基于降阶卡尔曼滤波器的水下机器人滑模容错控制

针对水下机器人执行器时变、非线性故障,提出一种基于降阶卡尔曼滤波器的故障估计和滑模容错控制方法.用降阶卡尔曼滤波器估计水下机器人故障解耦子系统的状态,受故障的影响,子系统状态可测.由估计的状态和测量的状态可进一步得到水下机器人执行器的故障信息.滑模容错控制器根据所估计的执行器故障调整控制器的输出以实现容错控制.仿真结果验证了所提出的故障辨识与容错控制算法的有效性.     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.     

基于卡尔曼滤波的自主式水下航行器大尺度编队控制

针对网络环境下环境噪声对自主式水下航行器编队控制的影响,提出一种利用卡尔曼滤波实时估计AUV最优运动状态的编队控制方法.将空间间隔较远的多AUV系统建模为多智能体系统,从大尺度上研究其编队控制问题.为了得到每个AUV速度状态的最优估计值,每个AUV都嵌入一个全局卡尔曼滤波器,利用该全局滤波器进行最优估计从而计算出噪声环境下其自身的最优位置.仿真结果验证了所给出的控制策略的有效性.     

分布式伪线性卡尔曼滤波纯方位跟踪北大核心CSCD

针对纯方位跟踪(BOT)的非线性滤波和距离可观测性较差问题,提出了一种新的分布式多传感器辅助变量伪线性卡尔曼滤波器(DM-IVPLKF)。该滤波器利用辅助变量伪线性卡尔曼滤波器(IVPLKF)独立处理目标测量值,通过偏差补偿伪线性卡尔曼滤波器(偏差补偿PLKF)解决由于量测向量与伪线性噪声相关而产生的偏差,将递归辅助变量估计方法嵌入偏差补偿PLKF中,对目标状态估计和协方差进行修正。所提算法利用多传感器最优信息融合准则,对目标状态进行融合估计。然后,推导了多传感器BOT的克拉默-拉奥下界(CRLB)。通过仿真实验,将所提算法与传统算法进行对比,仿真结果证明了所提算法具有较高的跟踪精度。     

参数不确定系统的H∞估计问题的显式解和中心解

研究在连续时间情形下的具有部分参数不确定性的系统的H∞状态估计问题,它可 以被化简为带有一个自由可调参数对象的H∞状态估计,由此可得到滤波器的简洁通解显 式.并进一步研究了H∞估计的中心解,以及它与卡尔曼滤波器的关系.实例计算表明,对于 参数具有不确定性的系统,H∞滤波器的性能明显地优于卡尔曼滤波器.     

一种自适应残差补偿算法在移动机器人姿态估计中的应用研究

针对两轮移动机器人MEMS IMU姿态估计的数据融合问题,提出一种以卡尔曼滤波为基础的自适应残差补偿算法。该算法结合惯性传感器误差模型与移动机器人姿态模型构建卡尔曼滤波器,利用卡尔曼滤波量测更新的加速度残差自适应补偿非重力载体位移加速度对姿态估计的影响。实验结果表明,该算法有效的融合了MEMS IMU姿态测量数据,抑制了传感器随机漂移误差,同时自适应补偿了非重力载体位移加速度。     

基于联邦卡尔曼滤波器的信息分配因子的研究

介绍了联邦卡尔曼滤波器的基本原理和算法.对信息分配因子在联邦卡尔曼滤波器中的作用进行了研究.针对不同取值的信息分配因子对联邦卡尔曼滤波器状态估计精度的影响,通过对联邦卡尔曼滤波算法推导,从理论上证明了信息分配因子的不同取值不会改变主滤波器的状态估计精度,只能改善子滤波器的状态估计精度.运用MATLAB仿真平台进行了仿真验证.仿真结果表明,信息分配因子的改变仅对子滤波器状态估计精度的改善有一定的作用.     

基于自适应固定滞后卡尔曼平滑器的状态观测器在假手上的应用

针对以电位计为角度传感器的假手系统,提出了一种基于自适应固定滞后卡尔曼平滑器的状态观测器以观测手指的当前位置、速度和加速度信息.首先,分析了卡尔曼滤波器滤除电位计热噪声并观测速度与加速度的合理性,进而建立了其系统的离散状态转移矩阵.其次,相比卡尔曼滤波器,卡尔曼平滑器在参数相同的情况下具有更好的平滑效果,据此提出一种基于固定滞后卡尔曼平滑器的状态观测器,并通过引入渐消因子以提高动态响应特性.同时给出了一种将本文算法滞后特性降至一个控制周期的有效实现方式.最后,在HIT-V仿人假手实验平台上进行了实验验证.实验结果表明,相比对原始数据直接进行差分,该方法将速度噪声降低了20倍以上,加速度噪声降低了10 000倍以上.相比标准卡尔曼滤波器和固定滞后卡尔曼平滑器,该方法在动态响应方面具有更好的效果.     

