基于IMM-UKF的协同式车辆运动状态跟踪算法

为了提高车辆运动状态的跟踪精度,在路侧传感网信息融合的基础上,提出了一种改进的车辆运动状态估计方法.采用匀速直线运动模型和匀速转向运动模型建立了多模型的汽车行驶状态方程,利用马尔科夫链进行模型切换.同时引入无迹卡尔曼滤波算法,根据前一时刻的运动状态和当前观测值,对车辆行驶的运动状态参数进行估计.结果表明,改进的多模型数据融合算法与单模型相比,轨迹和速度跟踪误差分别降低了86.8%和78.6%,有效地提高了车辆运动状态跟踪的精度.     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

基于扩展卡尔曼滤波的汽车行驶状态估计

在车辆行驶中,某些状态参量的准确获取对线控转向系统有着重要的作用,但状态参量测量成本高或难准确测量.因此,针对汽车线控转向系统,为了以较低成本获取准确的车辆运动状态,先建立一个三自由度的非线性车辆模型,搭建多传感器网络(转角传感器、加速度计)采集车辆行驶状态;应用扩展卡尔曼滤波理论建立信息融合算法,通过易测的车辆状态信息(转向盘转角、纵向加速度、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、纵向车速);最后搭建仿真平台在双移线工况和角正弦工况下进行仿真验证,并且与无迹卡尔曼滤波算法估计结果进行对比.结果表明,该估计算法能够准确的估计出车辆行驶过程中的状态参数.     

基于特征组合的多人脸跟踪算法

提出了一种融合肤色特征、ORB特征和运动状态估计的多人脸跟踪算法.该算法以多线程跟踪为基础,根据不同跟踪算法的适用特点,在未受肤色干扰时依靠基于分块加权的改进Camshift算法跟踪,在受干扰时则结合包含尺度变化的ORB特征匹配算法进行跟踪.算法同时利用Kalman滤波器修正跟踪误差,以提高跟踪效果.实验表明,基于特征组合的多人脸跟踪算法具有较好的跟踪准确性和实时性.     

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.     

基于联合概率数据关联的车用多传感器目标跟踪融合算法

针对智能车辆前向多传感器多目标跟踪融合问题,提出一种基于改进的联合概率数据关联的车用多传感器跟踪融合算法。首先,根据车辆坐标系和各传感器坐标系的相对运动关系,对多传感器数据进行坐标变换,之后采用基于改进的联合概率数据关联的单传感器多目标跟踪算法、基于相关序贯关联法的多传感器关联算法和凸组合融合算法实现了对目标的稳定跟踪与准确融合。最终,通过装备毫米波雷达和摄像头的实验车在实际交通环境下进行实车试验,试验结果表明:目标被稳定跟踪且融合结果具有良好的精度,验证了算法的可行性和有效性。     

一种基于“当前”统计模型的GPS/DR组合定位算法研究

针对"当前"统计模型在实际应用中存在的问题,给出了一种改进的"当前"统计模型,并将其应用于GPS/DR组合定位系统的数据融合中.实验结果表明:使用该算法的定位系统无需任何参数的预先设定,即可实现对系统方差的自适应调整,对车辆的各种运动状态进行准确跟踪.     

车载毫米波雷达对前方目标的运动状态估计

基于对汽车前方目标运动特点和车载雷达信息检测机理的分析,在大地坐标系、本车的车辆运动坐标系和车载雷达运动坐标系的相对运动关系基础上,考虑了地面车辆运动以地表平面上二维运动为主、机动性小、跟踪坐标系运动的特点,建立了基于车载雷达运动坐标系的前方目标的运动状态模型。并考虑到系统过程噪声及雷达等车载传感器观测噪声的统计特性难以事先确定的问题,采用自适应卡尔曼滤波算法实现了前方目标的侧纵向速度和侧纵向位置等运动状态的完备准确实时估计。最终通过真实道路交通环境下装备毫米波雷达和高精度汽车状态测试系统的实车对比试验,对算法的可行性和估计精度进行了试验验证,试验结果显示:估计结果具有良好的精度,且长时间跟踪过程中滤波收敛稳定。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

集成学习框架下的车辆跟驰行为建模

为了提高复杂行驶环境下车辆跟驰行为预测精度,提出了一种集成学习框架下融合理论驱动模型和数据驱动模型的车辆跟驰行为建模方法。基于stacking集成学习框架,选择理论驱动的智能驾驶模型（IDM）、考虑车辆队列和周围行驶条件因素的数据驱动的长短时记忆（LSTM）网络和门控循环单元（GRU）网络作为跟驰行为特征的一级学习算法,选择3种线性和8种非线性回归方法作为备选二级学习算法来融合一级学习器的输出特征。通过对比使用实际车辆轨迹数据计算的模型预测精度,确定了最优模型。研究结果表明:包含车辆队列和周围行驶条件变量的数据驱动跟驰模型比IDM模型的预测精度更高;多数情况下采用非线性二级学习算法的融合跟驰模型的预测精度高于IDM模型、数据驱动跟驰模型以及采用线性二级学习算法的融合跟驰模型;分别采用GBRT回归和随机森林回归作为二级学习算法的IDM-LSTM-stacking模型和IDM-GRU-stacking模型具有最高的预测精度;外界干扰下的融合跟驰模型稳定性优于单一的理论和数据驱动跟驰模型。集成学习为驾驶行为建模提供了新方法。     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

