近一个观察数据来估计信号的当前值,是用状态方程和递推的方法进行估计的,而且它在均方误差意义下是最优的。本文将噪声推广到一般的乘性噪声的情形,利用卡尔曼滤波的基本思想,同样可以得到均方误差意义下的最优滤波,最后通过一个模拟的例子验证了该方法的有效性。     

卡尔曼滤波器参数分析与应用方法研究

介绍卡尔曼滤波器及其各种衍生方法.首先给出卡尔曼滤波器的算法流程以及所有参数的含义,并对影响滤波效果的五个主要参数进行了讨论.然后通过仿真实验研究不同的参数取值对于卡尔曼滤波的影响.最后总结在不同应用场景下使用卡尔曼滤波器的宗旨和要点.     

Robust unscented Kalman filter with adaptation of process and measurement noise covariances

Unscented Kalman filter (UKF) has been extensively used for state estimation of nonlinear stochastic systems, which suffers from performance degradation and even divergence when the noise distribution used in the UKF and the truth in a real system are mismatched. For state estimation of nonlinear stochastic systems with non-Gaussian measurement noise, the Masreliez–Martin extended Kalman filter (EKF) gives better state estimates in relation to the standard EKF. However, the process noise and the measurement noise covariance matrices should be known, which is impractical in applications. This paper presents a robust Masreliez–Martin UKF which can provide reliable state estimates in the presence of both unknown process noise and measurement noise covariance matrices. Two numerical examples involving relative navigation of spacecrafts demonstrate that the proposed filter can provide improved state estimation performance over existing robust filtering approaches. Vision-aided robot arm tracking experiments are also provided to show the effectiveness of the proposed approach.     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

A skewed unscented Kalman filter

State estimation of nonlinear systems is a challenging task, especially when the Gaussian approximation fails. The unscented Kalman filter was proposed to deal with state estimation of nonlinear systems. We modify the traditional unscented Kalman filter to capture the third-order moment (skewness) of the state vector. Methods are also proposed to reduce the computation time of the suggested approach, and showing that the proposed algorithm is as fast as the unscented Kalman filter. Simulation results confirm that the method is better than, or at least as good as, the unscented Kalman filter.     

Cubature 卡尔曼滤波与Unscented 卡尔曼滤波估计精度比较

对于不同维数下非线性系统的估计问题,为从常用的Unscented卡尔曼滤波(UKF)和Cubature卡尔曼滤波(CKF)中选取合适的滤波方法,从函数泰勒展开式和数值稳定性上对其进行了分析和比较.由于不同维数下它们捕获函数泰勒展开式高阶项的程度和数值稳定性不同,两者滤波精度出现差异,从而得到了不同维数下滤波方法的选择途径.仿真结果验证了理论分析的正确性.     

Applying the unscented Kalman filter for nonlinear state estimation

Based on presentation of the principles of the EKF and UKF for state estimation, we discuss the differences of the two approaches. Four rather different simulation cases are considered to compare the performance. A simple procedure to include state constraints in the UKF is proposed and tested. The overall impression is that the performance of the UKF is better than the EKF in terms of robustness and speed of convergence. The computational load in applying the UKF is comparable to the EKF.     

基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

抗野值性能的无迹卡尔曼滤波算法的研究

动态定位中野值的存在,使无迹卡尔曼滤波UKF(Unscented Kalman Filter)的结果不再准确甚至发散。针对这一问题,提出了一种具有抗野值性能的UKF算法。该算法将经典UKF算法与野值的剔除相结合,通过对新息序列的判断,对野值点进行处理,实时地调整滤波增益或者进行野值计算,使UKF算法在野值干扰下仍为最优估计。仿真证明该算法可以有效地辨识和剔除野值的干扰,抑制滤波的发散,提高了定位的精度。