基于期望最大化与容积卡尔曼平滑器的机载多平台多传感器系统误差配准算法

针对机载多平台多传感器系统误差配准过程中出现的系统误差参数未知问题,本文提出了一种基于期望最大化(EM)与容积卡尔曼平滑器(CKS)的机载多平台多传感器系统误差配准算法.该算法将传感器的量测系统误差视为系统待估计的未知参数,构建了新的传感器量测方程.引入EM算法框架,在期望步(E–step)利用容积卡尔曼滤波器(CKF)和CKS近似计算对数似然函数的数学期望,在最大化步(M–step)对该数学期望进行最大化处理,最后通过解析更新反复迭代的方式获得各传感器系统误差的参数估计.数值仿真验证了本文提出算法的有效性.     

一种多传感器数据自适应空间分级融合算法

当采用分布在不同空间位置上的多传感器观测值对测量噪声干扰下的参数进行融合估计时,被测量的空间分散性对融合结果影响较大.针对该问题,以自适应加权融合算法为基础,提出了自适应空间分级融合算法,并给出了误差分析和应用方法.该算法将融合过程分解为两次寻优,第1次是局部空间的自适应加权寻优,第2次是在全局空间内的融合寻优.计算机仿真结果表明:该算法在估计空间分布不均匀的被测量时优于自适应加权融合算法.     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

多传感器测量中的方差估计

在多传感器加权融合算法中，各传感器的权值仅由传感器的测量方差决定。假设各传感器噪声为平稳过程且相互独立，本文提出了待测状态未知且时变情况下．多传感器测量方差的估计算法，并讨论了估计方差的统计特性，证明了估计的无偏性。针对工程中环境噪声的变化，进一步提出了加窗方差估计方法，并给出了窗口宽度和估计精度的关系．使算法能有效地跟踪环境噪声的变化。该算法无需设置依赖于环境的初始值，并给出了递推公式．使其可用于对多传感器测量方差的实时自适应估计。仿真结果直观地说明了估计方法的有效性。     

基于交互式CPHD的多传感器多机动目标跟踪

针对多传感器高速多机动目标的跟踪问题,提出一种多传感器交互式贪婪势概率假设密度(MS-IMMGreedy-CPHD)滤波器.该滤波器在预测阶段,通过交互式多模(IMM)算法对势概率假设密度(CPHD)滤波中目标的状态、势分布和运动模型同时进行预测;在滤波的更新阶段,利用贪婪(greedy)量测划分机制选取多传感器量测子集和拟分区,并通过拟分区量测子集对不同模型下CPHD预测的目标状态和势分布以及模型进行交互式更新.仿真结果表明,所提出MS-IMM-Greedy-CPHD滤波能够对高机动多目标进行稳定有效的跟踪,相较于多传感器势概率假设密度(MS-CPHD)滤波,跟踪结果的OSPA误差更小且势估计更加准确.     

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。     

基于自适应无迹卡尔曼的机器人室内定位算法

针对室内环境复杂,难以通过单一传感器对机器人精准定位的问题,以室内环境中的两轮差动移动机器人为研究对象,提出了一种自适应无迹卡尔曼室内定位算法。该方法以无迹卡尔曼滤波（UKF）算法为基础,融合里程计、超声波定位系统、电子罗盘等传感器数据,利用超声波定位低频特性好的特点,弥补里程计结合电子罗盘进行航迹推算的累积误差和打滑影响。鉴于实际中量测噪声往往难以确定,利用Sage-Husa自适应方法,并根据不同传感器的噪声特性设置不同的加权系数,在线更新量测噪声特性,以实现对量测噪声的自适应。通过仿真验证,该方法能在传感器噪声特性未知的情况下,有效适应传感器噪声的变化,从而能够在复杂室内环境下,实现较高精度和鲁棒性的位姿估计。     

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.

     

基于观测器的不确定非线性系统的自适应鲁棒模糊控制

针对单输入单输出不确定非线性系统提出了一种自适应鲁棒模糊控制算法.该算法通过设计观测器来估计系统的状态向量,因此不要求假设系统的状态向量是可测的.在这个算法中,主要的假设为最优逼近参数向量与标称参数向量之差的范数和逼近误差的界限是未知的.通过只对未知界限估计的调节,该算法减轻了在线计算量并且提高了系统的鲁棒性.所设计的自适应鲁棒模糊控制算法保证了闭环系统的所有信号是一致有界的并且跟踪误差估计收敛到一个小的零邻域内.仿真例子证实了所提方法的可行性.     

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.