基于双层修正无迹卡尔曼的水下节点定位算法

针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波(UKF)定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。     

基于最大一致的水下目标协同定位

针对水下运动目标定位时,现有的平均一致无迹Kalman 滤波器仅能实现近似一致而带来定位精度低的问题,提出一种分布式最大一致无迹 Kalman 信息滤波算法。首先,建立目标与传感器模型,构建水下目标协同定位框架;然后,通过等价变换将集中式无迹 Kalman 滤波算法改写为信息滤波形式,降低传感器计算维数;最后,对改写后的信息向量和信息矩阵采用最大一致处理策略,并引入虚拟节点技术来处理节点同值问题。结果表明,所提算法的定位轨迹与目标实际轨迹重合度更高且误差整体水平更小,验证了所提算法的有效性。     

协同导航不完全量测环路和积数据关联算法

协同导航技术是提升平台协作性能的重要保障和关键技术,针对复杂环境中导航信息测量数据丢包或延迟问题,提出一种协同导航滤波用不完全量测环路和积数据关联算法(IM-LSPADA),将局部节点状态与友邻节点状态进行扩维,协同节点的状态噪声联合扩维,为系统状态变量,友邻节点测距为观测量,对状态与量测噪声的后验概率密度函数进行高斯近似;量测数据随机延迟或丢包时,采用上一时刻量测量作为系统观测值,基于确定积分点进行采样的贝叶斯框架,计算预测目标节点位置,进行定位。通过无迹变换(UT)传播的sigma积分点进行IM-LSPADA估计仿真和实验结果表明,量测数据丢失时,能够完成目标网络的定位和跟踪。与未考虑量测随机延迟的SPBP算法相比,改进算法的横轴位置误差降低了76%,纵轴位置误差降低了66%,精度可达到标准的和积数据关联算法(SPADA)的精度。     

融合 WiFi 与可穿戴惯导模块的室内定位方法

为解决基于智能手机的人员室内定位追踪易受手机姿态影响的问题,提出一种融合WiFi与可穿戴惯导模块的室内定位方法。通过固定在胸部的惯性测量单元实现行人航迹推算PDR)定位,消除手机姿态对PDR定位的影响,采用加权贝叶斯算法实现WiFi指纹定位,为PDR提供初始定位,同时基于无迹卡尔曼滤波融合WiFi定位结果与PDR定位结果,以减少PDR的累积定位误差。最后,在真实室内环境中进行大量实验,实验结果证明本文提出的加权贝叶斯WiFi定位算法相比于传统贝叶斯算法定位误差降低了51.9%,提出的融合WiFi与可穿戴惯导模块的定位方法具有更好的精度和稳定性,相比于纯PDR定位算法平均定位误差降低了65.2%,相比于完全利用手机实现的融合算法,在3种不同手机姿态下平均定位误差分别下降了12.3%、39.3%和48.4%。     

基于虚拟移动长基线的载人潜水器声学定位算法

为保障潜水器水下安全作业,设计了一种基于虚拟移动长基线(VMLBL)的声学定位算法,并对影响定位误差的因素进行了分析。该算法无需事先布放海底基阵,仅利用存储的距离信息实现潜水器定位。首先基于卡尔曼滤波算法的新息特性对测距信息进行野值剔除及信息修正,克服异常值对定位结果的影响;然后融合潜水器移动矢径和测距信息构建虚拟移动长基线定位系统,用最小二乘法对其进行解算;最后级联卡尔曼滤波进行信号处理并给出最终定位结果。仿真和试验结果表明,算法定位误差在10%以内的数据有效率可以达到95.1%,定位结果能较好拟合超短基线定位系统,可以为载人潜水器提供有效的辅助定位。     

比例差分修正的RSSI测距WSN节点定位研究

在无线传感器网络中节点定位技术占据着核心地位。基于传统RSSI的多边定位算法,提出了差分修正的井下无线传感器网络RSSI节点定位算法,通过不同锚节点之间的相互关系得到比例差分系数,将其应用在测量节点定位。目标未知节点首先读取在信标节点信息,利用卡尔曼滤波法除去信号中的噪声,获得更加精确的距离值,通过锚节点构建差分模型,利用比例差分的方法对RSSI测距进行修正,并对改进算法进行了仿真实验。结果表明,比例差分系数修正的RSSI测距定位算法的定位精度要远远高于传统RSSI测距定位算法,能够为井下的节点定位提供理论依据。     

