基于简化CKF/降维CKF混合滤波的非线性对准技术研究?

为了降低非线性对准的计算量而不损失对准精度,针对容积卡尔曼滤波( CKF)采样点数与状态维数成正比、计算量较大的问题,提出了基于简化CKF/降维CKF混合滤波的非线性对准方法。利用大失准角模型和基于线性观测方程的简化CKF算法进行水平对准;使用大方位失准角模型和降维CKF完成精对准。仿真结果表明,该方法摆脱了CKF算法的“维数灾难”和降维CKF对准应用条件限制,能够完成任意失准角下的初始对准并获得较高对准精度,具有重要的工程应用价值。     

Composite embedded cubature Kalman filter

The embedded cubature Kalman filter (ECKF) is proven as a kind of algorithm that has higher precision than cubature Kalman filter. Based on the ECKF, a new algorithm, named composite ECKF (CECKF), is presented in this paper. The new CECKF can increase filter precision by means of reusing the embedded cubature rule in the process of numerical approximation, which can realize higher precision than ECKF in theory. At the same time, another new algorithm, named adaptive CECKF, is also put forward by introducing an adaptive method based on CECKF. Through the comparison of simulation, the proposed methods are able to enhance filter precision.     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

基于PMSM五阶CKF无传感器控制的EPS仿真研究

针对PMSM转子位置和转速估计精度不足的问题,提出了一种基于五阶CKF算法的PMSM无传感器控制方法,并将其应用于EPS系统的助力控制中。首先,建立了基于PMSM的EPS系统离散数学模型;其次,介绍了基于五阶球面-容积方法,推导了五阶CKF算法,并基于五阶CKF算法实现了对PMSM转子位置和转速的精确估计;最后,将基于五阶CKF算法的PMSM无传感器控制应用于EPS系统之中,构建了基于五阶CKF算法的PMSM无传感器控制的EPS助力控制系统。通过Carsim/Simulink联合仿真,对提出的控制算法进行了验证,结果表明该算法能够改善EPS系统的助力控制效果。     

WSNs环境下基于高斯混合容积卡尔曼滤波的移动机器人定位算法

针对移动机器人的定位问题,提出一种面向无线传感器网络WSNs( Wireless Sensor Networks)环境下,结合高斯混合容积卡尔曼滤波( GM￣CKF)优化的定位算法。将WSNs对移动机器人的观测、机器人自身对环境特征的观测以及机器人自身运动控制量进行数据融合,并利用带有门限判别和选择性高斯分割的GM￣CKF算法,对机器人的预估位置实施预测修正,降低计算求解的空间维数,提高定位精度。仿真实验结果表明,所提出的方法比传统机器人自定位法定位精度有所提高,算法精度较标准的CKF算法提高了39.11％,比EKF算法提高了65.81％。     

一种改进的高精度组合导航滤波算法仿真

在INS/GPS组合导航系统的研究中,为了解决非线性滤波算法在系统模型不确定情况下出现的滤波精度低、鲁棒性差的问题,提出了一种将强跟踪滤波算法与容积卡尔曼滤波算法(CKF)相结合的组合导航滤波算法(SMFCKF).SMCKF算法将强跟踪滤波算法中的多重次优渐消因子引入到CKF算法的状态预测协方差矩阵中,对不同的状态通道进行相应的渐消.通过建立INS/GPS组合导航系统的非线性模型,对改进的滤波算法进行仿真,结果表明改进的滤波算法提高了滤波精度和鲁棒性,滤波效果优于CKF算法,适合应用于INS/GPS组合导航系统中,为飞行器组合导航优化提供了参考.     

改进型CKF算法及其在GNSS/INS中的应用

针对容积卡尔曼滤波算法(CKF)在高阶非线性系统应用中,局部容积点采样不准确及系统状态突变导致滤波精度降低甚至发散的问题,提出一种改进型CKF(TSCKF)算法.采用新的容积点采样规则提高非线性函数映射准确性,进而提高滤波精度;引入强跟踪滤波(STF)的渐消因子,提升算法在状态突变时的鲁棒性.将此算法应用于GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合导航系统中,仿真结果表明,该算法能够显著提高导航精度,鲁棒性强,在状态突变情况下依然可以满足导航精度要求.     

基于采样点正交变换的改进CKF算法

针对传统CKF算法在解决高维问题时因非局部采样造成的滤波性能下降问题,基于设计的正交矩阵提出了一种改进的CKF算法。采用多元Taylor级数展开,揭示了CKF虽能解决UKF的数值不稳定性问题,但同时也引入了非局部采样问题这一事实;进一步设计出一种正交变换矩阵,用于对CKF算法中的采样点进行变换,并从理论上证明了提出的改进CKF算法相对于CKF在高维、强非线性等非局部采样问题突出的应用场合具有更高的估计精度。仿真结果验证了算法的有效性。     

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.     

基于环形核的旋转不变性特征提取方法

针对人脸在XOZ平面内旋转,即在图像所在平面内人脸产生的旋转,因特征值变化大导致人脸识别率降低的问题,提出了一种新颖的基于环形核的旋转不变性特征(Circular Kernel Feature,CKF)提取方法.所提算法有两个创新点,第一点是给出了环形核的建立方式,定位人脸上明显的特征部分.第二点是提供了特征的旋转不变计算方式.首先建立环形核,定位人脸上明显特征的坐标区域;然后,用旋转不变的计算方式获取定位区域的特征值.在Georgia Tech人脸数据库上的实验证明:人脸旋转前后CKF的值相较Gabor,LBP等特征值的变化小了98％.