基于九轴MEMS定位系统误差分析与补偿算法研究

基于九轴MEMS定位系统,对由陀螺仪零偏造成的位移平面偏转误差进行分析与补偿。通过实验与推导,首次给出偏差的定量分析和误差传播的数学模型。为估计偏差,设计了一种新的状态向量中仅包含陀螺仪零偏的、简化扩展卡尔曼滤波（ SEKF）技术,克服了无加速度计辅助条件下的偏差估计问题,降低了计算量,能够很好地满足位移实时估计需求。硬件实验证明：经过偏差补偿的九轴MEMS定位系统,能够准确估计有限范围内周期性运动的位移,幅值定位精确度达到90%。该系统可用于无人机、机器人定位等领域。     

改进的CKF算法及其在BDS/INS中的应用

针对标准容积卡尔曼滤波(CKF)在组合导航系统模型不确定情况下滤波精度下降甚至发散的问题,将奇异值分解(SVD)与CKF算法相结合,并引入强跟踪滤波(STF)理论,提出一种改进的强跟踪SVD-CKF算法.为提高数值计算的稳定性,采用SVD代替标准CKF中的Cholesky分解;引入STF理论框架,通过渐消因子对预测误差协方差阵进行在线修正,在系统模型不确定或系统发生大的突变时,能够提高系统的强鲁棒性.通过仿真结果验证了改进算法的有效性.     

轮式移动机器人的位置量测输出反馈轨迹跟踪控制

针对机器人的姿态角难以精确测量的困难,本文研究基于位置测量的轮式移动机器人的轨迹跟踪问题.首先提出一种利用机器人的位置信息估计其姿态角的降维状态观测器,当机器人的线速度严格大于零时,可保证姿态角观测误差的指数收敛.然后给出一种新的状态反馈轨迹跟踪控制律,当参考轨迹满足一定的激励条件时,可以保证机器人的线速度严格大于零且跟踪误差全局渐近收敛.进一步结合姿态角观测器和状态反馈控制律,得到一种输出反馈轨迹跟踪控制算法.理论分析表明,当参考轨迹满足一定的激励条件时,所提出的输出反馈控制算法可以保证跟踪误差的全局渐近收敛.最后对所提出的姿态角观测器、状态反馈和输出反馈轨迹跟踪控制算法进行了仿真验证,证实了算法的有效性,并且当存在位置测量误差时,所提出的输出反馈轨迹跟踪控制算法仍可以保证机器人对参考轨迹的实际跟踪.     

反馈线性化在液压型风力发电机组功率追踪中的应用

以液压型风力发电机组为研究对象,为使功率追踪的过程平稳,研究机组的最佳功率追踪控制方法.本文利用反馈线性化方法解决系统非线性问题,以液压系统压力为控制输出,设计最佳功率追踪控制器,并提出一种反馈线性化方法的工程应用解决方案,即结合传统PID控制解决反馈线性化工程应用中依赖模型参数精度的问题.依托30 k VA液压型风力发电机组半物理仿真实验台进行仿真和实验研究,验证了该方法的可行性,为机组进一步研究奠定理论与实验基础.     

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.     

高精度角速率参数测量方法设计

针对目前武器弹药研究领域对高旋弹角速率测量范围宽、测量精度高的需求,提出了一种基于电磁感应原理的角速率参数测量方法,并设计了相应的传感器.利用现场可编程门阵列(FPGA)作为控制核心,构建角速率频率跟踪测量模型,实现对弹体角速率参数的测量,并采用周期清零的方式消除测量过程中的累积误差.仿真试验结果表明:该测量方法能够实现大动态范围1 ～ 100 rps的角速率测量,测量误差小于0.3％,满足高旋弹大转速、高精度的测量要求,在姿态测量和空间导航等领域具有一定的工程应用价值.     

用于形状识别的目标轮廓无序点集描述与匹配

将目标形状的轮廓看成一个无序的点集,从中抽取形状特征,用于快速而有效的目标识别是形状分析任务中的挑战性问题.针对该问题,提出了一种基于复杂网络模型的形状描述和识别方法.该方法提出用一种自组织的网络动态演化模型构成一个分层的描述框架,在网络动态演化的每一个时刻,对网络分别进行局部测量和全局测量,抽取网络的无权特征和加权特征.在形状匹配阶段,用获得的局部描述子和全局描述子分别进行局部匹配（基于Hausdorff距离）和全局匹配（基于L₁距离）,组合两种匹配的距离值构成对形状的差异度度量.用标准的测试集对所提出的方法进行性能测试,实验结果表明,所提出的算法能够快速而又鲁棒地完成较高精度的形状识别任务.     

基于自然场景在线学习的跟踪注册技术

三维注册是移动增强现实的关键技术之一,提出了一种在线学习的跟踪注册方法,能够精确地对自然场景进行跟踪注册.该方法首先改进SURF（speeded up robust features）描述符匹配方法,提高初始注册矩阵的正确性;然后,通过对场景进行有效的在线学习,提高注册精度;最后,利用前一帧的注册矩阵快速恢复已丢失的关键点,以提高注册的速度.实验结果表明,该方法能够较为流畅地对视频帧进行跟踪,并能保持较好的注册精度.     

基于一阶特征模型的自适应跟踪控制方法

基于特征建模理论, 针对一类可由一阶特征模型描述的被控对象, 设计一种新的自适应跟踪控制方法. 通过参数整合, 将系统特征压缩到一个时变参数中, 进一步减少需估计的参数, 更利于工程应用. 利用李雅普诺夫方法, 分析闭环系统的稳定性. 最后, 通过数学仿真验证了所提出方法的有效性.