基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

基于机器人激光定位的一种改进AMCL算法

高效的定位算法是实现机器人自主运动的前提,由于激光模型受复杂环境的限制,传统自适应蒙特卡罗定位(AMCL)算法提供的位姿精度有限.提出一种增加扫描匹配(SM)和离散傅里叶变换(DFT)的优化AMCL算法,将传统AMCL的加权均值输出作为SM的初始值,通过构建激光雷达观测点与先验地图的匹配函数模型,利用高斯牛顿的方法优化求解,最终通过DFT滤波滤除位置处的小抖动,提升了系统的稳定性和鲁棒性.通过运动中的绝对定位实验和重复定位,实验验证了优化算法优于传统AMCL算法,优化算法有效提高了系统定位精度,同时保证了鲁棒性.     

基于大数据的机器人激光全局定位算法

为提升复杂环境下机器人激光全局定位效率,增强全局定位效果,提出基于大数据的机器人激光全局定位算法,通过TOF激光测距仪测量机器人与目标物间距离,采用大数据技术中的卡尔曼粒子滤波算法,递推预测机器人运动状态,并在递推过程中,引入TOF激光测距仪测量的距离值,改进机器人运动状态中的卡尔曼增益和滤波误差协方差,获取机器人状态预测值:卡尔曼增益和滤波误差协方差;依据两个状态预测值,采用基于卡尔曼滤波的自定位方法,通过运动模型和感知模型分别进行机器人的位姿概率分布预测以及更新,实现机器人激光全局定位。实验表明:采用此算法进行机器人全局定位时位置误差以及方位误差都较小,全局定位的均方根定位误差小于2.5 cm,可实现机器人高效、精准全局定位。     

基于DSP的改进粒子滤波算法硬件实现

粒子滤波算法在处理非线性、非高斯系统方面有明显的优势,但较大的运算量限制了其实时性的应用。针对这一问题,文中研究利用DSP处理器高速运算的特点实现粒子滤波算法。文中针对粒子滤波的粒子退化问题给出重采样方法,详细给出了DSP实现粒子滤波算法的流程,对DSP的存储资源进行了优化设计。利用典型模型进行算法实现验证,结果表明：采用DSP实现的粒子滤波算法可对状态参量进行精确处理,验证了DSP用于非线性、非高斯系统的粒子滤波算法实现的有效性。     

改进型PSO鲁棒定位算法

针对传统的定位算法在复杂环境下定位精度不高,对环境噪声鲁棒性差的问题,提出了一种基于改进型粒子群算法的鲁棒定位算法。考虑到标准粒子群算法中存在收敛速度慢和“早熟收敛”的问题,本文兼顾粒子群的多样性和收敛速度对粒子种群进行优化。首先采用分组定位方法来优化粒子群,然后利用标准的粒子群算法进行迭代定位。仿真结果表明,和传统算法相比,该算法收敛速度快,对初始种群数目要求少,且当观测值中存在NLOS误差时,定位精度高,鲁棒性强。      

一种改进粒子滤波算法分析

在非线性、非高斯系统的状态估计研究中,最常用的是EKF和UKF两种方法,但是这两种方法还局限于高斯分布的情况。在之后的研究中出现了不受非线性、非高斯分布问题限制的粒子滤波算法。这种算法的主要问题是粒子退化问题,常规的再采样方法虽然可以解决退化问题,但是容易导致粒子耗尽。针对这种问题,本文提出用辅助变量粒子滤波算法,对标准粒子滤波算法步骤中的再采样部分进行改进,最后对算法进行性能仿真及分析。仿真结果表明,改进的粒子滤波算法性能良好。     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

改进的粒子滤波算法

针对标准粒子滤波算法重采样后粒子多样性丧失问题,提出一种在粒子补偿的基础上,利用预测值与观测值的方差进行粒子重采样的改进粒子滤波算法。该算法是在标准粒子滤波算法的基础上,加入粒子补偿的步骤,然后利用预测值与观测值的方差在权值较高的粒子周围进行重采样来改善标准粒子滤波算法中粒子多样性丧失问题。实验结果表明:在相同条件下,改进粒子滤波算法比标准粒子滤波算法具有更小的平均均方误差(RMSE)和更高的目标跟踪精度,数据表明,其目标跟踪精确度提高30%以上。     

一种改进的蒙特卡罗定位算法研究

针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)的蒙特卡罗定位算法,该算法利用锚节点之间的距离及其测得的移动节点的RSS值来校正移动节点与每个锚节点之间的权值,缩小了传统MCL算法的采样范围。仿真表明,该方法降低了蒙特卡罗方法的采样次数以及通信开销,同时提高了节点定位精度。     

