基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

用于目标跟踪的智能群体优化滤波算法

针对目标跟踪中的状态估计，提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上，运用智能群体优化的3种运动模型估计目标的后验状态，其中内聚运动在保持了粒子多样性的情况下增加了样本的权值，分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明:与标准粒子滤波相比，该算法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟踪准确性。     

协同运动状态估计的多目标跟踪算法

多目标跟踪在视频分析场景中有着广泛的应用,如人机交互、虚拟现实、自动驾驶、视频监控和机器人导航等。多目标跟踪问题可以表示为在已有的检测数据上进行目标轨迹关联,检测算法的准确性对跟踪性能起着关键性的作用。在基于检测的目标跟踪框架中,提出了一种协同运动状态估计的跟踪算法,该算法主要关注相邻帧之间的数据关联,从目标检测、目标运动状态估计和数据关联这3个方面来直接解决多目标跟踪面临的挑战。首先,对于目标检测,采用Multi Scale Convolutional Neural Network(MS-CNN)算法作为检测器,这是因为深度学习在检测的效益上优于传统的机器学习方法;其次,为了更好地预测目标的运动状态和处理目标间的遮挡,针对不同状态的目标采取不同的运动估计方法: 采用核相关滤波来评估处于跟踪状态的目标的运动状态,当目标处于遮挡状态时,采用卡尔曼滤波做运动估计;最后,采用Kuhn-Munkres算法对检测目标和跟踪轨迹做数据关联。通过大量的实验证实了算法的有效性,且实验结果表明算法的准确性很高。     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

基于粒子滤波的未知环境下机器人同时定位、地图构建与目标跟踪

为了解决机器人在未知环境下的目标跟踪问题,提出了一种基于粒子滤波的机器人同时定位、地图构建与目标跟踪方法．该方法采用Rao-Blackwellized粒子滤波器对机器人位姿状态、标志柱分布和目标位置同时进行估计．该方法中,粒子群的总体分布情况表征机器人位姿状态,而每个粒子均包含2类EKF滤波器,其中一类用来完成对标志柱分布的估计,另一类用来完成对目标状态的估计,粒子的权值则由粒子状态相对于标志柱和目标状态2类相似度共同产生．通过仿真和实体机器人实验验证了该方法的有效性．     

基于蒙特卡罗方法的目标跟踪

为了更鲁棒和快速地进行目标跟踪,在基于粒子滤波的目标跟踪方法的启发下,提出了一种新的基于蒙特卡罗方法的目标跟踪方法。该方法首先运用蒙特卡罗技术对下一帧目标可能出现的位置和尺度进行抽样;然后计算各抽样与参考目标的相似度;最后通过估计目标状态来获得跟踪目标。实验表明,该方法无需目标运动信息,特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

未知环境基于单目次优视差的多模滤波目标跟踪算法

在未知环境下基于单目视觉的机器人同时定位、地图构建和目标追踪的耦合问题（SLAMOT）中,需要足够的视差才能满足目标跟踪的可观性条件。同时,针对目标运动的不确定性以及系统对于目标运动方式的未知性,提出一种基于次优视差的多模滤波目标跟踪算法。首先,采用目标不确定性椭球投影面积变化最大的方向为次优视差方向,并将其作为机器人视差控制方向;然后,采用多模滤波算法计算目标各种运动方式的概率;其次,对各运动方式的目标状态进行估计,最后根据各运动方式的概率加权估计出目标状态。另外,考虑到工程应用中应减小能耗,因此,在满足目标跟踪要求的条件下,降低视差速度。仿真实验表明：视差速度为0.3 m/s时,次优视差算法的残差均值为0.16 m,而启发式算法、多模滤波算法、传统扩展卡尔曼滤波（EKF）算法的残差均值为0.25 m、0.06 m和0.16 m。在视差速度较低时,所提算法也能满足目标跟踪的可观性条件,具有较强的工程应用价值。     

增强现实中的混合跟踪算法研究

单一的跟踪方法存在较大的局限性,为提高增强现实中跟踪环节的实时性和准确性,针对视觉跟踪和磁力跟踪的特点进行研究,提出了一种基于自适应粒子滤波的混合跟踪算法,用于对头部运动轨迹估计。该算法通过分析系统状态,自适应地融合多传感器数据,并建立相应的状态转移模型和系统量测模型;另外,该算法能在非线性非高斯的环境下动态地改变滤波器的粒子数和噪声方差,最终实现对头部运动轨迹的实时、正确估计。实验结果表明,该算法能有效地提高基于视觉和磁的混合跟踪的鲁棒性和运动估计的准确性。     

