一种改进的粒子滤波算法及其性能分析

针对非线性、非高斯系统状态的在线估计问题,提出了一种改进的粒子滤波算法。该算法采用Unscented卡尔曼滤波器（UKF）产生系统的状态估计,并在量测更新过程中加入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,较好地抑制了粒子退化问题。理论分析和实验表明：引入记忆衰减因子的粒子滤波,即衰减记忆无味粒子滤波（MAUPF）的性能明显优于标准的粒子滤波以及Unscented粒子滤波。     

高转弯频率下机动目标跟踪算法研究

UKF_IMM算法对任何非线性高斯系统都有较好的跟踪性能,但在用于强非线性、非高斯系统时将产生极大的误差。PF_IMM算法适用于任何非线性非高斯系统,但它因计算量很大而导致实时性太差。在现有的基于PF或UKF的IMM滤波算法中,PF或UKF通常被用于每一个模型,基于此,提出了IUS_IMM算法,即在转弯模型中使用标准粒子滤波器（SPF）,在其他模型中用UKF滤波器,仿真结果表明,对于转弯频率高的机动目标,IUS_IMM的性能要好于UKF_IMM算法。     

状态估计中的采样型滤波器

基于采样方法的滤波器在现代非线性滤波领域内得到了广泛应用。其共同特点是利用抽样粒子点模拟系统状态的概率分布,从而不受状态先验分布假设(如高斯假设)的约束,拥有更高的滤波精度和更广的应用范围。论文在抽样意义下重新论述了确定性采样滤波器如高斯和型滤波器和UKF,以及基于随机模拟的粒子滤波器,并对这三种滤波器及其衍生方法在状态估计领域(滤波)的应用进行了精度和计算负荷分析。某Benchmark信号处理算例验证了该类方法的估计精度和扩展能力。给出基于实际系统需求一般性评价和选用原则。     

EM-GMPF:一种基于EM的混合高斯粒子滤波器算法

粒子滤波器算法是一种基于贝叶斯推理和蒙特卡罗方法的非线性、非高斯动态系统的实时推理算法．因其具有灵活、易于实现、并行化等特点,成为统计学、信号处理、人工智能等领域新的研究热点,并被广泛地应用于目标跟踪等领域中．粒子滤波器算法中存在的主要问题是再取样步骤带来的粒子枯竭,从粒子滤波器的表示方法角度出发,提出了一种基于EM的混合高斯粒子滤波器算法,仿真数据和可视化跟踪实验表明,与传统的粒子滤波器算法和基于单高斯模型的粒子滤波器算法相比,该方法在降低对粒子数目需求的同时显著提高了粒子滤波器的估计性能．     

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题,提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型,用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性,结合被动跟踪模型,利用非线性粒子滤波方法,对IMM算法进行了改进,提高了对IMM混和密度的近似程度,通过被动跟踪仿真实例,同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,与IMM-EKF相比,IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

分布式并行粒子滤波算法结构分析与研究

粒子滤波器是解决非线性/非高斯系统状态估计的有效技术,广泛应用于目标跟踪、无线通信.自动控制等领域.但因其计算复杂、计算量庞大等缺陷,无法满足实时系统的应用需求.针对粒子滤波器计算量大、实时性差的问题,提出了一种基于MPI的分布式并行粒子滤波算法,给出了Master-Slave并行模式下任务分配、数据划分与负载平衡策略.实验结果表明,若忽略通信代价,加速比基本呈线性增长.     

一种改进的人工鱼群粒子滤波算法

粒子滤波(Particle Filter,PF)相对于其他滤波算法在处理非线性非高斯类型的系统中具有明显的优势,但是标准粒子滤波本身并不完美,因此提出了一种改进的人工鱼群算法去优化粒子滤波算法。先改进人工鱼群算法中鱼群移动的步长,再将人工鱼群算法的觅食行为和聚群行为引入粒子滤波,使其驱动粒子向高似然区域移动,进而改善粒子分布,有利于解决粒子退化和粒子贫化的问题。最后,将改进的人工鱼群粒子滤波算法与粒子滤波法以及扩展卡尔曼滤波器(Extended Kalman Filter,EKF)算法进行仿真实验对比,结果表明改进的人工鱼群粒子滤波算法在各方面均优于其他两种算法。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

几种滤波器跟踪性能的比较

现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果.在这种情况下,非线性目标跟踪已被人们广泛重视.扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)进行Taylor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下.不敏卡尔曼滤波(UKF)是先对状态向量的后验概率密度函数(PDF)进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波.粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法.这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间.它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用.论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器.     

