强跟踪延迟滤波算法及其在感应电机无速度传感器控制中的应用

在强跟踪滤波(Strong track filter, STF)算法和延迟扩展Kalman滤波(Schmidt extended Kalman filter, SEKF)算法的基础上, 提出了强跟踪延迟滤波(Strong track Schmidt filter, STSF)算法, 结合感应电机降阶模型建立了电机状态估计算法, 将其应用于感应电机无速度传感器控制系统中, 并与扩展Kalman滤波(Extended Kalman filter, EKF)、SEKF和STF三种算法的状态估计性能作比较. 仿真和实验结果表明, STSF算法在估计精度、跟踪速度、抑止噪声等方面均优于EKF算法, 并且计算复杂度显著降低, 能有效在线估计电机转速和磁链.     

基于高斯和近似的扩展切片高斯混合滤波器及其在多径估计中的应用

全球卫星导航系统(Global navigation satellite system, GNSS)信号的多径估计问题实际上是条件线性状态空间模型下的状态估计问题. 根据高斯和理论提出了适用于非高斯噪声环境的扩展切片高斯混合滤波(Extension of sliced Gaussian mixture filter, ESGMF)算法. 该算法将非高斯噪声的状态概率密度函数(Probability density function, PDF)表示为高斯和的形式,将ESGMF通过一组并行的切片高斯混合滤波器(Sliced Gaussian mixture filter, SGMF)来实现.同时, 在ESGMF算法中利用粒子滤波(Particle filter, PF)中重采样的思想对成指数增加的状态预测PDF的高斯混合个体进行约简, 以提高贝叶斯推理的效率.该算法可以获得非高斯噪声下状态PDF的迭代解析表达式. 最后, 将ESGMF应用于GPS多径参数估计, 仿真结果表明, ESGMF算法的估计精度优于基于PF和扩展卡尔曼滤波(Extended Kalman filter, EKF)的算法.     

基于平方根求积卡尔曼滤波器的弹道目标跟踪

针对再入阶段的弹道目标跟踪问题,提出运用平方根求积卡尔曼滤波器(SRQKF)估计目标的状态.所提出的算法是求积卡尔曼滤波(QKF)算法的平方根实现.该算法传播了目标状态的均值和协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性,但其计算复杂性稍有增加.仿真实验表明,所提出算法的估计精度优于QKF算法和扩展卡尔曼滤波(EKF)算法,是一种很有效的非线性滤波方法.     

鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用

针对纯角度目标跟踪中量测信息易受异常值和非高斯噪声干扰的问题,提出了一种新的非线性滤波算法–鲁棒高斯和集合卡尔曼滤波(robust Gaussian-sum ensemble Kalman filter,RGSEnKF)算法.首先,采用Huber技术重塑集合卡尔曼滤波的量测更新过程,能够有效地处理量测中的异常值.随后,将改进的集合卡尔曼滤波在高斯和框架下进行扩展,得到RGSEnKF算法,可以进一步解决受非高斯噪声干扰的非线性系统的状态估计问题.此外,新算法中包含距离参数化初始化策略和高斯分量融合策略.前者是为了减小纯角度跟踪中距离信息不可观测的影响,而后者可以避免高斯分量数目随时间不断增长.大量仿真结果验证了新算法的有效性和鲁棒性.     

基于CKF的GPS定位误差估计及故障检测

针对卡尔曼滤波(KF,Kalman filter)算法无法解决非线性系统估计的问题和扩展卡尔曼滤波(EKF,extended Kalman filter)算法在GPS卫星导航定位误差估计中存在的线性化误差大、需求解繁琐的Jacobian矩阵等问题,将较新型的卡尔曼滤波算法——容积卡尔曼滤波(CKF,cubature Kalman filter)应用于GPS定位计算,在算法精度上与KF和EKF算法进行了比较,并利用定位误差进行GPS故障卫星的检测.利用实测导航电文数据进行实验,结果表明:CKF用于导航定位估计不仅精度高,而且实现简单,无可调参数,性能明显优于KF和EKF,并可进一步用于故障检测.     