基于超短基线/多普勒的水下机器人位置估计

为解决深海复杂环境下采用水声定位系统实现水下机器人位置控制所带来的反馈信号 延迟问题，提出了基于USBL/Doppler的水下机器人位置估计算法．文中首先根据导航系统确 定卡尔曼滤波器结构并建立了系统的状态方程和观测方程，同时，为了提高估计精度，引入 自适应卡尔曼滤波理论，以降低系统对环境和初始噪声估计精度的敏感性．最后通过数字仿 真验证了算法的有效性，并给出了结论．     

传感器网络中鲁棒状态信息融合抗差卡尔曼滤波器

研究了无线传感器网络中的分布式鲁棒状态信息融合问题. 在局部状态估计层, 基于鲁棒统计学理论提出了适用于噪声相关情况的抗差(扩展)卡尔曼滤波器. 在融合中心层, 针对局部估计相关未知性和不完整性, 给出了不依赖于互协方差阵的稳健航迹融合方法—–内椭球逼近法. 仿真结果证实了算法的有效性: 所提出的抗差卡尔曼滤波器在野值存在情况下, 性能退化远低于传统卡尔曼滤波器(28.6%比428.6%); 所提出的内椭球逼近法获得比协方并交叉法更好的融合估计性能, 且不需要局部估计相关性的先验知识.     

自主姿态测量算法研究

航姿系统一般不实时计算速度和位置信息,无法补偿地球自转和表观运动引起的分量误差,同时陀螺漂移较大,载体长时间持续机动时,出现姿态精度不高,甚至发散的问题。提出了一种基于卡尔曼滤波的姿态融合算法,将等效陀螺漂移列入系统状态,利用卡尔曼滤波的新息对运动状态进行判别,在一定条件下,用加速度计的输出作为量测量进行卡尔曼滤波的量测更新过程。实验结果表明,所提出的姿态融合算法考虑了陀螺漂移,能提高载体长时间机动时的姿态精度。     

Multi-sensor Data Fusion for Wheelchair Position Estimation with Unscented Kalman Filter

This paper investigates the problem of estimation of the wheelchair position in indoor environments with noisy measurements. The measuring system is based on two odometers placed on the axis of the wheels combined with a magnetic compass to determine the position and orientation. Determination of displacements is implemented by an accelerometer. Data coming from sensors are combined and used as inputs to unscented Kalman filter (UKF). Two data fusion architectures: measurement fusion (MF) and state vector fusion (SVF) are proposed to merge the available measurements. Comparative studies of these two architectures show that the MF architecture provides states estimation with relatively less uncertainty compared to SVF. However, odometers measurements determine the position with relatively high uncertainty followed by the accelerometer measurements. Therefore, fusion in the navigation system is needed. The obtained simulation results show the effectiveness of proposed architectures.     

基于补偿卡尔曼滤波的姿态估计算法实现

九轴的姿态测量单元包括加速度计、磁力计和陀螺仪,它采用微机电加工工艺,价格低廉但精度较差.为了获得更好的滤波稳定性和估计精度,基于补偿卡尔曼滤波原理,讨论了姿态估计算法的实现.具体过程如下:基于补偿卡尔曼滤波原理,讨论九轴测量信息的融合方法;利用加速度计和磁力计估算姿态初始值;使用手动转台实现静态标定,纠正零偏;使用高精度陀螺仪STIM210实现动态标定,设置滤波系数.结果表明,估计算法具有良好性能.     

