自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

IMM算法实现非线性状态估计的研究与仿真

研究交互式多模型算法的非线性状态估计性能,按照工作点把非线性系统线性化为多个子模型,建立多模型自适应状态估计器.利用Monte-Carlo仿真法将其与EKF和UKF算法在不同参数下的噪声抑止能力和鲁棒性进行了比较,并分析了马尔可夫参数和模型个数对算法性能的影响.仿真结果表明该算法能达到理想的估计精度、收敛速度、稳定性和鲁棒性,能克服单一估计器由于参数变化和外部扰动所造成的估计误差过大,甚至发散的问题,能覆盖大范围的参数不确定性.     

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.     

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题, 设计了一种带噪声统计估计器的自适应UKF滤波算法. 首先根据极大后验(Maximum a posterior, MAP)估计原理, 推导出一种次优无偏MAP常值噪声统计估计器; 接着在此基础之上, 采用指数加权的方法, 给出了时变噪声统计估计器的递推公式; 最后对自适应UKF算法进行了性能分析. 相比于传统UKF, 该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛, 滤波精度及稳定性显著提高, 而且其具有应对噪声变化的自适应能力. 仿真实例验证了其有效性.     

面向3维空间的移动机器人快速自适应SLAM算法

针对3维空间中移动机器人同时定位与地图构建(SLAM)问题,提出了一种基于改进强跟踪滤波(STF)的快速自适应SLAM算法.该算法首先对于强跟踪滤波器的噪声协方差阵进行在线自适应估计,用于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;随后将状态协方差矩阵进行奇异值分解(SVD),提高算法的数值稳定性.该算法可提高对系统时变的自适应能力以及系统状态估计精度.与基于强跟踪滤波器的SLAM算法的仿真对比结果说明了该算法的有效性及其在抑噪性能和估计精度方面的优越性.     

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.

     

高动态下基于AUKF的载波跟踪算法

当载体处于高动态运动状态时,GPS接收机载波跟踪信号极易受到外部环境不确定因素的影响。若采用标准的无迹卡尔曼滤波 (UKF),在先验的噪声统计特性与实际的噪声统计特性不相符时,状态估计性能将变差甚至发散。针对上述问题,提出采用主从式自适应UKF的算法(AUKF)。AUKF能自适应调整过程噪声方差,从而达到减小模型估计误差、抑制滤波发散的目的。Matlab仿真结果表明,在高动态下噪声统计特性发生变化时,基于AUKF的载波跟踪算法具有较好的稳定性。     

带有噪声递推估计的自适应集合卡尔曼滤波

卡尔曼滤波(KF)广泛应用于线性系统的状态估计问题.然而,它需要精确已知过程噪声的统计特性,这在实际应用中往往是不能满足的.在这个背景下,首先,根据协方差匹配原理建立一种带有过程噪声递推估计的自适应KF算法;然后,为了突破KF只能处理线性系统估计问题的局限,将过程噪声递推估计引入集合卡尔曼滤波(EnKF)中,提出一种自适应EnKF算法;最后,采用估计理论证明所提出算法的稳定性.与标准EnKF相比,该自适应算法在过程噪声统计特性未知的情况下滤波依然收敛,滤波精度及稳定性显著提升.仿真结果验证了所提出算法的有效性.     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

带噪声统计估计器的犝狀狊犮犲狀狋犲犱卡尔曼滤波器设计

针对传统Ｕｎｓｃｅｎｔｅｄ卡尔曼滤波器（ＵＫＦ）在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验（ＭＡＰ）估计原理,设计了一种带噪声统计估计器的ＵＫＦ．该ＵＫＦ 滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差．相比于传统ＵＫＦ,所提出的ＵＫＦ具有应对噪声统计变化的自适应能力．仿真结果表明了该ＵＫＦ滤波算法的有效性．     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

一种Sage-Husa和可观测度的滤波算法研究

针对目标跟踪中过程噪声统计特性未知和状态分量可观测度差而导致滤波精度不高甚至滤波发散的问题,提出了一种复合自适应滤波算法.我该算法在滤波过程中,利用Sage-Husa噪声估计器在线估计过程噪声,用可观测度分析方法抑制状态分量可观测度差对滤波器的不良影响.在滤波过程中实时估计和修正过程噪声的统计特性,同时对观测度差的分量...     

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.     

