基于短期规划的AUV纯方位目标追踪策略

对自主水下机器人(AUV)追踪海洋生物的问题进行研究,由于被追踪目标的机动能力远优于追踪者,待目标运动要素的估计值收敛之后再规划追踪的路径可能错过接近目标的时机.针对这个问题,借鉴博弈的思想提出了一种基于短期规划的目标追踪算法.该方法首先构建AUV在短期内所有可行的行为集合,然后对每一个行为能够达到的状态进行态势评估,最后选择使AUV处于最有利的追踪态势的行为作为规划的结果.为了检验该方法,开展了2组仿真实验:第1组实验显示本文方法的追踪成功率比传统方法提高了5.2%,第2组实验表明即使在较大的测量误差下AUV依然可以有效地追踪到目标.仿真结果表明该方法提高了AUV追踪到目标的成功率,并且具有较好的鲁棒性.     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

纯方位目标跟踪中的观测器机动优化研究

针对研究单站纯方位目标运动分析中定位与跟踪精度问题,因机动航路对定位精度有很大影响,所以在目标定位跟踪精度下限CRLB,提出用精度几何散布GDOP作为优化性能指标,采用数值寻优计算的方法,进行数值计算,分析了观测器航路对固定目标定位精度的影响效果,并且给出了匀速直线运动航路和恒提前角匀速运动航路对目标定位精度影响的仿真计算结果,表明航路对定位精度有很大影响,可以通过优化观测器航路来提高系统可观测程度和改善定位与跟踪算法的性能。     

纯方位目标定位观测器轨迹的 快速优化算法

在移动传感器网络中,观测器与目标的相对位置对目标的定位性能有重要的影响.为了提高目标的定位精度,提出了一种观测器运动轨迹的优化算法.算法把目标均方位置误差作为优化对象,使用扩展卡尔曼滤波器估计目标的位置.算法以目标和观测器的方位分布关系为基础,减小了观测器最优位置的搜索范围.仿真结果表明,使用多个观测器进行目标定位,滤波收敛速度快,定位误差小.最后给出了单个和多个观测器的"最优"运动规则.     

基于距离参数的混合坐标系下UKF纯方位单站目标跟踪算法

针对纯方位单站目标跟踪问题,本文提出了一种基于距离参数的混合坐标系下UKF算法.该算法通过将UKF运用于混合坐标系中,不仅计算简单、精度高、稳定性好,还方便了引入过程噪声,较传统修改极坐标方法提高了运动模型的普适性.另外,通过距离参数化技术,该算法有效避免了纯方位单站定位易受滤波器初始值影响的问题.最后,本文大量的数值仿真结果也进一步验证了该算法的有效性和可行性.     

基于命令滤波反步的AUV轨迹跟踪控制

针对具有未建模动态及未知扰动的自主水下机器人(AUV)轨迹跟踪问题,考虑执行器饱和状况,提出了一种新型的命令滤波反步控制策略。首先,利用命令滤波器处理系统未建模动态及未知扰动,并基于反步法设计系统虚拟控制律,有效降低了控制策略的复杂度;然后基于李雅普诺夫(Lyapunov)稳定性理论,证明了闭环控制系统的稳定性;最后,利用仿真验证了所提控制策略的跟踪性能。仿真结果表明本文所提控制策略在模型参数不确定性的情况下,仍能实现对目标轨迹的有效跟踪。     

基于递归工具变量卡尔曼滤波算法的纯方位水下目标跟踪

基于纯方位信息的水下目标跟踪中常用的伪线性卡尔曼滤波算法偏差较大、跟踪精度差,结合偏差补偿算法提出一种用于纯方位水下目标跟踪的递归工具变量卡尔曼滤波算法,并将过程噪声协方差的不确定性考虑在内.针对伪线性卡尔曼滤波算法的偏差问题,采用递归工具变量算法的工具变量矩阵来消除量测矩阵与伪线性噪声间的关联性,从而消除偏差.仿真结果表明,所提出的递归工具变量卡尔曼滤波算法在水下方位角噪声较大时也能保持稳定性和跟踪精度.     

纯方位目标跟踪的ST-MEF-PDAF方法研究

传统的最大熵模糊概率数据关联滤波器(MEF-PDAF)算法用于水下杂波环境下单站纯方位目标跟踪存在对系统模型变化鲁棒性差、跟踪机动目标能力低的问题;为了解决这些问题,对MEF-PDAF算法进行了改进,提出了强跟踪MEF-PDAF(STMEF-PDAF)算法;与强跟踪滤波器(STF)算法类似,ST-MEF-PDAF算法通过引入渐消因子来实时调节增益矩阵,提高了算法的鲁棒性;进行了水下杂波环境下单观测站纯方位目标跟踪的仿真实验,ST-MEF-PDAF能够在500秒以内跟踪机动目标,而传统的MEF-PDAF算法不能,即ST-MEF-PDAF算法跟踪机动目标的能力高于传统的MEF-PDAF算法。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

不完全量测下的水下纯方位系统目标跟踪算法

针对观测器探测概率小于1的不完全量测情况下的水下纯方位系统的目标跟踪问题,提出了不完全量测下的基于扩展卡尔曼滤波的目标跟踪算法。首先,建立不完全量测情况下的水下纯方位目标跟踪数学模型;其次,在数据出现不完全量测时,采用前一次的更新值对缺失数据进行弥补并完成滤波;最后,采用最优理论性能下界(CRLB)和均方根误差(RMSE)这两种评价准则对此算法进行评估。仿真实验结果表明:在不完全量测下的水下纯方位系统的目标跟踪问题中,所提出的基于扩展卡尔曼滤波的目标跟踪算法在保证预期跟踪精度的前提下,具有较高的实时性。     

