粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

一种粒子滤波的改进算法

在强非线性、非高斯系统、高精度测量的环境下,针对粒子滤波（PF）算法的跟踪性能降低问题,提出一种PF的改进算法。由于PF算法的计算量虽然小但精度不高,而无迹粒子滤波（UPF）算法精度虽然很高但计算量过大,结合PF算法计算量小和UPF算法精度高的优势,提出一种PF改进算法。对PF、UPF和PF改进算法三种跟踪算法进行了仿真,结果表明,改进PF算法的跟踪精度和UPF的跟踪精度相当,但所需运算时间仅为UPF算法的35%左右。     

基于UKF的高动态GPS载波跟踪

在高动态环境下,传统的GPS载波跟踪环无法保证可靠的跟踪．本文提出一种改进的基于无迹卡尔曼滤波的高动态载波跟踪方法,采用频率快速牵引方法来保证滤波快速收敛,并加入了一种载波幅度的估计方法．利用美国喷气推进实验室高动态载体模型对环路的跟踪性能进行了测试．测试结果表明,该方法在高动态环境下不仅能快速牵入和锁定载波信号,而且在高达lOOg／s的加加速度作用过程中也能持续精确的跟踪．     

高动态下基于AUKF的载波跟踪算法

当载体处于高动态运动状态时,GPS接收机载波跟踪信号极易受到外部环境不确定因素的影响。若采用标准的无迹卡尔曼滤波 (UKF),在先验的噪声统计特性与实际的噪声统计特性不相符时,状态估计性能将变差甚至发散。针对上述问题,提出采用主从式自适应UKF的算法(AUKF)。AUKF能自适应调整过程噪声方差,从而达到减小模型估计误差、抑制滤波发散的目的。Matlab仿真结果表明,在高动态下噪声统计特性发生变化时,基于AUKF的载波跟踪算法具有较好的稳定性。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

闪烁噪声下的自适应无迹卡尔曼算法

针对非高斯噪声环境下过程噪声统计特性未知时机动目标跟踪精度不高甚至发散的问题,提出了一种应用EM算法和无迹卡尔曼滤波(Unscented Kalman filter,UKF)相结合的方法。该方法借助EM算法估计出较准确的过程噪声参数,再使用无迹卡尔曼滤波算法获得高精度的目标运动状态。仿真实验结果表明,该方法可以有效抑制滤波发散并显著提高跟踪精度。     

CDMA网络中基于粒子滤波的TSOA/AOA跟踪

阐述了CDMA网络中单台设备实现TSOA/AOA被动式定位的原理。采用非线性模型对移动台的运动状态进行了描述。利用粒子滤波对非线性系统和非高斯噪声环境的高度适应性,设计了一种基于粒子滤波的TSOA/AOA跟踪算法,实现了对移动台位置和速度的同时跟踪。仿真结果表明,与扩展卡尔曼滤波相比,采用粒子滤波有效提高了跟踪系统的性能。     

基于UKF的高斯和滤波算法

介绍了扩展卡尔曼滤波算法和无迹变换（unscented transformation，UT）算法，并对扩展卡尔曼滤波算法（EKF）和无迹卡尔曼滤波算法（UKF）进行比较，阐明了UKF优于EKF。在此基础上，提出了一种基于Unscented变换（UT）的高斯和滤波算法，该算法首先通过合并准则得到适当个数的混合高斯模型，逼近系统中非高斯噪声的概率密度；然后，再通过UT算法进行滤波。最后分别对基于EKF和UKF的滤波方法进行实验，并对实验结果进行比较与分析，验证了算法的有效性和优良性。     

高动态下GPS信号跟踪环路的仿真研究

GPS信号跟踪过程是GPS接收机的核心组成部分,它是将捕获阶段得到的各项参数进行精确估计的过程,实现本地生成信号与输入信号的准确同步。以高动态环境为前提,模拟生成GPS信号,改变卫星信号的加加速度,模拟高动态下所引起的多普勒频移,分别使用传统跟踪环路与扩展卡尔曼滤波环路对信号进行跟踪。仿真结果显示,扩展卡尔曼滤波跟踪环路更加稳定,精度有所提高。     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