异步时钟下基于信息物理融合的水下潜器协同定位算法

在异步时钟下研究了一种基于信息物理融合的水下潜器协同定位问题.首先，构建了由浮标、传感器和潜器组成的水下信息物理融合系统架构.然后，考虑水下异步时钟影响，设计了基于传感器与潜器交互通信的异步定位策略，给出了潜器协同定位问题.为求解上述协同定位问题，分别提出了基于扩展卡尔曼滤波（Extended Kalman filter，EKF）与无迹卡尔曼滤波（Unscented Kalman filter，UKF）的水下潜器协同定位算法.最后，对上述定位算法的有界性以及克拉美罗下界（Cramér-Rao lower bound，CRLB）进行了分析.仿真结果表明，上述算法可有效消除异步时钟对水下定位的影响.同时基于无迹卡尔曼滤波的定位算法可提高定位精度.     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

霍夫空间中多足球机器人协作目标定位算法

针对嵌入式仿人足球机器人提出一种霍夫空间中的多机器人协作目标定位算法。机器人利用实验场地中的标志物采用基于三角几何定位方法进行自定位,把机器人多连杆模型进行简化,通过坐标系位姿变换把图像坐标系转换到世界坐标系中,实现机器人目标定位;在多机器人之间建立ZigBee无线传感器网络进行通信,把多个机器人定位的坐标点进行霍夫变换,在霍夫空间中进行最小二乘法线性拟合,获取最优参数,然后融合改进后的粒子滤波实现对目标小球的跟踪;最后在21自由度的仿人足球机器人上进行仿真和实验。数据结果表明,这种多机器人协作的定位算法的精度提高了约48%,在满足实时性的前提下,对目标的跟踪效果也得到了改善。     

基于粒子滤波的AUV组合导航方法

讨论了粒子滤波器和RB(Rao-Blackwellised)粒子滤波器两种滤波方法在组合导航中的应用,给出了组合导航算法用于自治水下航行器(AUV)的具体数学模型,并且与拓展卡尔曼滤波器的导航结果进行比较.利用AUV湖上试验验证了3种算法的导航性能,试验结果表明RBPF组合导航算法能够获得最好的导航精度;然而通过对算法进行分析,发现其计算复杂度高于其余两种滤波算法.     

Cooperative localization method for multi-robot based on PF-EKF

A method of cooperative localization for multi-robot in an unknown environment is described. They share information and perform localization by using relative observations and necessary communication. At initial time, robots do not know their positions. Once the robot that can obtain the absolute position information has its position, other robots use particle filter to fuse relative observations and maintain a set of samples respectively representing their positions. When the particles are close to s Gsussian distribution after a number of steps, we switch to an EKF to track the pose of the robots. Simulation results and real experiment show that PF-EKF method combines the robustness of PF and the efficiency of EKF. Robots can share the absolute position information and effectively localize themselves in an unknown environment.     

改进型粒子滤波算法在多站纯方位被动跟踪中的应用

针对多站纯方位被动定位与跟踪问题,给出了一种基于均匀重采样和带白适应因子的改进型粒子滤波算法．首先,基于无迹卡尔曼（UKF）粒子滤波器,将参考分布融入最新观测信息,得到符合真实状态的后验概率分布：借助重采样和使用鲁棒估计,改善了粒子滤波的退化问题．其次,引入自适应因子以调整UKF的状态模型协方差与观测模型协方差的比例,得到较高精度的概率分布．仿真结果表明,改进的粒子滤波算法能够实现多站纯方位被动跟踪,比传统非线性滤波器有更高的跟踪精度．     

基于扩展卡尔曼粒子滤波算法的神经网络训练

神经网络的训练是一种非线性系统的辨识问题,基本粒子滤波算法已被成功用于训练神经网络,但基本粒子滤波算法在建议分布的选择上并没有考虑当前时刻观测值的影响,本文针对该问题提出使用扩展卡尔曼滤波器来生成建议分布。由于扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布。实验结果证明,使用扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法。     

一种基于非线性滤波的倒立摆控制方法研究

对于倒立摆这样的强非线性系统,采用传统的BP算法存在着收敛速度慢、易陷入局部极小值的缺陷,而采用卡尔曼滤波方法则会带来很大的模型误差。为了解决上述问题,提出了基于粒子滤波优化神经网络的方法。首先建立了倒立摆神经网络控制器的物理模型并将模型粒子化,而后用粒子滤波算法对粒子进行优化估计,将估计结果作为网络的权值应用到倒立摆控制中,采用离线训练方式,仿真比较了卡尔曼滤波和粒子滤波两种方法控制效果,结果表明,新算法较卡尔曼滤波方法在控制性能上有明显提高。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

基于SSPF算法的移动机器人全局定位研究

传统粒子滤波器(PF)算法在移动机器人全局定位时会出现粒子退化和粒子耗尽问题,导致定位失败。提出了一种改进的PF算法即智能采样PF(SSPF)算法,该方法采用Unscented卡尔曼滤波器(UKF)算法和基于相关熵的自适应重采样算法相结合的方法,较好解决了传统PF算法所引起的粒子退化问题。由于重采样的一种极端情况会带来粒子耗尽问题,采用MH(metropolis hastings)算法,较好地解决了粒子耗尽问题。与以往方法相比,该方法可以实现准确性较高的移动机器人全局定位。