基于视觉/惯导的无人机组合导航算法研究

目前视觉惯性组合导航系统多采用优化紧/松耦合以及滤波紧/松耦合算法,应用误差状态卡尔曼滤波能够将较低频率的视觉位姿信息提升到与惯性信息同步的频率;提出一种基于自适应卡尔曼滤波的视觉惯导组合导航算法,首先考虑到系统建模与传感器测量误差,采用自适应渐消卡尔曼滤波进行导航解算,通过实时计算遗忘因子,以调节历史数据的权重,可抑制建模误差,提高组合导航系统性能,然后针对视觉SLAM解算过程造成的视觉位姿信息滞后于惯导信息的问题,提出一种延时补偿方法;仿真实验表明,采用延时补偿的自适应渐消卡尔曼滤波算法能够有效抑制建模误差,并降低视觉位姿信息滞后带来的影响,提高无人机组合导航的解算精度,姿态、速度、位置解算精度分别达到5°、0.5m/s、0.4m以内。     

基于自适应卡尔曼滤波的多传感器信号降噪

针对建筑物混凝土腐蚀检测中传感器单一且常规卡尔曼滤波算法容易出现滤波精度降低的问题,提出了一种多传感器综合检测方法.采用改进的自适应卡尔曼滤波算法,利用最大概似估计准则,将新息方差直接引入卡尔曼滤波器的增益计算,实现估计模型的动态调整,降低了系统噪声和测量噪声的干扰.最后,对自适应卡尔曼滤波和常规卡尔曼滤波算法进行了仿...     

多传感器目标状态与动态偏差联合估计算法

针对多传感器系统动态偏差估计问题,在不敏粒子滤波(UPF)算法的基础上,提出了一种修正的不敏粒子滤波(Modi-fied UPF,MUPF)算法.由于系统动态偏差引起的异常量测值时,MUPF算法利用滤波预测残差构建的调节因子控制新息协方差矩阵,进而调整滤波增益的大小;在不丢失有用新息的前提下,减小了异常量测对滤波估计结果的影响.利用上述算法与不敏卡尔曼滤波(UKF)算法和扩展卡尔曼粒子滤波(EPF)算法进行了仿真比较.结果表明,MUPF算法对系统动态距离和角度偏差估计的均方根误差(RMSE)明显小于UKF算法和EPF算法的估计结果,提高了估计精度和可靠性.显然,MUPF算法也适用于系统固定测量偏差估计和目标状态估计.     

基于反向预测卡尔曼滤波自适应算法研究

标准卡尔曼滤波算法对系统的数学模型和噪声统计特性进行了假设,当该假设与实际的模型不匹配时容易造成滤波误差较大甚至滤波发散。提出基于反向预测卡尔曼滤波自适应算法,通过比较原始预测状态归一化新息平方和反向预测状态归一化新息平方,当比值大于设定阈值时在线进行过程噪声调整,从而修正预测状态。雷达目标跟踪仿真研究结果表明,该算法对目标机动和过程噪声增大有较强的自适应性,能够提高滤波精度和鲁棒性。     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

基于无线传感器网络的机器人定位跟踪研究

针对基于无线传感器网络的机器人定位提出了一种分段极大似然质心算法。将质心法引入极大似然估计算法中,通过计算已预测结果的质心提高目标位置的预测精度。考虑到WSN系统的超声定位实时性较差,采用扩展卡尔曼滤波算法将WSN系统改进定位算法与机器人航位推算进行融合以跟踪机器人位姿,从而提高了定位精度和系统动态性能。仿真结果表明：在不同锚节点个数和不同测距误差条件下,分段极大似然质心算法均能取得良好的定位效果;采用扩展卡尔曼滤波算法的数据融合,进一步提高了机器人轨迹跟踪的精度。     

人脸位姿协同的多新息抗扰滤波算法

在偏转角度较大时,人脸特征点的显著性明显减弱,会导致人脸位姿计算结果带有较大噪声.针对这一问题,提出了多新息抗扰滤波算法,将运动人脸与标准人脸模型的位姿变化作为滤波观测量:(1)引入多新息修正滤波估计,利用时间序列的多组观测量估计人脸位姿变化的状态量;(2)实时判断滤波敛散性,根据多新息及时估计观测噪声协方差与过程噪声协方差,调整卡尔曼增益矩阵;(3)建立位姿协同模型,依据滤波后的人脸位姿变化计算相机运动参数,达到相机与人脸位姿协同.在给出试验装置硬件构成的基础上,将本文算法与自适应卡尔曼滤波(AKF)算法进行对比.试验结果表明,在人脸位姿协同系统中,本文算法位姿估计误差小于10 mm,相机协同时间约为25 ms,相较于AKF算法位姿准确度提高23%,协同效率提高30%,能够有效抑制位姿协同中人脸位姿计算所带来的噪声影响,在提高人脸位姿协同系统稳定性的同时,保证响应的实时性.     