基于t-分布粒子滤波器的目标跟踪

针对贝叶斯跟踪中目标状态的预测分布和后验分布,利用序列蒙特卡洛方法,基于多变量t-分布提出了一种新的粒子滤波算法,称之为t-分布粒子滤波器．为了根据样本估计目标状态的概率分布,提出了一种新的ECME算法,并嵌入到t-分布粒子滤波器中．理论分析表明,在t-分布条件下,t-分布粒子滤波器是在样本数量上的渐近最优估计器．在机动目标跟踪实验中,比较了t-分布粒子滤波器、无色卡尔曼滤波(Unscented Kalman filter)及自助式粒子滤波器(Bootstrap particle filters)的跟踪精度．     

一种机器人未知环境下动态目标跟踪交互多模滤波算法

为了解决机器人同时定位、地图构建和目标跟踪问题,提出了一种基于交互多模滤波(interacting multiple model filter, IMM)的方法.该方法将机器人状态、目标状态和环境特征状态作为整体来构成系统状态向量并利用全关联扩展式卡尔曼滤波算法对系统状态进行估计,由此随着迭代估计的进行,系统各对象状态之间将产生足够的相关性,这种相关性能够正确反映各对象状态估计间的依赖关系,因此提高了目标跟踪的准确性.该方法进一步和传统的IMM滤波算法相结合,从而解决了目标运动模式未知性问题,IMM方法的采用使系统在完成目标追踪的同时还能对其运动模态进行估计,进而提高了该算法对于机动目标的跟踪能力.仿真实验验证了该方法对机器人和目标的运动轨迹以及目标运动模态进行估计的准确性和有效性.     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

Cubature卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF),分别应用CKF和KF估计模型中的非线性和线性状态.该算法对非线性与线性状态均进行cubature采样,并将两种样本通过线性方程和量测方程进行传播,以获得非线性状态估计.机动目标跟踪仿真结果表明,CKF-KF的估计精度比Rao-Blackwellized粒子滤波器(RBPF)略低,但算法运行时间不到其1％;与无迹卡尔曼滤波器(UKF-KF)相比,估计精度相当,但算法运行时间降低了22％,有效地提高了实时性.     

基于Sigma点Kalman滤波的车载导航系统状态估计

针对扩展卡尔曼滤波(EKF)在车载组合导航系统状态估计问题中的缺陷,本文介绍了一种新的方法——Sigma点卡尔曼滤波(SPKF)用于车载组合导航系统的非线性状态估计。其思想是基于非线性函数的加权统计线形化,SPKF滤波算法能够给出随机变量非线性变换以后更精确的均值和协方差的估计,从而带来更高的精度。最后通过GPS/DR组合导航模型时间序列的状态估计仿真实例说明:同EKF相比,SPKF的滤波精度和稳定性都显著提高了,还可避免计算烦琐的Jacobi矩阵,是一种良好的非线形滤波方法。     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

Fuzzy filter for state estimation of a glucoregulatory system

A filter based on fuzzy logic for state estimation of a glucoregulatory system is presented. A published non-linear model for the dynamics of glucose and its hormonal control including a single glucose compartment, five insulin compartments and a glucagon compartment was used for simulation. The simulated data were corrupted by an additive white noise with zero mean and a coefficient of variation (CV) of between 2 and 20% and then submitted to the state estimation procedure using a fuzzy filter (FF). The performance of the FF was compared with an extended Kalman filter (EKF) for state estimation. Both the FF and the EKF were evaluated in the following cases: (a) five state variables are measurable; three plasma variables are measurable; only plasma glucose is measurable; (b) for different measurement noise levels (CV of 2–20%); and (c) a mismatch between the glucoregulatory system and the given mathematical model (uncertain or approximate model). In contrast to the FF, in the case of approximate model of the glucose system, the EKF failed to achieve useful state estimation. Moreover, the performance of the FF was independent of the noise level. In conclusion, the FF approach is a viable alternative for state estimation in a noisy environment and with an uncertain mathematical model of the glucoregulatory system.     

