自适应抗差UKF算法在GPS/BD-2组合系统中的应用

针对非线性系统中因噪声模型不准确或测量数据中存在野值而导致无迹卡尔曼滤波（UKF）结果产生偏差甚至发散的问题,提出了一种自适应抗差无迹卡尔曼滤波（ARUKF）算法。该算法利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入自适应因子来调节增益矩阵,减弱野值对滤波的影响。将ARUKF 算法应用于GPS/BD-2组合导航系统中,仿真实验结果表明,当观测数据中存在野值时,ARUKF算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较好的鲁棒性和实时性。     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

带非线性等式约束无迹卡尔曼滤波方法

针对带非线性等式约束的非线性系统的状态估计问题,给出了一种新形式的基于无迹卡尔曼滤波及伪观测手段的处理约束的状态估计方法（SPUKF）。在该方法中原动态系统被虚拟地分离成两个并行的子系统,各时刻的状态估计由基于这两个子系统构建的两套滤波链交替得到。相对于伪观测法中的序贯形式估计器,SPUKF无需事先确定观测及约束的处理次序且能获得更好的估计结果,故可以用来解决序贯方法中观测与约束的处理次序问题。由钟摆运动的实例仿真结果看到,SPUKF不仅有好于序贯形式无迹卡尔曼滤波的估计效果,误差改善比达到22%左右,而且算法运行时间与序贯形式估计器相近。此外,其估计效果还与批处理无迹卡尔曼滤波相当。     

基于Gauss-Hermite逼近的非线性加权观测融合无迹Kalman滤波器

对非线性多传感器系统,基于Gauss-Hermite逼近方法和加权最小二乘法,提出了一种具有普适性的非线性加权观测融合算法.该算法可将一个高维观测压缩为一个低维观测.在此基础上,结合无迹Kalman滤波器（Unscented Kalman filter,UKF）,提出了非线性加权观测融合无迹Kalman滤波器（WMF（Weighted measurement fusion）-UKF）.与集中式融合UKF（CMF（Centralized measurement fusion）-UKF）相比,该算法计算负担小且具有逼近的估计精度.特别是在传感器数量较大时,该算法在计算量上的优势更加明显.仿真例子验证了算法的有效性.     

基于UKF的GPS/DR组合导航非线性状态估计

GPS／DR组合导航系统是一个非线性系统,以往采用的扩展卡尔曼滤波算法EKF使得函数的整体特性被局部特性所代替,加上噪声的存在使系统的性能进一步下降。为了获得更好的状态估计性能,用无迹卡尔曼滤波算法UKF（Unscente dKalman Filter）实现组合导航系统的非线性状态估计,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和载体的定位精度。仿真结果表明：在非线性状态估计中,UKF滤波方法优于EKF滤波方法。     

相关噪声下非线性滤波及在动力定位中的应用

针对实际系统状态估计具有互相关噪声的情况,研究了互相关噪声下非线性系统状态估计问题.首先基于贝叶斯理论推导出新的互相关噪声下的贝叶斯估计算法.然后使用三阶球面径向基(spherical-radial)规则计算贝叶斯估计中的非线性积分,当噪声互相关时,基于扩展卡尔曼滤波的思想分别计算状态矩阵和观测矩阵的Jacobi矩阵,可得互相关噪声下的容积卡尔曼滤波(cubature Kalman filtering with one-step auto-correlated and two-step crosscorrelated noise,CKF--CCN);当噪声不相关时,可得容积卡尔曼滤波(cubature Kalman filtering,CKF)及其平方根形式(SCKF).最后通过动力定位系统仿真实验,表明提出的CKF-CCN的估计精度要高于SCKF和仅考虑一步互相关的平方根容积卡尔曼滤波(SCKF-CN).     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。     

非高斯环境下基于信息熵准则的定点平滑估计算法

针对一类非高斯噪声环境下固定点平滑估计问题,设计一种使用最大相关熵准则作为最优估计标准的平滑估计算法,称之为固定点最大相关熵平滑估计(fixed-point maximum correntropy smoother,FP-MCS).首先基于矩阵变换给出最大相关熵Kalman滤波的新表达形式;然后以此为基础,引入新的状态来扩展系统,并推导出固定点最大相关熵平滑估计的在线迭代方程;进一步比较平滑前后状态估计误差协方差,从理论上分析算法的性能改进,同时比较其计算复杂度;最后通过算例验证所设计的算法在非高斯混合噪声干扰下的有效性和优越性.     

室内环境下同步定位与地图创建改进算法

提出了一种室内环境下基于平方根无迹卡尔曼滤波（SRUKF）的同步定位与地图创建（SLAM）算法． 该方法在每步迭代中采用平方根无迹粒子滤波器进行机器人状态估计,并引入平方根无迹卡尔曼滤波器定位路标, 进而完成机器人状态和相应路标信息更新．将本文算法与机器人运动模型和红外标签观测模型结合进行了仿真和实 验,结果表明,本算法在同步定位和地图创建过程中提高了机器人状态和路标估计的精度及稳定性．     

采用柯西分解降噪的目标跟踪方法

提升噪声干扰情况下的目标跟踪精度,提出了一种柯西分解改进的无迹[H∞]滤波方法。采用UT变换代替传统的泰勒级数线性近似截断处理,降低近似截断误差,提升处理非线性系统的能力;对目标状态的协方差矩阵均方根进行柯西分解,采用对角元素求解,降低了观测噪声的扰动误差对滤波估计精度的影响。仿真结果表明,所提方法明显提升了不同噪声统计特性情况下的跟踪精度和稳定性。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.     