基于加强抗差自适应卡尔曼滤波的行人室内定位系统

针对惯性测量单元定位存在累积误差和野值干扰等问题。本文对原始信号进行预处理,利用融合滤波和零速更新算法来抑制速度和位姿的累积误差。在自适应卡尔曼(Kalman)的基础上提出加强抗差自适应卡尔曼滤波算法,削弱了量测野值对状态估计的干扰,抑制滤波发散。实验结果表明:系统精度较高,实现了行人在封闭环境的较高精度定位。     

基于RFID技术的移动机器人定位方法研究

RFID技术利用无线射频信号在读写器与标签之间进行数据通信,射频信号具有一定的穿透性,解决了机器人定位与地图创建过程中传感器非视距的问题。提出了一种新颖的利用周围环境中少量的位姿未知的标签来估算出机器人位姿的方法,并采用粒子滤波算法来增强算法的鲁棒性。同时,还引入了RFID天线功率切换器来提高地图创建的准确性,降低了机器人的定位误差。最后通过定量分析影响定位效果的3个主要因子,证明了这种定位方法具有较高的定位精度。     

IEKF滤波在移动机器人定位中的应用

针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于环境特征的迭代扩展卡尔曼滤波(IEKF)融合算法。该算法融合了里程计采集的机器人内部数据和激光雷达传感器采集的外部环境特征,在测量更新阶段多次迭代状态估计值并对机器人的位姿进行修正,减少了非线性误差,提高了定位精度。     

自适应Kalman滤波修复六维力传感器下E膜模型误差

为减小动载环境下,噪声信号对六维力传感器测量精度的影响,同时解决因传感器的简化模型误差较大,导致标准Kalman滤波无法获取最优估计的问题,提出一种双因子自适应Kalman滤波算法。算法根据正弦激励力响应和应变之间的关系,建立了下E型膜有色噪声增广状态模型。在标准Kalman滤波的基础上,分析了两种模型误差对滤波效果的影响,采用实时调整状态预测在滤波估计中权重的策略,给出了自适应Kalman滤波准则及递推公式。基于正交性原理和最小二乘法准则,利用三段函数模型构造了双重自适应因子。仿真实例表明,与标准Kalman滤波与强跟踪滤波相比,所提算法具有更好的估计精度和稳定性,能够有效地控制模型误差的影响,从而提高六维力传感器的测量精度。     

自适应高阶无迹增量卡尔曼滤波算法

在工程实际中,由于环境因素的影响、测量设备的不稳定性、模型和参数的选取不当等往往会对量测方程带来未知的系统误差.针对这一问题,提出了一种自适应高阶无迹增量卡尔曼滤波算法.首先,利用增量建模技术建立增量量测方程.其次,将其与高阶无迹卡尔曼滤波器相结合,并引入自适应加权因子对滤波发散进行抑制,发展出一种自适应增量滤波算法.计算机仿真实验表明,新算法能够成功消除这种未知的系统误差,提高估计精度和稳定性,具备良好的应用前景.     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高的问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波(UKF)移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

井下捷联惯导系统导航数据处理滤波分析

针对现有煤矿井下定位技术误差较大、准确性不足的问题,引入了捷联惯导系统对煤矿井下人员和设备进行精确定位导航。为进一步提高捷联惯导系统的定位精度,提出了采用扩展卡尔曼滤波和采样卡尔曼滤波对系统数据进行滤波的算法,分析了扩展卡尔曼滤波和采样卡尔曼滤波的滤波原理,并对算法公式以及滤波效果进行了仿真分析。仿真结果表明,在假设井下噪声为高斯白噪声的前提下,采样卡尔曼滤波抖动性较小,曲线更为平滑,即滤波后的数据更加接近于真实数据,能够更准确地反映出坐标信息,且误差基本控制在允许的范围之内,具有较好的滤波效果。     

卡尔曼滤波在应变式力传感器中的应用

由于应变式力传感器系统中存在较大的随机噪声,降低了系统的标定精度和测量准确性,而卡尔曼滤波适合实时滤除干扰信号。在建立传感器测试模型基础上,通过推导卡尔曼滤波算法,确定了滤波初值和滤波参数。在传感器—A/D转换器—DSP硬件平台上,进行了滤波算法验证。实验表明：卡尔曼滤波有效地滤除了随机干扰信号,适用于静动态测量过程,提高了系统标定精度。     

基于多传感器融合的移动机器人定位

针对移动机器人定位系统中单一传感器定位精度低与环境地图的重要性问题, 提出了一种基于多传感器融合的移动机器人定位方法. 首先, 在未知环境下, 分别利用单一里程计, 扩展卡尔曼滤波(extended Kalman filter,EKF)算法融合里程计、惯性测量单元(inertial measurement unit, ...     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。     

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。