基于人工神经网络的RSSI测距的牛顿定位算法

为了降低基于接收信号强度指示(RSSI)测距误差,提高基于RSSI测距定位精度,提出了基于人工神经网络的RSSI测距的牛顿定位算法(NL-ANN-RSSI)。NL-ANN-RSSI算法分别在RSSI测距和定位计算方面提高定位精度。首先,利用人工神经网络对RSSI值预处理,降低测距误差;然后,利用最小二乘法估计节点位置,并将此估计值作为牛顿定位算法的初始值;最后,利用牛顿定位算法修正节点位置。实验数据表明,基于人工神经网络的RSSI优化的测距误差比传统的RSSI测距算法有大幅下降,归一化平均定位误差下降了约36%。     

径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

采用自适应无迹卡尔曼滤波的卫星姿态确定

针对现有算法卫星姿态确定中模型参数估计不准确,系统存在外界干扰下稳定性差和跟踪精度不足的问题,提出一种自适应无迹卡尔曼滤波算法,对卫星三轴姿态进行估计。首先分析了陀螺和星敏组合定姿的工作原理,然后推导了以误差四元数为状态变量的卫星姿态运动学方程。滤波过程中,该算法引入自适应矩阵,对量测噪声协方差矩阵进行调整;依据滤波发散判别准则,对系统噪声协方差矩阵进行自适应修正,抑制滤波过程中可能的发散情形,获得了良好的自适应性能。实验结果表明,在参数估计不准确时,自适应无迹卡尔曼滤波相比鲁棒自适应UKF算法,三轴估计精度的均方根误差(RMSE)分别提升了30.0%,34.1%,22.4%。该算法基本满足卫星姿态确定的高精度、强鲁棒性等要求。     

采用自适应一致性UKF的分布式目标跟踪

由于传统分布式跟踪方法在先验噪声协方差与其实际值不相匹配时跟踪误差较大,提出了一种采用自适应一致性无迹卡尔曼滤波的分布式目标跟踪方法,该方法首先执行分布式UKF算法得到对当前移动目标状态的估计值,然后通过一个系统错误检测机制,确定是否需要对噪声协方差值进行更新。如需要,则根据当前获得的测量信息去估计当前噪声协方差,并联合该估计值和先前的噪声协方差值获得一个新的先验噪声协方差值。最后根据新获得的噪声协方差值对获得的目标状态估计值进行修正。实验结果表明该方法具有较好的准确性和鲁棒性：在噪声未知环境下,基于ACUKF的分布式跟踪方法相比于基于容积信息滤波和基于分布式无迹卡尔曼滤波的跟踪方法,最大跟踪误差值分别减少了49.93%和 51.46%;在目标过程噪声发生动态变化的情况下,提出的方法相比于上述两种传统跟踪方法,跟踪误差值分别减少了40.67%和40.06%。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

一种小型无人机无源目标定位方法及精度分析

为了提高小型无人机无源目标定位的精度,设计了一种新的目标定位算法。首先确定目标定位过程中的坐标转换关系并推导出视轴角的计算模型;然后,利用光电侦察平台锁定跟踪目标的特性,提出了对同一目标点多次测量的目标定位框架,建立了系统状态方程和测量方程,考虑到测量方程的非线性,将无迹卡尔曼滤波应用于目标位置估计;最后,针对加性高斯白噪声的非线性目标定位系统,推导出理论上的定位误差的克拉美-罗下限。仿真结果表明,该算法具有较高的目标定位精度,滤波器估计误差均方差已逼近非线性系统的克拉美-罗下限。现场试验结果表明,在离地面约1000 m的空中,无人机对地面目标定位精度可达8.1 m。该算法易于部署,可操作性强,具有较大的实用价值。     

Centroid weighted Kalman filter for visual object tracking

In the visual object tracking, the Kalman filter presents commonly the state model and observation model uncertainty in the actual performance of Gaussian noise, so it makes the estimation of certain parameters produce errors in the model, and results in decreasing estimation precision. In order to enhance the stability of the Kalman filter, an algorithm based on centroid weighted Kalman filter (CWKF) for object tracking is proposed in this paper. The algorithm firstly uses background subtraction method to detect moving target region, and then uses the Kalman filter to predict target position, combining centroid weighted method to optimize the predictive state value, finally updates observation data according to the corrected state value. Tracking experiments show that the algorithm can detect effectively moving objects and at the same time it can quickly and accurately track moving objects with good robustness.     

