基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.     

平方根容积卡尔曼滤波在角测量跟踪中的应用

为解决扩展卡尔曼滤波算法(EKF)在处理角测量跟踪问题时对复杂非线性状态估计收敛速度慢、估计精度低的问题,引入一种平方根容积卡尔曼滤波算法(SRCKF)。SRCKF是一类sigma点滤波方法,基于容积原则的数值积分方法计算非线性随机函数的均值与协方差,避免了EKF中Jacobian矩阵的计算,有效提高了计算效率。另外,与一般容积卡尔曼滤波算法相比,SRCKF确保了状态协方差矩阵的对称性与半正定性,有效改进了数值精度和鲁棒性。将SRCKF应用于角测量跟踪系统中,仿真结果表明,SRCKF、Unscented卡尔曼滤波(UKF)滤波精度较传统EKF有较大提高,同时,与UKF相比,SRCKF能以较快的运行效率获得较好的滤波效果。     

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器（STF）的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波（SRCKF）算法。利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF 。基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF 。该算法兼具STF与自适应SR-CKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能。仿真验证了所建算法的有效性。     

基于TOA/TDOA的一致性正交容积卡尔曼跟踪算法

针对异构网络环境下目标跟踪系统中面临的非线性估计问题,提出了一种基于正交容积卡尔曼滤波的目标跟踪算法.文中算法首先引入一个附加变量来表示状态变量中的非线性项,设定自适应加权因子来调整不同信号输入系统的比重,然后利用数学手段融合两种信号为单一的状态变量,最后通过正交容积卡尔曼滤波来实现目标状态量的更新,从而实现对目标的定位与跟踪.仿真结果表明了文中算法的有效性,能够得到更高的定位与跟踪精度.     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

基于强跟踪滤波器的非线性系统参数辨识方法

提出了一种基于强跟踪滤波器(STF)的非线性系统参数辨识方法,解决了非线性系统的参数辨识问题.避免了利用扩展卡尔曼滤波器(EKF)进行状态估计时,系统趋于稳态而状态突变使得滤波器丧失跟踪能力的问题.最后通过算例比较了本方法与EKF方法.     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.     

基于高斯和均方根容积卡尔曼滤波的姿态角辅助目标跟踪算法

根据目标2维运动速度与姿态角的关系,该文提出一种姿态角辅助目标跟踪算法。在目标运动学基础上建立状态向量中包含姿态角的跟踪模型,实现姿态角对目标跟踪的辅助;针对基于模板匹配姿态角量测的噪声为非高斯情况,将均方根容积卡尔曼滤波引入到高斯和滤波框架下,提出新的高斯和均方根容积卡尔曼滤波算法,提高非线性非高斯处理能力,同时结合目标运动中姿态角的变化规律,建立姿态角分量不同的跟踪模型,通过模型切换实现机动姿态角的滤波。算法对姿态角量测进行滤波,同时实现了姿态角信息与位置信息的有效融合。仿真结果验证了该算法的有效性和正确性。     

扩展容积卡尔曼滤波-卡尔曼滤波组合算法

传统单一线性或非线性滤波方法往往难以获得最优线性/非线性混合动态系统状态估计,针对这一问题,结合卡尔曼滤波（KF）方法可获得线性状态估计最优解、计算量小等优势,提出了一种基于KF和扩展容积卡尔曼滤波（A-CKF）的组合滤波方法。该方法将系统状态分解为线性状态与非线性状态两部分,分别采用KF和简化两次扩展容积卡尔曼滤波（STA-CKF）方法进行系统状态估计。机动目标跟踪和捷联惯性导航系统非线性对准仿真结果表明,相比于Rao-Blackwellized粒子滤波方法,新方法在保证滤波精度的前提下,使得计算成本有效降低;相比于STA-CKF方法,新方法在滤波精度和滤波实时性方面均得到明显提高。     

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。