基于系统误差和状态联合估计的目标跟踪算法

针对线性系统中系统误差对状态估计精度造成的不利影响,在卡尔曼滤波算法框架下提出一种基于系统误差和状态联合估计的目标跟踪算法。在算法实现过程中,首先定量分析了系统误差对目标状态估计及其估计误差协方差矩阵的影响,进而结合状态扩维技术构建系统误差配准的实现过程,最终依据标准卡尔曼滤波迭代流程设计了算法实现步骤。仿真实验结果表明: 在系统误差恒定和时变两种情况下,新算法在系统误差配准和状态估计上具有可行性和有效性。     

基于合作目标的大系统误差方法研究

基于合作目标,分析了雷达存在的大系统误差的原因,提出了解决大系统误差的方法,改进的方法可以有效地提高航迹融合精度。用模拟的雷达数据对算法的性能进行了评估,计算机仿真试验验证了该算法的可行性和有效性。     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。     

未知环境下多机器人搜捕策略研究

针对在未知环境下多机器人围捕入侵者所存在的问题,提出了基于occupancy grid方法构造并合成环境地图指导单个机器人以分散搜索、抛物线模型预测并追踪入侵者、以及多机器人基于leader的可重构队形结构进行围捕的策略,使未知环境的地图构造和对入侵者追踪搜索过程得以同步完成,降低了机器人团队对环境的依赖,对未知环境具有较高的适应能力.最后通过仿真实验验证了该策略的正确性、有效性和鲁棒性.     

未知环境下分布式多机器人避碰协作算法

针对多机器人协作问题,提出一种未知环境下分布式多机器人协作避碰算法。该算法基于分布式投标模型协调多机器人运动,改进过去算法的前提假设,综合考虑机器人的实际尺寸和传感误差,通过自适应设定投标时间,提高算法的效率,针对通信延时引起的信息不一致,采用按优先级顺序进行探测的方法。仿真实验验证了该算法的可行性。     

基于分布估计算法的多目标优化

论述解决多目标优化问题的若干解法,为了提高多目标优化算法的收敛性和求解精度,提出了一种分布估计的多目标优化算法。给出了3个典型的测试函数的pateto解集。通过4个测试函数测试,并与非劣排序多目标遗传算法(NSGA-Ⅱ)和规则模型分布估计算法(RM-MEDA)两个算法进行了比较。测试结果表明,该算法具有良好的收敛性和分布性,并且效果稳定。     

未知噪声背景下多声源方位角的估计方法

以平面波、窄带声源的阵列测向模型为基础,利用阵列信号处理的理论和方法,在假设理想的白噪声背景下,对均匀线阵接收的信号数据,采用多信号分类法（ＭＵＳＩＣ法）,利用其正交性的谱估计来判断声源的方位角。在此基础上,对不少实际环境中的噪声模型是非白和不确定的情况下,提出一种辅助阵元的方法,以确定在未知噪声背景下利用ＭＵＳＩＣ法确定多声源的方位角。声学实验证实,在实际环境中,该方法能很好地分辨多声源的方位角,且标准差很小。通过与假想的白噪声环境进行对比,本文方法能有效地消除实际环境带来的测向误差,大大提高测向分辨率,由此证实了该方法的有效性。     

未知环境下群机器人多目标搜索协同控制

未知环境下,群机器人无法预先获取多目标搜索的环境信息,仅可局部感知与局部通信.本文针对避障效率与搜索效率的缺陷提出边界扫描的避障策略和目标位置估计的粒子群算法,边界扫描的避障策略(BSOA)将障碍物简化成连续障碍物与非连续障碍物两种情况,并根据情况向特定边界运动;目标位置估计的粒子群算法(TPEPSO)则利用获取的目标信号估计目标位置,结合粒子群算法到达目标附近,从而实现目标搜索.提出的方法与基于简化虚拟受力分析模型的循障避碰方法(SVF)及扩展粒子群算法(EPSO)、自适应机器人蝙蝠算法(ARBA)仿真比较,搜索效率提高5.72%～21.58%,总能耗减少4.30%～19.11%.     

采用两步训练法的多目标分布估计算法

提出两步训练法,改进了基于规则模型的多目标分布估计算法.在算法的模型训练环节,首先采用均值分簇法进行初步聚类;然后采用基于流形分簇法进行细致聚类,代替原算法中采用局部主元分析算法需要循环迭代的聚类分簇方法.通过6个Benchmark测试函数验证,改进算法保持了原算法的收敛性和多样性,并缩短了寻优的时间.     

