UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题,提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题,并补偿低成本的惯性传感器陀螺仪和加速度计的误差,从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明UKF参数设计简单,姿态估计误差小于EKF,方差估计优于EKF,估计精度、计算量基本与EKF相当．因此,UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

无味变换与无味卡尔曼滤波

综述了非线性估计问题的由来、无味变换（UT,Unscented Transformation）的基本思路与基本算法、各种衍变形式、σ点集的设计原则、无味卡尔曼滤波（UKF,Unscented Kalman Filtering）的基本算法及其各种改进算法、UT的本质、UKF与几种免微分非线性滤波方法的比较、UT与UKF的相关应用、针对几种UKF算法的仿真实例,以及目前在UT与UKF的研究中尚存在的一些问题和对今后研究的展望等;提出了笔者的一些最新研究成果和见解。     

UKF滤波器的强跟踪性研究

与EKF滤波器相比较，UKF滤波器和强跟踪滤波器各自具有不同的特点，在基于计算机视觉的运动人手跟踪系统中往往需要将这些不同的特点相结合，本文揭示了UKF滤波器与强跟踪滤波器之间的关系，研究表明，在线性系统中，UKF滤波器是强跟踪滤波器；在非线性系统中，在一定的条件下，UKF是强跟踪滤波器，本文给出了一个充分条件，最后给出了部分实验结果。     

基于无味卡尔曼滤波的多雷达方位配准算法

将无味卡尔曼滤波（Unscented Kalman filter，UKF）应用于雷达配准，提出一种新的多雷达方位配准算法。在该算法中，目标的运动状态和方位误差由选定的采样点来近似，在每个更新过程中，采样点随着状态方程传播并随非线性测量方程变换，得到目标的运动状态和方位误差的均值，避免了对非线性方程的线性化，且具有较高的计算精度。与传统的扩展卡尔曼滤波（Extended Kalman filter，EKF）方法进行了仿真比较，结果表明UKF方法能有效地克服非线性跟踪问题中很容易出现的滤波发散问题，且估计精度高于UKF方法。     

基于多普勒信息的UKF目标跟踪算法

在实际雷达信号应用中,当目标的状态方程和观测方程在不同坐标系下得到时, 对目标状态的估计不再是线性的而是非线性的.为了提高在非线性情况下对目标的跟踪精度,为提高实时性和统计精度,提出了一种基于多普勒信息的UKF(Unscented Kalman Filter)滤波算法,算法是在原有UKF算法所有信息的基础上,引入目标的多普勒信息即径向速度,推导出新的测量模型和相应的滤波算法.应用matlab软件对目标的跟踪轨迹进行仿真,结果表明,引入雷达多普勒测量信息的UKF算法比传统的UKF算法和EKF算法具有更高的估计精度.     

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.     

基于UKF滤波的测向定位算法及性能分析

基于传统的The Unscented Kalman Filter(UKF)滤波算法,提出了一种新的改良后的UKF滤波算法.该算法直接选用动态模型中的状态变量,并增加一个再抽样过程,使得计算量更小,实现更简单.将改良后的UKF滤波算法应用到单站无源定位的测向法中,得到优于The extended Kalman Filter(EKF)滤波的定位效果,大大提高了定位精度.计算机仿真实验表明,应用该改进后的UKF算法比以往EKF类算法在滤波性能上有明显的提高.但是由于测向法自身的局限性,即使应用改良后的UKF滤波,当方位角逐渐增大时,测向法的定位效果仍然会严重恶化.因此,所提出的新UKF算法适合在非线性估计等问题中广泛应用,但对于单站无源定位,则应探究更优越的定位算法来代替测向法.     

GPS非线性估计中无导数卡尔曼滤波研究

在GPS领域应用的非线性估计方法中,扩展Kalman滤波(EKF)存在稳定性差、计算量大等缺陷.基于非线性变换思想的UKF(Unscented Kalman Filtering)中状态方差阵易失去半正定性.本文引入了一种无导数卡尔曼滤波-基于重复确定性采样的平方根UKF(Square Root-Unscented Kalman Fiher.SR-UKF)估计方法,并对其状态方差阵及随机噪声方差阵Cholesky分解更新公式做了改进,避免了导数的运算,有效地确保方差阵及其平方根的正定性从而抑止了发散.将这种无导数卡尔曼滤渡应用于GPS/DR组合导航系统的状态估计上,仿真结果表明本文所改进的方法在滤波的精度和鲁棒性上均优于EKF和UKF.     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

一种新型变增益UKF

UKF是一种适应用于非线性系统的非线性滤波器,其没有进行Jaclbian矩阵计算,有着EKF无法比较的优点.由于系统建模不准确等原因,UKF滤波算法不具备对系统突变状态的跟踪能力,使得在系统出现扰动或观测异常时会出现不稳定甚至发散等现象.提出了一种新型变增益无迹kalman滤波,并与标准无迹kalman滤波器进行了仿真实验对比.实验结果显示,该滤波器具有对系统突一次的强跟踪能力.     

UKF联合滤波器在车辆定位系统中的应用

传统的应用于GPS/DR组合定位系统中的联合卡尔曼滤波器都是由扩展卡尔曼滤波器(EKF)构成,而EKF具有滤波收敛速度慢、对系统模型误差和噪声统计特性的鲁棒性差和实际中难以实施等缺点,这些对联合卡尔曼滤波器的整体滤波性能和实用性都会产生不利影响.针对这一问题,通过用无迹卡尔曼滤波器(UKF)来替代EKF构成一种新型的基于UKF的联合卡尔曼滤波器,并将这种联合滤波器应用于GPS/DR车辆组合定位系统中.通过详细的计算机仿真和分析后,结果表明与传统的基于EKF的联合卡尔曼滤波器相比 ,该联合卡尔曼滤波器的滤波精度、收敛速度、鲁棒性、实用性和可靠性都得到了很大的改善,满足了定位系统低成本和高精度的要求,具有一定的应用价值.     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准确和累计误差的问题。     

A Filtering Approach Based on MMAE for a SINS/CNS Integrated Navigation System

This paper explores multiple model adaptive estimation (MMAE) method, and with it, proposes a novel filtering algorithm. The proposed algorithm is an improved Kalman filter-multiple model adaptive estimation unscented Kalman filter (MMAE-UKF) rather than conventional Kalman filter methods, like the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). UKF is used as a subfilter to obtain the system state estimate in the MMAE method. Single model filter has poor adaptability with uncertain or unknown system parameters, which the improved filtering method can overcome. Meanwhile, this algorithm is used for integrated navigation system of strapdown inertial navigation system (SINS) and celestial navigation system (CNS) by a ballistic missile's motion. The simulation results indicate that the proposed filtering algorithm has better navigation precision, can achieve optimal estimation of system state, and can be more flexible at the cost of increased computational burden.