The Effect of System Stochastic Noise on SINS Initial Alignment

捷联惯导系统初始对准系统状态方程所描述的状态统计信息,受系统随机噪声驱动,系统随机噪声通过噪声驱动阵作用于状态。常用系统状态方程的系统噪声驱动阵为单位阵。经过分析发现系统噪声驱动阵为单位阵是有条件的;通过推导给出了系统状态方程可以简化此种形式的条件;指出了在水平陀螺、加速度计随机噪声水平不同时,若使用简化系统模型会引起状态估计误差;并通过单轴旋转多位置对准仿真实验进行了验证。仿真结果表明：若水平陀螺随机噪声水平不同,采用简化模型进行初始对准会引起状态估计误差。     

一种考虑先验估计误差相关性的快速DUIF 算法

针对稀疏无线传感器网络(WSN) 中加权平均一致分布式无迹信息滤波(DUIF) 算法估计次优和滤波效率较低的问题, 提出一种考虑先验估计误差相关性的快速DUIF 算法. 采用加权统计线性回归(WSLR) 方法线性化观测模型, 以节点共享信息作为平均一致性算法输入, 从而在极大后验估计中引入先验估计交互协方差信息; 设计最优通信连接边权值并自适应修正状态加权矩阵, 提高平均一致性算法收敛速率. 仿真实验结果表明, 所提出的算法能够有效应用于稀疏WSN目标跟踪.

     

基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter, KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.     

Analysis of quantization noise and state estimation with quantized measurements

The approximate correction of the additive white noise model in quantized Kalman filter is investigated under certain conditions. The probability density function of the error of quantized measurements is analyzed theoretically and experimentally. The analysis is based on the probability theory and nonparametric density estimation technique, respectively. The approximator of probability density function of quantized measurement noise is given. The numerical results of nonparametric density estimation algorithm demonstrate that the theoretical conclusion is reasonable. Based on the analysis of quantization noise, a novel algorithm for state estimation with quantized measurements also is proposed. The algorithm is based on the least-squares estimator and unscented transform. By least-squares estimator, the effective information is extracted from the quantized measurements. Also, using the information to update the estimated state can give a better estimation under the influence of quantization. The root mean square error (RMSE) of the proposed algorithm is compared with the RMSE of the existing methods for a typical tracking scenario in wireless sensor networks systems. Simulations provide a strong evidence that this tracking algorithm could indeed give us a more precise estimated result.     

Unscented Kalman filter for continuous‐time nonlinear fractional‐order systems with process and measurement noises

This study proposes the design of unscented Kalman filter for a continuous‐time nonlinear fractional‐order system involving the process noise and the measurement noise. The nonlinear fractional‐order system is discretized to get the difference equation. According to the unscented transformation, the design method of unscented Kalman filter for a continuous‐time nonlinear fractional‐order system is provided. Compared with the extended Kalman filter, the proposed method can obtain a more accurate estimation effect. For fractional‐order systems containing non‐differentiable nonlinear functions, the method proposed in this paper is still effective. The unknown parameters are also discussed by the augmented vector method to achieve the state estimation and parameter identification. Finally, two examples are offered to verify the effectiveness of the proposed unscented Kalman filter for nonlinear fractional‐order systems.     

基于变尺度变换减少Sigma点的粒子滤波算法研究

为了减少传统无味粒子滤波(Unscented particle filter, UPF) 算法的计算负担, 提出了最小斜度单形无味转换(Minimal skew simplex UT, MSSUT) 方法, 这种方法是用最小斜度无味卡尔曼滤波来产生粒子的重要性函数. 它不仅能够扩大重要性分布与系统状态的后验概率密度的重叠性, 而且能够通过减少Sigma 点来减少计算负担. 但是, 随着状态空间维数的增加, Sigma 点集的覆盖半径增大, 导致了Sigma 点集的聚集性变差. 辅助随机变量变尺度无味变换(Auxiliary random variable formulation of the scaled unscented transformation, ASUT) 能够克服Sigma 点集分布扩展的缺点. 所以, 提出了一种高维空间中改进的变尺度最小斜度无味粒子滤波(Scaled minimal skew simplex unscented particle filter, SMSSUPF) 算法. 仿真结果表明: 在高维状态空间中, 与传统的无味粒子滤波(UPF) 相比, 计算复杂度和计算负担显著减少. 与最小斜度无味粒子滤波(Minimal skew simplex unscented particle filter, MSSUPF) 相比, SMSSUPF 减少了系统噪声方差和测量噪声方差所带来的估计误差.     

基于Kalman滤波的车位侧方距离修正方法

通常车位识别技术通过超声波传感器获取侧方障碍物位置信息来判断车位边缘,由于测量时超声波传感器与障碍物形成波束角的跳变,及其本身的固有特性会带来随机噪声,导致不能直接得到状态变量的真实精确值。通过建立合适的距离修正系统状态方程和观测方程,采用Kalman滤波算法,由 k-1 时刻的超声波传感器测量值与随机噪声获得该时刻的协方差,并与测量噪声计算获得 k 时刻的Kalman增益,再结合k 时刻的超声波传感器测量值与观测方程得到k+1时刻的距离修正值。仿真结果表明,经过150次迭代计算后的绝对误差为1.575cm,平均修正时间仅需0.028s。该方法可有效降低了随机噪声干扰,具有良好的准确性和实时性,滤波测量距离修正值更加逼近真实值。