一种模糊推理强机动目标跟踪新算法

针对机动目标状态估计算法对强机动目标跟踪性能下降,甚至发散的问题,在机动目标状态估计算法基础上引入模糊推理多重修正因子,提出一种新的强机动目标自适应跟踪算法.采用残差统计距离和目标机动加速度的2-范数作为模糊输入量,自适应地计算出多重修正因子来实时调节预测协方差.该算法保留了对一般匀速或弱机动目标的高精度跟踪性能,同时增强了滤波器对强机动目标的自适应跟踪能力.仿真结果表明,新算法提高了对强机动目标的估计精度,加快了跟踪的收敛速度.     

基于Pure Pursuit算法的智能车路径跟踪

为了实现智能车路径跟踪,根据电子式助力转向系统的工作原理,对北京工业大学智能车B JUT-IV的转向系统进行设计.根据车辆参数和车速确定预瞄距离,并通过车辆与规划路径间存在的位置关系确定预瞄点,采用Pure Pursuit算法计算出前轮偏角控制量.建立车辆横向运动学模型,并在Matlab上进行了路径跟踪仿真实验.最后,与GPS相融合,根据GPS提供的车体位置信息,在校园规定线路对路径跟踪算法进行验证.实验结果表明:该算法跟踪偏差较小且前轮摆动幅度适中,确保了车辆在行驶过程中的稳定性.     

粒子滤波多特征融合算法跟踪精度估计

为了对粒子滤波的多特征融合算法的跟踪精度进行估计,本文提出一种基于密度函数小波估计的跟踪精度估计方法.利用正交对称小波基函数对各特征距离值集进行处理.根据跟踪过程中各特征的不同状态,对各特征距离值集的概率分布进行融合.由总距离值密度函数求出该帧的粒子权值期望,作为跟踪精度值,并从中估计出各特征距离值集的概率分布;形成反映总的跟踪状态的距离值密度函数.     

一种基于“当前”统计模型的GPS／DR组合定位算法研究

针对“当前”统计模型在实际应用中存在的问题,给出了一种改进的“当前”统计模型,并将其应用于GPS／DR组合定位系统的数据融合中。实验结果表明：使用该算法的定位系统无需任何参数的预先设定,即可实现对系统方差的自适应调整,对车辆的各种运动状态进行准确跟踪。     

基于改进粒子滤波的传感器网络目标跟踪研究

在分析粒子滤波算法(PF)的基础上研究了一种改进的粒子滤波算法-无迹粒子滤波算法(UPF).UPF算法使用无迹卡尔曼滤波(UKF)算法产生重要密度函数.动态组织传感器网络节点成簇,将UPF算法和PF算法应用于无线传感器网络(WSNs)的目标跟踪,实现了对网络中做匀速直线运动的单个目标的跟踪.最后将UPF算法与PF算法进行比较.仿真结果表明,改进算法UPF滤波提高了粒子利用效率,精度更高,跟踪性能更好.     

基于多模交互的车载传感器定位算法

集成全球定位系统(GPS）和车载传感器信息,提出了一种多模交互滤波算法,使车辆可以适应多种驾驶工况。搭建了纵、侧向运动模型对车辆预期行驶位置进行全覆盖预测性描述;通过数据驱动的神经网络和车辆运动模型实现对GPS信号的可信性评价;利用车辆运动模型之间的交互滤波、概率更新等方式实现对过程误差和测量误差的精准估计。最后,在实车测试环境下进行定位融合算法的验证,结果表明,本文算法能够提升多传感器定位系统的定位精度,并在信号不稳定的情况下持续提供较为准确的位置估计结果。     

多Agent技术在数据融合系统中的应用

数据融合充分利用多个传感器资源,对观测到的信息进行合理支配和使用,把在时间和空间上的冗余或互补信息按照某种准则进行组合,以获取对被观测目标的一致性认识.为提高目标跟踪系统的滤波精度,在滤波时采用了多Agent技术,使系统的跟踪精度有了显著提高.通过引入多Agent技术,对数据融合系统中的模型和方法进行改进,提出多Agent数据融合模型,为数据融合问题提供新的解决方法和途径.