融合Pareto邻域交叉算子的多目标分布估计算法

将分布估计算法用于多目标优化问题,提出一种融合Pareto邻域交叉算子的多目标分布估计算法（MEDAP）。与一般分布估计算法只通过采样方法产生新种群不同,MEDAP算法利用采样和交叉相结合的方法产生新种群,并通过模拟退火技术在线调节尺度因子,以此来控制采样和交叉的贡献量,根据NSGA-II的选择策略选出下一代进化种群。数值实验分为两组,一组选取8个常用测试函数并与NSGA-II、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明了MEDAP算法的有效性。另一组与不加Pareto邻域交叉算子的多目标分布估计算法进行比较,数值实验结果验证了Pareto邻域交叉算子的加入提高了算法的性能。     

多传感器多目标跟踪及航迹融合系统

多传感器数据融合能够实现信息互补以提高目标跟踪精度、识别能力以及增强系统的抗干扰性,因此受到广泛关注。本文主要针对雷达和红外跟踪及航迹融合的体系结构,对目标跟踪、航迹关联和航迹融合的各个算法进行详细描述及仿真。仿真结果表明,基于雷达和红外传感器数据融合跟踪相对于单传感器的跟踪,性能有所提高。      

基于多传感器／目标识别的电子宠物视觉系统

将多传感器技术用于电子宠物“智能狗”的视觉系统,提出一种集娱乐与安全功能于一体的架构体系,阐述该系统的工作流程,介绍基于一阶差分链码图像的表示方法和句法模式识别理论,给出一种新的头部形状检测方法,仿真实验结果表明,该系统能够获得较好的性能,且具有一定市场应用价值。     

共同杂波环境下多目标量测数据的误差传递与校正

在目标跟踪领域, 如何提高目标航迹估计精度是一个重要问题. 传统做法是基于目标量测数据进行滤波或者融合以减小随机误差. 本文提出了基于误差相关性提高估计精度的新思路. 在强相关条件下, 依据误差基本理论, 研究了多目标之间量测数据误差传递和校正的概念、原理和方法, 建立并给出了各关键步骤的算法. 仿真实验表明, 多目标量测数据误差之间具有相关性时, 可以进行误差的传递和校正. 如果相关性较强, 则校正后量测数据精度能够得到较大幅度的提高.     

ISODATA算法在多传感器多目标数据关联中的研究与改进

针对目标密集环境下易出现的误关联问题，提出了的ISODATA算法的解决方法。该算法将描述航迹的特征参量构成待分类的样本空间，构建了基于ISODATA算法的有限记忆关联模型，利用航迹的历史状态数据进行关联运算，有效地解决了多目标密集环境下的误关联问题，分析了记忆步长与计算量和关联结果的关系。通过仿真研究说明了算法在目标密集环境下的有效性。     

基于时间错序量测的多目标多传感器跟踪算法研究

在多传感器多目标跟踪系统中,经常有来自同一目标的量测到达融合中心时存在时间先后顺序上的混乱,被称为时间错序量测(Oosm);通常,现有的跟踪算法都是假设理想目标的观测值不混乱;现实中,可能错过的目标探测随意混乱,因而,滤波器不得不处理起因未知的量测,那么针对顺序量测的传统滤波器,例如KF,在此就不能直接使用;通过基于一些特殊矩阵非单一假设的经济存储和能效估计介绍了全局最优Oosm刷新算法,并结合概率数据关联PDA到Oosm刷新算法中;仿真结果显示Oosm刷新的PDA滤波器在性能上优于忽略Oosm的PDA滤波器,还就关于杂波中多目标跟踪如何通过JPDA结合oosm刷新算法展开讨论.     

基于误差分布估计的机器人手眼标定方法研究

精确的机器人手眼标定对于机器人的视觉环境感知具有重要的意义。现有算法通常采用最小二乘估计或全局非线性优化求解方法对机器人手眼系统的变换参数进行估计。当系统存在测量粗差时直接采用最小二乘估计会导致标定结果精度的下降;基于全局非线性优化策略的标定算法则由于数据粗差的影响,求解过程易过早收敛也会造成标定精度低。为了解决误差粗差敏感的问题,提出了一种基于误差分布估计的加权最小二乘鲁棒估计方法,以提高机器人手眼标定的精度。首先,通过最小二乘估计计算手眼变换矩阵;之后计算每对坐标对应的误差值;根据误差值的分布概率初始化对应坐标数据的权值;最后采用加权的最小二乘估计重新计算机器人手眼标定矩阵。最后引入迭代估计策略进一步提高手眼标定的精度。设计的机器人手眼标定实验及结果证明,所提算法能够在数据粗差影响下保持较高的标定精度,更适用于机器人的手眼标定问题。     

一种用于未知环境探索的可动态配置路标系统

研究了移动机器人探索未知环境所面临的定位问题．针对在某些未知环境中难以可靠提取自然路标、 并且存在数据关联难题的实际情况,提出了一种可以根据定位需要进行动态配置的路标系统,设计并实现了可以动 态配置的路标、路标投放装置、路标探测装置,能够在探索未知环境的过程中动态在线配置路标以辅助完成机器人 定位与对环境的探索．可动态配置路标具有成本低、体积小、能耗低的特点,便于携带与动态配置,实验结果证明 了这种路标系统在未知环境探索中的有效性．     

TTC估计系统误差分析及修正

在运动图像序列中利用目标稳定的特征点进行跟踪,从而计算目标尺度变化率以进一步进行TTC（Time-To-Contact) 估计,是目前应用较多的被动测距方法,但由于图像的离散化采样,在图像中进行尺度测量不可避免地带来了很大的误差,本文在对TTC估计系统进行了一系列误差分析后,根据TTC系统的特点对TTC估计结果进行一元线性回归修正,以提高估计精度和抗干扰能力,实验结果证明了该方法的有效性。     

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.