基于传统重采样的局部系统确定性算法

在自主驾驶中粒子滤波被广泛用于追踪目标。但是粒子滤波的一个问题是随着循环次数的增加会出现粒子退化的现象,这是因为少数粒子的权值会越来越高导致多数粒子失去跟踪价值。而重采样则可以在运行过程中不断对粒子权值进行调整。目前已经有很多的重采样方法被提了出来,但是由于编程过程中复杂性的问题,很多重采样方法被视为计算的瓶颈。为了解决这个问题,一个改进的重采样算法被提了出来。首先介绍粒子滤波中最频繁使用的几种重采样算法。并对他们进行了理论分析,从而揭示了这些重采样算法之间的区别,包括他们的重采样效率和计算复杂度。通过模拟,确认了理论分析的结果。结果表明,局部系统确定性重采样是适用于大量的对象跟踪的情况。     

基于自适应感知复位算法的移动机器人定位

本文在传统粒子滤波的基础上提出了一种基于自适应感知复位定位算法(ASRL:Adaptive Sensor Resetting Localization)的移动机器人定位方法.该方法通过带有权值的样本集描绘机器人的可信度,根据有效的样本数计算需要生成的新样本数,然后从感知分布中采样代替原来的样本.ASRL算法已经在安装有编码器和彩色摄像机两种传感器的实际移动机器人上进行实验,结果表明该算法鲁棒性更好,收敛更快.     

一种基于自适应进化粒子滤波的移动机器人定位方法

提出了一种用于移动机器人定位的自适应进化粒子滤波算法.该算法利用遗传算法中的选择、交叉和变异操作改善样本的多样性,并且引入自适应调整控制参数.另外采用自适应重采样方法,只在需要时才进行重采样,减少重采样的次数.理论分析和仿真实验证明该算法能有效地提高定位精度.     

基于PF/CUKF/EKF的移动机器人SLAM框架算法

 提出了一种基于混合滤波的移动机器人同时定位与地图创建(SLAM)算法框架,并利用统计理论对SLAM算法进行一致性评估,该算法框架将机器人SLAM中的联合后验概率分布分解为机器人路径部分及以机器人路径为条件的地图部分,使滤波器变成低维滤波,能够有效地提高计算效率.采用约束的无色卡尔曼滤波(CUKF)算法并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计移动机器人的位姿,进而通过扩展卡尔曼滤波(EKF)算法更新特征地图的位置.仿真实验表明该混合滤波技术为SLAM算法提供了一种有效可靠的途径,在一定条件下与其他SLAM算法比较会得到更高的精度要求.     

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。     

一种适用于移动传感器网络的增强型蒙特卡罗定位跟踪算法

该文提出一种在低锚节点密度的移动传感器网络中实现定位跟踪的方法。利用受控的洪泛方式提高锚节点利用效率,采用遗传交叉操作加快预测阶段的抽样,采用插值方法对节点运动速度及方向进行预测,利用位置估计精度优于自身的1跳邻居节点的信息强化滤波条件。仿真实验结果表明,该文算法与传统算法相比加快了收敛速度,提高了定位精度,改善了在低锚节点密度时的性能。     

一种新的基于序列蒙特卡罗方法的符号检测器

在衰落信道下检测传输符号是序列蒙特卡罗方法在通信领域中的一个重要应用.由于在序列蒙特卡罗方法中重要函数的选择直接会影响系统性能,针对这一问题,提出了一种新的混合重要函数,较大幅度提高了衰落信道下传输符号的检测水平,仿真结果也证实了这种新检测器的有效性.     

一种新的移动机器人全局定位算法

粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(central difference filter,CDF)相结合的新算法,并对测量更新步的加权粒子集应用基于KD-树的加权期望最大(weighted expectation maximization,WEM)自适应聚类算法获得表示机器人位姿状态后验密度的高斯混合模型(Gaussian mixture model,GMM).实验结果表明,新方法提高了定位准确率,降低了计算复杂度.     

Monte Carlo localization for mobile wireless sensor networks

Localization is crucial to many applications in wireless sensor networks. In this article, we propose a range-free anchor-based localization algorithm for mobile wireless sensor networks that builds upon the Monte Carlo localization algorithm. We concentrate on improving the localization accuracy and efficiency by making better use of the information a sensor node gathers and by drawing the necessary location samples faster. To do so, we constrain the area from which samples are drawn by building a box that covers the region where anchors’ radio ranges overlap. This box is the region of the deployment area where the sensor node is localized. Simulation results show that localization accuracy is improved by a minimum of 4% and by a maximum of 73% (average 30%), for varying node speeds when considering nodes with knowledge of at least three anchors. The coverage is also strongly affected by speed and its improvement ranges from 3% to 55% (average 22%). Finally, the processing time is reduced by 93% for a similar localization accuracy.