A hybrid unscented filtering and particle swarm optimization technique for harmonic analysis of nonstationary signals

This paper presents a modified unscented Kalman filter for accurate estimation of frequency and harmonic components of a time-varying signal embedded in noise with low signal-to-noise ratio. Further, the model and measurement error covariances along with the unscented Kalman filter parameters are selected using a modified particle swarm optimization algorithm. To circumvent the problem of premature convergence and local minima, a dynamically varying inertia weight based on the variance of the population fitness is used. This results in a better local and global searching ability of the particles, which improves the convergence of the velocity and better accuracy of the unscented Kalman filter parameters. Various simulation results for nonstationary sinusoidal signals with time varying amplitude, phase and harmonic content corrupted with noise, reveal significant improvement in noise rejection and speed of convergence and accuracy in comparison to the well known extended Kalman filter.     

Improvement in the accuracy of estimating the time-of-flight in an ultrasonic ranging system using multiple square-root unscented Kalman filters

The square-root unscented Kalman filter (SRUKF) is applied to identify the shape parameters of an ultrasonic echo envelope. The SRUKF has better stability than the normal unscented Kalman filter (UKF) because the square-root of the error covariance matrix used in the SRUKF guarantees positive semidefiniteness. Considering the effect of the initial state on the convergence speed of filters, the multi-SRUKF is used to estimate the time-of-flight (TOF). Each SRUKF has a different initial state. The result estimated in a limited time with minimum mean square error is finally adopted. Simulation experiments for various couples of shape parameters and signal-to-noise ratios validate the improvement in the TOF accuracy. Real experiments using the echo signals of a SensComp 600 ultrasonic transducer show that the relative means and standard deviations of the TOF error obtained using the multi-SRUKF method are less than 0.2% and 0.15%, respectively.     

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。     

NONLINEAR ESTIMATION METHODS FOR AUTONOMOUS TRACKED VEHICLE WITH SLIP

In order to achieve precise,robust autonomous guidance and control of a tracked vehicle,a kinematic model with longitudinal and lateral slip is established,Four different nonlinear filters are used to estimate both state vector and time-varying parameter vector of the created model jointly.The first filter is the well-known extended Kalman filter.The second filter is an unscented version of the Kalman filter.The third one is a particle filter using the unscented Kalman filter to generate the importance proposal distribution.The last one is a novel and guaranteed filter that uses a linear set-membership estimator and can give an ellipsoid set in which the true state lies.The four different approaches have different complexities,behavior and advantages that are surveyed and compared.     

一种基于增广EKF的移动机器人SLAM方法

针对移动机器人同步定位与地图构建(SLAM)过程中系统测程法误差累积问题,采用测程法误差模型和车轮速度误差模型的映像关系,结合增广扩展卡尔曼滤波(AEKF)算法结构和实际机器人模型,提出了一种有效提高定位精度的SLAM方法。将机器人速度校正参数附加到卡尔曼滤波算法的向量空间中,以形成增广状态空间,同时预测和更新了SLAM初始状态空间和速度校正参数,笔者在线实时修正机器人的速度和航向角,避免积累航向角误差,从而降低了测程法误差。基于均方根误差和归一化估计方差进行了仿真实验分析,研究结果表明:与EKF-SLAM相比,所提出的方法具有更好的估计性能,使算法保持良好的一致性,大幅度提高了机器人自身定位精度和路标估计准确度。     

A derivative UKF for tightly coupled INS/GPS integrated navigation

The tightly coupled INS/GPS integration introduces nonlinearity to the measurement equation of the Kalman filter due to the use of raw GPS pseudorange measurements. The extended Kalman filter (EKF) is a typical method to address the nonlinearity by linearizing the pseudorange measurements. However, the linearization may cause large modeling error or even degraded navigation solution. To solve this problem, this paper constructs a nonlinear measurement equation by including the second-order term in the Taylor series of the pseudorange measurements. Nevertheless, when using the unscented Kalman filter (UKF) to the INS/GPS integration for navigation estimation, it causes a great amount of redundant computation in the prediction process due to the linear feature of system state equation, especially for the case with system state vector in much higher dimension than measurement vector. To overcome this drawback in computational burden, this paper further develops a derivative UKF based on the constructed nonlinear measurement equation. The derivative UKF adopts the concise form of the original Kalman filter (KF) to the prediction process and employs the unscented transformation technique to the update process. Theoretical analysis and simulation results demonstrate that the derivative UKF can achieve higher accuracy with a much smaller computational cost in comparison with the traditional UKF.