基于最优线性无偏估计的交互式多模型机动目标跟踪

为了解决雷达目标跟踪的非线性估计问题,提出了一种基于最优线性无偏估计的交互式多模型(IMM)机动目标跟踪算法.该算法采用最优线性无偏估计(BLUE),把目标的状态在笛卡尔坐标来表示,而把雷达测量误差保留在极坐标下,并结合交互式多模型算法,实现对机动目标的有效跟踪.仿真实验验证了该算法的准确性和有效性.     

Fuzzy filter for state estimation of a glucoregulatory system

A filter based on fuzzy logic for state estimation of a glucoregulatory system is presented. A published non-linear model for the dynamics of glucose and its hormonal control including a single glucose compartment, five insulin compartments and a glucagon compartment was used for simulation. The simulated data were corrupted by an additive white noise with zero mean and a coefficient of variation (CV) of between 2 and 20% and then submitted to the state estimation procedure using a fuzzy filter (FF). The performance of the FF was compared with an extended Kalman filter (EKF) for state estimation. Both the FF and the EKF were evaluated in the following cases: (a) five state variables are measurable; three plasma variables are measurable; only plasma glucose is measurable; (b) for different measurement noise levels (CV of 2–20%); and (c) a mismatch between the glucoregulatory system and the given mathematical model (uncertain or approximate model). In contrast to the FF, in the case of approximate model of the glucose system, the EKF failed to achieve useful state estimation. Moreover, the performance of the FF was independent of the noise level. In conclusion, the FF approach is a viable alternative for state estimation in a noisy environment and with an uncertain mathematical model of the glucoregulatory system.     

基于强跟踪UKF 的自适应SLAM 算法

针对无迹卡尔曼滤波（UKF）缺乏在线自适应调整能力,导致系统状态估计精度较低的问题,提出了 一种将强跟踪滤波器（STF）与UKF 相结合的SLAM 算法．该算法对于UKF 中每个采样点采用STF 进行更新,获 得优化滤波增益,抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近．仿真实验对比了当前 几种SLAM 算法在不同噪声环境下的性能,实验表明,基于强跟踪UKF 的自适应SLAM 算法具有更好的鲁棒性和 自适应性．     

有适应力的分布式状态估计方法

为提高智能体系统对攻击的免疫力,研究了测量攻击下的适应力分布式状态估计方法。每个智能体对系统状态进行连续的本地线性测量。由于不同智能体的本地测量模型相互异构,对系统状态可能不具有本地可观测性,且攻击者能够操控部分智能体的测量数据,随意改变其测量结果。而智能体的目标是协同处理本地测量数据,并正确估计出未知的系统状态。因此,该问题的挑战在于在不对真实测量数据和恶意智能体的测量数据进行分辨时,如何设计算法估计得到真实的系统状态。为了解决这个问题,设计了适应性分布式最大后验概率估计算法。在该算法中,只要恶意智能体的数量小于某个特定值,所有智能体都能够收敛到系统状态。首先,根据卡尔曼滤波给出集中式最大后验概率(Maximum A Posteriori,MAP)估计方法,并与分布式一致性结合,进而得到分布式最大后验概率估计方法。然后,考虑到测量攻击,从估计一致性的角度,利用自适应饱和度增益设计了适应性分布式最大后验概率估计方法。最后,通过仿真实验验证算法的有效性。     

混合动力汽车Ni—MH电池SOC估算算法的研究

电池的荷电状态SOC（state—of—charge）,对于混合动力汽车的电池管理系统来说是一个非常重要的参数。文章介绍了当前常用的一些SOC的估算方法,并分析了这些方法存在的一些局限性。着重研究了基于卡尔曼滤波器估算SOC的算法,并在MATLAB下进行了仿真。     

基于微型编码器的电机LQG控制器设计方法

针对航空航天领域对电机伺服控制系统高精度和小体积的需求,提出并实现了一种基于微型编码器的电机伺服跟踪系统线性二次高斯控制器设计方法.分析了实际电机系统结构和编码器的典型误差并建立系统的噪声状态方程;设计了平稳卡尔曼滤波器,可以实现角位置、角速率和角加速度的最优估计;根据总体指标完成了线性二次高斯控制器设计并在Matlab/Simulink环境下建立了仿真模型并对其控制效果进行了预测;模拟实际工作环境搭建了实验测试系统对其跟踪性能进行了实测评估.仿真和实验结果表明:结合卡尔曼滤波的电机线性二次高斯控制器不但具有良好的跟踪性能,带宽可达24Hz,还能够有效地抑制噪声影响.     

