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。     

基于多尺度的EKF滤波融合定位跟踪算法

针对无线定位中快速移动目标的定位精度差的问题,提出了一种简单有效的定位跟踪算法。该算法将信号的多尺度分析方法与基于TDOA的蜂窝网定位技术相结合,基于某尺度上获得的单一的观测量,建立了一个新的多尺度的观测模型。基于新的多尺度观测模型,利用扩展Kalman滤波对目标进行定位跟踪,获得比在原始尺度上直接进行滤波定位跟踪更好的效果。通过仿真验证了该方法对提高蜂窝网无线定位精度的有效性。     

基于EKF算法的无线传感器网络定位求精研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。本文对扩展卡尔曼滤波（EKF）算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时本文根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和精度为指标,在各种拓扑条件下对节点定位求精过程进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

基于EKF算法的无线传感器网络定位技术研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。对扩展卡尔曼滤波(EKF)算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和相对误差为指标,在各种拓扑条件下对提高节点定位精度进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法

卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义。针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移三种粗大误差,基于传统扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值。经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。     

一种实时目标跟踪航迹数据融合算法

在研究多传感器的目标跟踪数据融合时,针对算法都需要事先了解数据的一部分先验知识,虽然能够提高数据的跟踪精度,但只能应用到事后的数据分析中.为了使融合中心能在传感器录取目标数据的同时进行跟踪数据的融合处理,数据融合算法必须实现实时性.为了解决数据融合算法在提高精度的同时不需要以先验知识为背景的问题,提出一种利用数据间支持度函数矩阵进行多组数据加权融合的结果来替代滤波测量值进行卡尔曼滤波,并得到多组测量数据的实时动态融合跟踪.仿真结果表明,能够实时跟踪目标,同时数据融合的跟踪精度大大提高.     

一种基于EKF的双节点协作目标跟踪协议

无线传感器网络的目标跟踪应用中,动态跟踪组是一种有效的跟踪方式,但该方式下簇头的能耗较大,而且簇头失效易导致目标丢失.针对以上问题,本文对动态簇结构进行了改进,提出一种双节点协作跟踪协议TNCT,该协议通过簇头与辅助节点的协作实现目标变速时采样周期的自适应,以及簇头失效时的快速移交.为提高跟踪精度,辅助节点采用扩展卡尔曼滤波算法对目标轨迹进行估计和预测.仿真结果表明,TNCT协议下跟踪系统的网络能耗更加均衡,目标丢失概率大大降低.     

基于RSSI和改进MCL算法的移动节点定位跟踪设计

由于传统节点定位方法大多针对静止传感器网络,不能适用于网络结构和节点位置动态变化的移动传感器网络,提出了一种基于RSSI测距和改进的MCL(Monte Carlo Localization)算法的移动传感器节点定位跟踪方法;首先描述了经典MCL算法和接收信号强度RSSI测距方法,然后设计了一种改进的MCL算法,将传统的MCL方法预测粒子位置的过程即预测和滤波两个阶段,更新为锚节点TTL受控泛洪方式广播自身位置、采用拉格朗日插值法预测节点下一时刻的位置和速度、求取锚盒采样区域、k跳锚节点粒子滤波和根据预测下一时刻的节点位置和速度与当前时刻的位置信息确定各粒子权重的5个阶段;采用仿真器MCL-Simulator进行仿真,结果证明:文中方法能有效实现移动节点的定位,与其它方法相比,具有较小的平均定位误差,具有很强的可行性。     

基于自适应EKF的弱GNSS信号跟踪算法

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

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, ...     

基于扩展卡尔曼滤波的实时视觉SLAM算法

单目视觉同步定位与地图创建(SLAM)算法的计算复杂度较高,难以满足实时处理的要求。为解决该问题,提出一种SLAM的优化算法。使用 FAST 特征点提取环境特征,对于每一个特征点构造 BRIEF 描述子,以提高算法执行效率,通过引入1-point随机抽样一致算法对算法的框架进行改进,降低算法的计算复杂度,实现视觉SLAM算法的实时处理。实验结果表明,在相机速度为30 f/s的情况下,该算法能满足实时性要求。     

基于扩展卡尔曼滤波器的AUV导航定位数据融合

导航定位是AUV(自主式水下潜器)自动化受限的关键技术.GPS等单独的定位方式又存在缺陷.故采用低成本罗经-DVL-GPS组合导航定位.因为导航定位观测的非线性关系,设计了基于扩展卡尔曼滤波器的导航定位数据融合算法.针对扩展卡尔曼滤波器存在的滤波发散现象,引入机动目标模型抑制滤波发散,研究并仿真了AUV的两种运动方式,实现了覆盖四个象限运动的导航定位仿真,结果表明算法能有效进行数据融合,提高状态估计精确度.     

基于多特征融合与均值偏移的粒子滤波跟踪算法

利用单一特征在复杂环境下进行目标跟踪容易导致跟踪失败。针对该问题,提出基于多特征融合与均值偏移的粒子滤波跟踪算法。在粒子滤波的总体框架下,通过嵌入均值漂移聚类算法产生更逼近真实后验分布的粒子,同时采用颜色和结构特征作为观测模型来表示目标,利用融合后的信息计算粒子的权值,并在跟踪过程中不断更新,以减小跟踪偏差。实验结果表明,与基于颜色与结构的跟踪算法相比,该算法在使用相同粒子数目时鲁棒性更高,而且粒子的平均权重得到了提高,重采样次数明显减少,即使在粒子数目较少的情况下也能实现稳定跟踪。     

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.     

基于最优信标组的扩展卡尔曼定位算法

节点定位是无线传感网的关键技术之一.针对传统的基于RSSI的定位算法精度低的问题,提出一种基于最优信标组的扩展卡尔曼定位算法(BBG-EKF).该算法分析影响定位精度的两个因素:未知节点与信标节点的距离和信标节点间的共线性,提出一种最优信标组选择机制,进一步通过扩展卡尔曼滤波实现精确定位.新算法复杂度低,定位过程中节点...     

Extended Kalman and Particle Filtering for sensor fusion in motion control of mobile robots

Motion control of mobile robots and efficient trajectory tracking is usually based on prior estimation of the robots’ state vector. To this end Gaussian and nonparametric filters (state estimators from position measurements) have been developed. In this paper the Extended Kalman Filter which assumes Gaussian measurement noise is compared to the Particle Filter which does not make any assumption on the measurement noise distribution. As a case study the estimation of the state vector of a mobile robot is used, when measurements are available from both odometric and sonar sensors. It is shown that in this kind of sensor fusion problem the Particle Filter has better performance than the Extended Kalman Filter, at the cost of more demanding computations.     

基于卡尔曼滤波的遥测低仰角跟踪技术

在分析多路径效应形成原理的基础上,建立了镜面反射影响下的遥测角误差信号模型.分析了多路径效应对天线低仰角三个特征区跟踪的影响,提出基于卡尔曼滤波的自适应数据融合算法,利用该算法可有效改善遥测设备低仰角跟踪的稳定性和提高测量精度.     

基于声学传感器的目标跟踪扩展算法

针对机动的目标跟踪,提出扩展的卡尔曼滤波器/多假设跟踪方法(EKF/MHT),该算法具有结构和计算简单,鲁棒性好的特点,同时研究了和声学传感器相联系的目标数量、位移量和探测分辨率对跟踪性能的影响,并通过仿真,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波/MHT方法在跟踪机动目标时的不足。