不确定性直接转矩控制系统

在异步电动机直接转矩控制系统中,由于定子电阻变化及负载扰动的不确定性,导致定子磁链、转子转速和电磁转矩估计不准确,从而影响系统的调速性能.本文基于扩展Kalman 滤波器,引进虚拟噪声补偿技术,然后采用sage 和Husa 噪声统计估值器,构成鲁棒扩展Kalman 滤波器.并将定子电流,定子磁链,转子转速,定子电阻及负载作为状态变量,基于鲁棒扩展Kalman 滤波器进行了大量实验研究.实验结果证实：状态变量能够准确估计,且转矩脉动优于常规的直接转矩控制方案,实现了高性能无速度传感器的直接转矩控制系统.     

基于误差状态卡尔曼滤波估计的旋翼无人机输入饱和控制

针对GPS（global positioning system）信号缺失环境下无人机自主飞行控制问题,设计了一种基于视觉与IMU（inertial measurement unit）融合的误差状态卡尔曼滤波（ESKF）框架,并在此基础上提出了一种新的输入饱和控制方法以进一步缓解视野约束以及运动模糊问题．不同于传统的扩展卡尔曼滤波（EKF）框架,本文设计的滤波框架是对误差状态进行更新与校正,而不是直接对系统状态进行估计．由于误差状态是小量,并且其线性程度较高,因此相对于系统状态局部线性化而言,误差状态的局部线性化的模型误差更小,进而可以提高状态估计的精度．基于ESKF框架得到的全状态估计,本文提出了一种新的线性与双曲正切混合的饱和函数,进而设计了输入饱和控制器并通过李亚普诺夫函数证明了闭环系统平衡点的渐近稳定性．最后,在旋翼无人机平台上的对比实验结果表明：本文ESKF方法得到的状态估计精度更高．另外,本文所提出的输入饱和控制方法有助于保证视觉特征在视野之内,并且比有界积分控制方法有更好的暂态以及稳态性能．     

Robust unscented Kalman filter with adaptation of process and measurement noise covariances

Unscented Kalman filter (UKF) has been extensively used for state estimation of nonlinear stochastic systems, which suffers from performance degradation and even divergence when the noise distribution used in the UKF and the truth in a real system are mismatched. For state estimation of nonlinear stochastic systems with non-Gaussian measurement noise, the Masreliez–Martin extended Kalman filter (EKF) gives better state estimates in relation to the standard EKF. However, the process noise and the measurement noise covariance matrices should be known, which is impractical in applications. This paper presents a robust Masreliez–Martin UKF which can provide reliable state estimates in the presence of both unknown process noise and measurement noise covariance matrices. Two numerical examples involving relative navigation of spacecrafts demonstrate that the proposed filter can provide improved state estimation performance over existing robust filtering approaches. Vision-aided robot arm tracking experiments are also provided to show the effectiveness of the proposed approach.     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

Relating Torque and Slip in an Odometric Model for an Autonomous Agricultural Vehicle

This paper describes a method of considering the slip that is experienced by the wheels of an agricultural autonomous guided vehicle such that the accuracy of dead-reckoning navigation may be improved. Traction models for off-road locomotion are reviewed. Using experimental data from an agricultural AGV, a simplified form suitable for vehicle navigation is derived. This simplified model relates measurements of the torques applied to the wheels with wheel slip, and is used as the basis of an observation model for odometric sensor data in the vehicle's extended Kalman filter (EKF) navigation system. The slip model parameters are included as states in the vehicle EKF so that the vehicle may adapt to changing surface properties. Results using real field data and a simulation of the vehicle EKF show that positional accuracy can be increased by a slip-aware odometric model, and that when used as part of a multi-sensor navigation system, the consistency of the EKF state estimator is improved.