UKF、PF与UPF跟踪性能的比较

无迹卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,对任何非线性高斯系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统,但当似然函数出现在转移概率密度函数的尾部或者在高精度测量的场合,PF的跟踪性能降低。针对强非线性、非高斯系统、高精度测量的环境,文中提出采用UPF算法进行跟踪,并对PF、UKF和UPF三种跟踪算法进行了仿真,结果表明,UPF的跟踪精度要远高于PF、UKF的精度。     

基于UPF的小目标检测前跟踪算法

为提高对复杂环境下小目标的联合检测和跟踪性能,提出了一种基于粒子滤波的小目标先跟踪后检测(TBD)算法.通过粒子滤波对小目标的运动状态和出现状态进行联合采样,并采用Unscented粒子滤波(UPF)方法对TBD算法进行了具体实现.新算法真正将跟踪思想引入到目标检测中去,对小目标的联合检测与跟踪具有灵敏度高,捕获概率和跟踪性能高,对采样粒子数要求低等优点,能有效增强红外搜索与跟踪系统的"边检测边跟踪"能力.     

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.     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

Nonlinear Kalman Filters and Particle Filters for integrated navigation of unmanned aerial vehicles

The paper studies and compares nonlinear Kalman Filtering methods and Particle Filtering methods for estimating the state vector of Unmanned Aerial Vehicles (UAVs) through the fusion of sensor measurements. Next, the paper proposes the use of the estimated state vector in a control loop for autonomous navigation and trajectory tracking by the UAVs. The proposed nonlinear controller is derived according to the flatness-based control theory. The estimation of the UAV’s state vector is carried out with the use of (i) Extended Kalman Filtering (EKF), (ii) Sigma-Point Kalman Filtering (SPKF), (iii) Particle Filtering (PF), and (iv) a new nonlinear estimation method which is the Derivative-free nonlinear Kalman Filtering (DKF). The performance of the nonlinear control loop which is based on these nonlinear state estimation methods is evaluated through simulation tests. Comparing the aforementioned filtering methods in terms of estimation accuracy and computation speed, it is shown that the Sigma-Point Kalman Filtering is a reliable and computationally efficient approach to state estimation-based control, while Particle Filtering is well-suited to accommodate non-Gaussian measurements. Moreover, it is shown that the Derivative-free nonlinear Kalman Filter is faster than the rest of the nonlinear filters while also succeeding accurate, in terms of variance, state estimates.     

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。     

漂移瑞利滤波算法及其在纯方位跟踪中的应用

单传感器纯方位跟踪问题仍是目前研究的重点和难点,方位角变化率很大时往往使得扩展卡尔曼滤波等矩匹配算法不稳定或发散。重点研究漂移瑞利滤波算法在方位角变化率很大的复杂单传感器纯方位目标跟踪场景下的性能,比较了漂移瑞利滤波,扩展卡尔曼滤波,不敏卡尔曼滤波,粒子滤波等其他非线性跟踪算法的性能,推导并计算了相关问题的Cramer-Rao下界并将其用作比较估值准确性和衡量算法性能的评价指标。仿真结果表明:漂移瑞利滤波算法的性能优于其他矩匹配算法,能达到与粒子滤波大体相同的计算精度,但它的计算速度比粒子滤波算法快几个数量级。     

Extended Kalman and Particle Filtering for sensor fusion in motion control of mobile robots

Motion control of mobile robots and efficient trajectory tracking is usually based on prior estimation of the robots’ state vector. To this end Gaussian and nonparametric filters (state estimators from position measurements) have been developed. In this paper the Extended Kalman Filter which assumes Gaussian measurement noise is compared to the Particle Filter which does not make any assumption on the measurement noise distribution. As a case study the estimation of the state vector of a mobile robot is used, when measurements are available from both odometric and sonar sensors. It is shown that in this kind of sensor fusion problem the Particle Filter has better performance than the Extended Kalman Filter, at the cost of more demanding computations.