Marginalized particle filter for spacecraft attitude estimation from vector measurements

An algorithm based on the marginalized particle filters (MPF) is given in details in this paper to solve the spacecraft attitude estimation problem: attitude and gyro bias estimation using the biased gyro and vector observations. In this algorithm, by marginalizing out the state appearing linearly in the spacecraft model, the Kalman filter is associated with each particle in order to reduce the size of the state space and computational burden. The distribution of attitude vector is approximated by a set of particles and estimated using particle filter, while the estimation of gyro bias is obtained for each one of the attitude particles by applying the Kalman filter. The efficiency of this modified MPF estimator is verified through numerical simulation of a fully actuated rigid body. For comparison, unscented Kalman filter (UKF) is also used to gauge the performance of MPF. The results presented in this paper clearly demonstrate that the MPF is superior to UKF in coping with the nonlinear model.     

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。     

加速度计信号处理的建模与仿真

研究车载公路路面平整度动态测量系统的优化设计问题,加速度计输出信号的二次积分用于修正路面高程数值,由于目前处理一维加速度计信号的方法中均不能滤除混入的标度因数误差。为解决上述问题,提出根据卡尔曼滤波原理建立标定车载道路路面平整度检测单元中一维加速度计混入的零偏差和标度因数误差的卡尔曼滤波模型,并使用MATLAB软件上进行仿真,仿真结果表明建立的卡尔曼滤波模型可以有效估计和滤除加速度计输出信号中混入的固有零偏差、标度因数误差和随机白噪声,为优化设计提供了依据。     

Marginalized particle filter for spacecraft attitude estimation from vector measurements

An algorithm based on the marginalized particle filters （MPF） is given in details in this paper to solve the spacecraft attitude estimation problem： attitude and gyro bias estimation using the biased gyro and vector observations. In this algorithm, by marginalizing out the state appearing linearly in the spacecraft model, the Kalman filter is associated with each particle in order to reduce the size of the state space and computational burden. The distribution of attitude vector is approximated by a set of particles and estimated using particle filter, while the estimation of gyro bias is obtained for each one of the attitude particles by applying the Kalman filter. The efficiency of this modified MPF estimator is verified through numerical simulation of a fully actuated rigid body. For comparison, unscented Kalman filter （UKF） is also used to gauge the performance of MPE The results presented in this paper clearly derfionstrate that the MPF is superior to UKF in coping with the nonlinear model.     

小型无人直升机嵌入式导航系统算法与飞行试验

基于微陀螺、加速度计、磁强计以及GPS模块构建了姿态航向位置参考系统(Attitude heading position ref-erence system,AHPRS).首先,通过等效旋转矢量法由陀螺解算出估计姿态角;其次通过GPS、加速计的测量值,结合磁强计估计补偿姿态角,推导基于误差四元数的滤波方程,滤波器的周期...     

A theoretical approach to observability analysis of the SDINS/GPS in maneuvering with horizontal constant velocity

A theoretical method for analyzing the observability of a strapdown inertial navigation system (SDINS) integrated with the global positioning system (GPS) is proposed. The analysis is performed based on two types of maneuvers for a vehicle on a horizontal trajectory: level flight with constant north velocity and level flight with constant east velocity. The observability also is analyzed using the convergence theorem, stationary state observability analysis results, and Kalman filter measurement information to rearrange the SDINS error model equation. The state variables are divided into observable and unobservable parts, and determine which state variables are observable and estimable with some errors from the relationship of observable and unobservable state variables. Our results have shown that the north and east axes accelerometer bias errors were unobservable, and that attitude errors, and east and down axes gyro bias errors were estimable with some unknown bias errors. It has been shown that horizontal maneuvering improves the observability of down axis gyro bias error compared with the stationary state, and the estimation errors of the heading error state and east axis gyro bias error are dependent on the magnitude of north velocity. The results of the theoretical observability analysis are confirmed through computer simulation.     

变增益联邦KF组合导航定位算法研究

GPS接收模块解算出的伪距误差是GPS/INS组合导航系统的主要误差,采用一种二级联邦卡尔曼滤波组合导航算法加以削弱,将卫星接收模块解算出的伪距信息和多普勒频移信息在第一级卡尔曼滤波后,再通过主滤波器与INS模块解算出的信息进行修正处理,得到校正量和定位位置最优估计。随着滤波步数增加,系统预测误差方差阵逐渐趋于零,状态估计会过分依赖旧量测值,从而导致滤波发散,影响系统定位精度。为有效提高新量测值的修正作用,在联邦卡尔曼滤波组合导航算法中引入一种可变加权系数。仿真结果表明,改进后的变增益联邦卡尔曼滤波算法具备联邦卡尔曼滤波的优点,并且该算法滤波效果有较明显的改善,能有效抑制滤波发散,提高系统的定位精度。