用固定单信标修正水下机器人导航误差

针对固定单信标情况下水下机器人纯距离导航非线性系统的能观性和稳定性,给出了理论分析和证明.在导航系统稳定性分析基础上,提出一种保证滤波器渐近稳定的新方法,并提出固定单信标情况下的保证导航系统能观的机器人机动方案和路径.最后,仿真实验结果表明了该方法的有效性.     

飞行器姿态大角度机动联合控制物理仿真技术研究

针对空间飞行器姿态大角度机动控制要求较高的指向精度和姿态稳定度及快速机动等特点,对飞行器的联合姿态控制方法进行了物理仿真研究;采用了相平面法+PD的组合姿态控制算法,设计了组合姿态控制器;系统采用DSP作为星载计算机,光纤陀螺作为姿态敏感器、喷气系统和反作用飞轮作为执行机构,系统程序采用C语言编程,利用飞行器姿态控制单轴气浮实验台实现了物理仿真;实验结果与单独执行机构控制的实验结果进行了比较,联合控制具有机动控制精度高及快速机动等特点.     

刚体目标大机动飞行的仿真研究

分析典型航迹的特征规律,根据多段航迹组合生成航迹的思想,运用3种基本的目标状态方程模拟刚体目标大机动飞行的三维航迹。针对模型切换时的航迹平滑问题,提出基于最小二乘拟合的航迹仿真方法,以准确描述刚体目标的运动规律。修正基于航迹的刚体目标姿态角计算方法,避免模型切换时的姿态角振荡现象,便于相关应用的实现。     

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度（GM—PHD）跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性．但当多个目标发生机动时,其稳定性较差,容易丢失目标．针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法．算法在GM—PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度（PHD）表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的．仿真实验表明,和传统的GM—PHD跟踪器相比．新算法能以更高的稳定性跟踪多个机动目标．     

基于改进“当前”统计模型的非线性机动目标跟踪算法

＂当前＂统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计（CS）模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对＂当前＂统计模型的改进;同时,采用UKF（unscented Kalman filter）对非线性目标进行跟踪滤波,构造出基于改进＂当前＂统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的＂当前＂统计模型不仅保留了＂当前＂统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.     

反舰导弹实时脱靶量计算方法

为提高海上靶场试验反舰导弹实时脱靶量计算精度,为任务快速决策提供可靠依据,在充分分析弹、靶运动特性的基础上,以多卫星接收机联测为研制背景,提出了一种基于靶位坐标系的弹靶联解实时脱靶量计算方法,并给出了详细的工程实现方法和程序设计流程图.经数据仿真评估和实测过靶数据检测,该方法不但更利于考核导弹脱靶量指标、评估导弹过靶时刻攻击角度等信息,而且与传统的发射坐标系求解方法相比具有更高的脱靶量解算精度.     

基于扩展卡尔曼滤波器的AUV导航定位数据融合

导航定位是AUV(自主式水下潜器)自动化受限的关键技术.GPS等单独的定位方式又存在缺陷.故采用低成本罗经-DVL-GPS组合导航定位.因为导航定位观测的非线性关系,设计了基于扩展卡尔曼滤波器的导航定位数据融合算法.针对扩展卡尔曼滤波器存在的滤波发散现象,引入机动目标模型抑制滤波发散,研究并仿真了AUV的两种运动方式,实现了覆盖四个象限运动的导航定位仿真,结果表明算法能有效进行数据融合,提高状态估计精确度.     

势平衡多目标多伯努利滤波器高斯混合实现的收敛性分析

研究了势平衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器高斯混合(Gaussian mixture,GM)实现的收敛性问题.证明在线性高斯条件下,若GM-CBMeMBer滤波器的高斯项足够多,则它一致收敛于真实的CBMeMBer滤波器.并且证明在弱非线性条件下,GM-CBMeMBer滤波器的扩展卡尔曼(extended Kalman,EK)滤波近似实现—EK-GM-CBMeMBer滤波器,若每个高斯项的协方差足够小,也一致收敛于真实的CBMeMBer滤波器,本文的研究目的是从理论上给出CBMeMBer滤波器GM实现的收敛结果,以完善CBMeMBer滤波器对多目标跟踪的理论研究.     

深度学习辅助的多行人跟踪算法

目的 目标的长距离跟踪一直是视频监控中最具挑战性的任务之一。现有的目标跟踪方法在存在遮挡、目标消失再出现等情况下往往会丢失目标,无法进行持续有效的跟踪。一方面目标消失后再次出现时,将其作为新的目标进行跟踪的做法显然不符合实际需求;另一方面,在跟踪过程中当相似的目标出现时,也很容易误导跟踪器把该相似对象当成跟踪目标,从而导致跟踪失败。为此,提出一种基于目标识别辅助的跟踪算法来解决这个问题。方法 将跟踪问题转化为寻找帧间检测到的目标之间对应关系问题,从而在目标消失再现后,采用深度学习网络实现有效的轨迹恢复,改善长距离跟踪效果,并在一定程度上避免相似目标的干扰。结果 通过在标准数据集上与同类算法进行对比实验,本文算法在目标受到遮挡、交叉运动、消失再现的情况下能够有效地恢复其跟踪轨迹,改善跟踪效果,从而可以对多个目标进行持续有效的跟踪。结论 本文创新性地提出了一种结合基于深度学习的目标识别辅助的跟踪算法,实验结果证明了该方法对遮挡重现后的目标能够有效的恢复跟踪轨迹,适用在监控视频中对多个目标进行持续跟踪。