基于距离参数化的混合坐标系下平方根容积卡尔曼滤波纯方位目标跟踪

针对纯方位单站目标跟踪中观测方程非线性且易受滤波初值影响的问题,提出了一种距离参数化混合坐标系下的平方根容积卡尔曼滤波(SRCKF)算法.该滤波算法首先将平方根容积卡尔曼滤波算法应用于混合坐标系,比直角坐标系下的平方根容积卡尔曼滤波算法能得到更好的跟踪效果;接着将距离参数化思想和混合坐标系下的平方根容积卡尔曼滤波算法结合,消除了距离信息不可测对跟踪效果的影响.仿真结果表明,该滤波算法虽略微提升了计算复杂度,但其鲁棒性和滤波精度均有大幅度的提高.     

纯方位目标跟踪航迹起始的混合方法

提出一种基于模糊蚂蚁聚类的逻辑航迹起始混合方法,将来自不同传感器的前两次扫描所产生的位置点进行聚类,提取出最有可能源自真实目标的候选点,并将这些候选点作为航迹头,然后运用逻辑法进行航迹起始。仿真实验中,与不同方法的性能比较结果表明了该方法的有效性。     

SUT-H_∞滤波在纯方位跟踪中的应用

目前纯方位目标跟踪的滤波算法主要是UKF与EKF,它们都是最小均方差估计方法,其缺点是鲁棒性能差,易受观测噪声和目标不可观测的影响。为此提出了一种纯方位目标跟踪的鲁棒滤波算法。H∞滤波算法的准则是使由于最大的扰动引起的估计误差最小,因此其鲁棒性能好。由于修正坐标系纯方位跟踪的状态方程的非线性,采用了SUT(Scaled Unscented Transformation)线性化状态方程。通过把SUT和线性H∞滤波相结合,引出了SUT-H∞滤波算法。通过和UKF滤波算法对比,SUT-H∞滤波算法体现出了其良好的鲁棒性和稳定性。     

伪线性卡尔曼滤波在目标被动跟踪中的应用

在对目标进行纯方位跟踪时,伪线性卡尔曼滤波算法是一种有效的跟踪滤波方法,该方法可以很好地对目标运动状态进行估计。通过仿真证明了该方法降低了对模型精度的要求,具有较好的稳定性。     

基于IMMBPF的纯方位区间量测机动目标跟踪

针对纯方位区间量测下机动目标跟踪问题,提出了一种交互式多模型箱粒子滤波(IMMBPF)算法。该算法通过交互式多模型算法估计每个箱粒子的状态,利用多传感器交叉定位构建用于非线性测角区间分析的包含函数。在滤波更新阶段,引入二次压缩算法,使得更新的箱粒子具有更大的新息区间和存活概率,从而达到提高箱粒子多样性和目标状态估计性能的目的。利用等效浮点运算测度,从理论上推导分析了算法的复杂度。通过仿真实验对比了IMMBPF、交互式多模型粒子滤波(IMMPF)和匀速运动模型箱粒子滤波(CV-BPF)三种算法的目标跟踪性能,仿真结果证明了所提算法的有效性。     

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．     

基于蚂蚁规则库的纯方位目标跟踪的航迹起始

针对纯方位多目标航迹起始中的NP-hard难题,提出一种基于蚂蚁规则库的航迹起始方法.首先,利用蚁群优化算法获取分类规则并形成规则库;然后,利用规则库将来自不同传感器的扫描量测所产生的候选点进行分类,提取出最有可能源自真实目标的候选点,并将这些候选点运用逻辑法进行航迹起始;最后,仿真实验和不同方法的性能比较结果表明了该方法的有效性.     

变周期RP-EKF时延纯方位角目标跟踪算法

针对声传感器纯方位目标跟踪应用,提出了一种基于静态多模型的距离参数化变周期扩展卡尔曼滤波算法,将时延影响转换为模型的可变周期,并通过参数在线估计的方法,估计该可变周期.距离参数化方法将整个距离空间分成若干个区间,分区间对距离进行估计,进而搜索出目标与观测平台之间的正确距离值.仿真结果表明变周期距离参数化扩展卡尔曼滤波算法能有效解决经典扩展卡尔曼滤波算法在纯方位角目标跟踪时可能出现的滤波发散现象,并能处理声音信号的传输时间延迟问题.     

基于高增益观测器的AUV水平面轨迹跟踪控制

通过研究欠驱动自治水下机器人（AUV）在水平面的运动规律,针对欠驱动AUV水平面轨迹跟踪控制中的非完整约束、模型中的耦合性和非线性、海流干扰、跟踪精度问题进行了深入的研究,运用高增益观测器结合反步控制方法对欠驱动AUV轨迹跟踪进行有效控制。定义了AUV的地面坐标系和船体坐标系,并完成了地面坐标系向船体坐标系的转换,建立了欠驱动AUV的水平面运动学模型和动力学模型。为欠驱动AUV所提出的高增益观测器结合反步控制方案,在保证跟踪系统稳定性的前提下,可以有效地提高跟踪精度,能够消除外界干扰对控制效果的影响,并使得控制输入满足实际工程的应用约束条件。控制方法的稳定性均采用Lyapunov稳定性理论加以证明,并通过数值仿真验证了所设计控制器的有效性。