改进的UPF在GPS/INS导航中的应用

针对UPF（Unscented Particle Filter）由于计算量大而难以应用于GPS/INS（Global Positioning System/Inertial Navigation System）组合导航中的问题,提出一种基于全局采样的UPF算法。结合了最新的量测值,对粒子集整体利用一次UKF（Unscented Kalman Filter）算法产生建议分布,免去了UPF中对每个粒子循环套用UKF的环节,省去了重采样步骤,减少了UPF的计算量。仿真实验采用以伪距为观测量的状态变量为10维的非线性模型,结果表明,改进的UPF与PF相比,具有更高的估计精度,与UPF相比,具有更小的计算量,能够解决UPF难以应用于GPS/INS组合导航中的问题。     

改进的CRPF在自主天文导航中的应用

针对传统粒子滤波算法中粒子枯竭的缺陷,提出了一种改进的代价参考粒子滤波(CRPF)方法;该算法以代价函数代替统计参考粒子滤波中的后验概率密度函数,引进风险函数进行一步预测及更新,通过概率质量函数对不同的粒子赋予不同的权重,消除了粒子枯竭问题,并使用了自动调整的遗忘因子,可以处理状态变化剧烈的情况;使用该方法处理天文导航中的非线性、非高斯噪声,仿真结果表明,改进算法提高了滤波的稳定性和精确度,具有较高的使用价值和广泛的应用前景。     

多线程技术在AUV自主控制系统中的应用

自主控制系统对于自主式水下机器人(简称AUV)使命执行的安全性和有效性至关重要.本文在QNX环境下利用多线程技术实现了一种AUV自主控制系统.文中介绍了AUV的混杂系统结构和自主控制原理,给出了自主控制系统的多线程结构.设计了多线程同步模块,并与QNX消息传递机制相结合实现了AUV自主控制系统线程间的同步与通信.最后在半实物仿真平台上对自主控制系统软件进行了验证.     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

一种改进Unscented粒子滤波及其应用研究

UPF(Unscented粒子滤波)克服了UKF(Unscented卡尔曼滤波)不适用于非高斯噪声系统的局限性和PF(粒子滤波)重要性密度函数难以选取的缺陷,但是,其仍易受到异常扰动的影响,且在计算迭代中协方差阵可能失去半正定性.针对此问题,提出抗差自适应Unscented粒子滤波算法.首先介绍抗差估计基本原理和自适应因子模型,在充分吸收抗差估计、自适应滤波和UPF算法优点的基础上,提出RAUPF算法,然后将RAUPF算法应用到单变量非静态状态增长模型中进行仿真计算,并与EKF和UPF算法进行比较,并进行复杂度分析.结果表明,提出的算法估计精度高于EKF和UPF算法的估计精度,估计值更加接近真值.     

基于UKF的SINS动基座传递对准研究

在非线性、非高斯条件下进行动基座传递对准,如果采用卡尔曼滤波器误差会比较大而且可能会存在发散的问题,为了解决问题,引入了无迹卡尔曼滤波UKF(unscented Kalman filter).使用确定性样本的方法米处理非线性的问题,使得采样点的均值和方差完全符合实际的非线性系统的均值和方差,解决了惯性导航系统动基座传递对准在正常工作时的基本条件.采用UKF和扩展卡尔曼滤波EKF(Extended Kalman Filter)的计算机仿真结果表明:UKF与EKF相比,精度提高了2倍,时间少了10秒.     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

有色噪声下的平方根UKF在天文自主导航中的应用

针对由星敏感器和光学导航相机组成的卫星天文自主导航系统, 传统的平方根UKF不能很好地解决测量噪声为有色噪声情况下的非线性滤波问题, 导致导航系统的精度下降. 为此, 提出了一种有色噪声情况下的平方根UKF方法. 同时, 为了避免在数值计算的过程中, 由于舍入误差而破坏误差协方差矩阵的正定性和对称性, 在整个递推计算过程中, 借鉴平方根Kalman滤波理论, 采用协方差矩阵平方根进行递推计算, 改善滤波算法的稳定性, 协方差矩阵的平方根更新用cholesky分解和qr分解来计算. 将该方法应用于卫星天文自主导航系统中, 实验仿真结果表明, 相对于传统的平方根UKF算法, 所设计的平方根UKF算法能够很好地解决测量噪声为有色噪声情况下估计精度低问题.     

一种序贯Unscented卡尔曼滤波在微小型无人直升机导航系统中的应用

对于应用到微小型无人直升机上的低成本捷联惯导（SINS）/GPS组合导航系统来说,SINS Ψ角误差模型在描述低精度惯性器件误差时对误差项的忽略,使其无法满足SINS误差估计的要求.为了克服Ψ角误差模型的不足,本文建立了基于四元数的SINS非线性误差模型.该误差模型无需对失准角进行小角度假设.为了对组合导航系统中的SINS误差进行估计,提出一种序贯Unscented卡尔曼滤波方法.该滤波方法对观测向量进行序贯处理以降低算法的计算量.仿真结果表明,该滤波方法能有效提高低成本SINS/GPS组合导航系统的性能.     

基于自调整粒子滤波的组合导航方法研究

在非线性模型非高斯噪声条件下,标准粒子滤波在组合系统的观测精度较低时能取得较好的滤波效果,但在高观测精度情况下会导致滤波发散。该文针对这一问题,提出一种自调整粒子滤波方法,根据观测噪声的统计大小,自适应调整似然分布的形状,使之与先验分布重叠的区域更大,有效提高滤波稳定性。将自调整粒子滤波算法应用到组合导航系统中,并在非高斯噪声、观测信息由低观测精度跳变到高观测精度条件下进行了仿真研究,结果表明,该自调整粒子滤波算法在组合导航系统具有高观测精度的情况下依然保持了滤波精度和稳定性。     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.