双线性状态空间系统的状态观测器设计

针对受过程噪声和量测噪声干扰的双线性状态空间系统,研究其状态估计算法.借助双线性系统的特殊结构,将其等价表示为线性时变模型,推导基于Kalman滤波的状态估计算法.针对线性时变模型中存在的未知变量,基于辅助模型辨识思想,通过构造一个辅助模型,将未知变量用该模型的输出代替,提出基于辅助模型的双线性系统状态估计算法.构造双线性状态观测器,引入delta算子极小化状态估计误差协方差矩阵,从而得到最优状态估计增益,并提出基于delta算子的双线性系统状态估计算法.所提出的算法能够避免线性化过程带来的估计精度差的问题,提高双线性系统的状态估计精度.通过仿真实验验证了所提出算法的有效性,并对比分析了不同噪声情况下所提出算法的估计效果.     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高的问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波(UKF)移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

基于极大似然估计的新息自适应滤波算法

针对噪声统计信息未知或时变情况下常规卡尔曼滤波估计精度下降甚至发散的问题,提出了一种基于极大似然估计的新息自适应滤波算法.算法对基于极大似然估计的常规新息协方差估值器进行限定记忆指数衰减加权修正,增加滑动窗口内新近新息协方差序列的利用权重;根据新息自适应原理,利用新息协方差估计值直接计算滤波增益矩阵,加快滤波器收敛速度的同时提高了滤波算法的估计精度.算法应用于捷联惯性导航系统/全球定位系统(SINS/GPS)组合导航系统,仿真实验表明:在噪声统计信息未知或时变情况下,算法具有更强的鲁棒性以及更高的滤波精度.     

基于状态估计的摩擦模糊建模与鲁棒自适应控制

针对一类多自由度机械系统, 研究了基于状态估计的摩擦模糊建模与鲁棒自适应控制问题. 提出用模糊状态估计器估计摩擦模型中的不可测变量, 并用严格正实和李雅普诺夫稳定性理论证明了状态估计误差的一致最终有界性. 运用模糊状态估计结果设计了多变量鲁棒自适应控制器, 其中摩擦模糊模型中的自适应参数是基于李雅普诺夫稳定性理论设计的, 并证明了闭环系统跟踪误差的一致最终有界性. 本文对多自由度质量、弹簧和摩擦阻尼系统进行的仿真, 结果表明所提出的状态估计算法和自适应控制策略是有效的.     

基于梯度自适应规则的自适应UKF算法及其应用

针对量测噪声方差统计值未知的非线性UKF(Unscented Kalman Filter)滤波问题,提出了一种基于梯度自适应规则的自适应UKF算法;在标准的非线性UKF算法基础上,根据残差方差阵的估计值与真实值之差构造代价指标函数,并将该函数相对于参数变化的负梯度方向作为参数更新的方向,构建自适应调节机制;将算法应用于GPS/DR(Dead-Reckoning)组合导航系统中,仿真结果显示状态估计误差具有良好的收敛性,估计精度较噪声观测器有明显改善,表明算法对量测噪声方差阵的动态变化具有较强的适应性。     

基于UD分解自适应KEF的锂电池 SOC估算

电池荷电状态(SOC)是电池重要的性能指标之一,为电池管理系统实现管理控制提供了重要依据。针对卡尔曼滤波算法不能预估和修正噪声的问题,引入改进的Sage-Husa噪声估计器,构成自适应扩展卡尔曼滤波算法AEKF)估算动力锂电池SOC,同时针对计算机在进行浮点运算时存在单位舍入误差问题,采用UD分解算法,保证任意时刻状态估计协方差矩阵的对称正定性,限制由于计算误差引起的滤波发散,提高算法的精度和稳定性,通过MATLAB仿真对本文算法进行了验证,并与标准EKF算法进行比较,结果表明该算法具有较高的估算精度和稳定性,可以满足应用要求。     

动力定位船舶自适应滑模无源观测器设计

针对带有模型参数不确定性的动力定位船舶,提出一种动力定位船全速域自适应滑模无源观测器,解决了现有观测器只能应用于低速作业动力定位系统的问题.采用速度估计误差作为滑模面,设计切换自适应律估计模型不确定项上界,保证了观测器增益的有界性和系统鲁棒性.对速度估计回路的无源性进行了分析,并证明了观测器的稳定性.最后利用船舶动力定位系统半实物仿真平台,验证了算法的有效性.