基于系统误差和状态联合估计的目标跟踪算法

针对线性系统中系统误差对状态估计精度造成的不利影响,在卡尔曼滤波算法框架下提出一种基于系统误差和状态联合估计的目标跟踪算法。在算法实现过程中,首先定量分析了系统误差对目标状态估计及其估计误差协方差矩阵的影响,进而结合状态扩维技术构建系统误差配准的实现过程,最终依据标准卡尔曼滤波迭代流程设计了算法实现步骤。仿真实验结果表明: 在系统误差恒定和时变两种情况下,新算法在系统误差配准和状态估计上具有可行性和有效性。     

改进强跟踪滤波算法及其在汽车状态估计中的应用

准确实时地获取汽车行驶过程中的状态变量,对汽车底盘控制有着重要的意义,而这些关键状态往往难以直接测量或 者成本较高.结合纵向、侧向和横摆三自由度非线性汽车模型,将改进强跟踪滤波(Improved strong track filter, ISTF)算法应用到汽车的状态估计中,并改进了算 法的稳定性.与扩展卡尔曼滤波(Extended Kalman filter, EKF)算法进行比较分析.通过Carsim和Matlab/Simulink联合仿真和实车双移线实验验证算法,结果 表明,该算法在估计精度、跟踪速度、抑制噪声等方面均优于扩展卡尔曼滤波算法,满足汽车状态估计器的软件性能要求.     

A derivative-free distributed filtering approach for sensorless control of nonlinear systems

This article examines the problem of sensorless control for nonlinear dynamical systems with the use of derivative-free Extended Information Filtering (EIF). The system is first subject to a linearisation transformation and next state estimation is performed by applying the standard Kalman Filter to the linearised model. At a second level, the standard Information Filter is used to fuse the state estimates obtained from local derivative-free Kalman filters running at the local information processing nodes. This approach has significant advantages because unlike the EIF (i) is not based on local linearisation of the nonlinear dynamics (ii) does not assume truncation of higher order Taylor expansion terms thus preserving the accuracy and robustness of the performed estimation and (iii) does not require the computation of Jacobian matrices. As a case study a robotic manipulator is considered and a cameras network consisting of multiple vision nodes is assumed to provide the visual information to be used in the control loop. A derivative-free implementation of the EIF is used to produce the aggregate state vector of the robot by processing local state estimates coming from the distributed vision nodes. The performance of the considered sensorless control scheme is evaluated through simulation experiments.     

小型飞行器高度定位数据融合方法

给出了一种小型飞行器高度定位的数据融合方法。根据飞行器运动方程 ,推导出了高度和飞行状态之间的关系 ,并由所得的飞行状态 ,利用Kalman滤波方法得到高度估计。根据实测值、最优估计值和GPS高度测量值进行数据融合 ,进一步对高度传感器定位误差进行修正。仿真和数据回放结果表明使用此方法可以得到飞行器更准确的定位。     

FPGA implementation of extended Kalman filter for SOC estimation of lithium‐ion battery in electric vehicle

A FPGA implementation for a model‐based state of charge (SOC) estimation is described in this paper. A Thevenin equivalent circuit model is designed for SOC estimation. The extended Kalman filter (EKF) is designed to complete the SOC estimation, and the error is within 1 % . The FPGA is chosen to achieve realtime SOC estimation. A fast matrix method is proposed to improve the calculation speed of the EKF in FPGA because the EKF algorithm requires many matrix operations. In addition, the embedded system based on the FPGA with a system on a programmable chip (SOPC) technique is built using the Qsys platform in Quartus II. Based on the embedded system, an online testing platform is established to monitor the terminal voltage and load current of the experimental battery in real time; experimental results show that the online SOC estimation is successful. The measurement results show that the FPGA embedded scheme of the EKF allows for successful implementation of the SOC estimation with accuracy and speed. The fast matrix method requires 0.00007 s to implement the SOC estimation and is four times faster than the conventional matrix method.