一般性粒子滤波算法收敛特性

粒子滤波算法在处理最优滤波问题时受到了广泛的重视,对此类算法的收敛性研究是该领域研究的热点问题.首先介绍了一种变换的一般性粒子滤波算法,与一般性粒子滤波算法不同,在每次执行重要性采样步骤后,新算法需要判别是否需要重新执行重采样步骤和重要性采样步骤.随后对新算法的几乎必然收敛性进行了分析,并将对新算法的收敛性讨论推广到一般性粒子滤波算法中.研究了当感兴趣函数在扩展状态后验联合分布下四阶距存在并且递归次数有限时,由一般性粒子滤波算法得出的估计几乎收敛于最优估计的充分条件.最后,通过一组仿真实验来说明一般性粒子滤波算法的几乎必然收敛性.     

粒子滤波算法中的有限收敛界

在已有的关于粒子滤波(PF)收敛性研究的成果上,指出了其在工程实践中存在的问题;根据粒子滤波在实际应用中普遍存在的收敛现象,提出了粒子滤波算法的有限收敛界(LCB)的概念,并针对一个经典的非线性滤波估计例子,给出了关于自举PF、裂变自举PF、高斯PF、无味高斯PF和辅助变量PF这5种典型粒子滤波算法有限收敛界的计算结果.LCB既可作为粒子滤波算法性能的度量指标之一,也可作为工程应用中某种粒子滤波算法粒子数选取的一个参考值.     

多传感器滤波融合的惯性定位算法

针对在导航系统姿态解算中,陀螺仪和电子罗盘在解算姿态时分别存在积分误差和磁场干扰的问题,提出了利用Kalman滤波和互补滤波相融合的算法进行定位。首先将电子罗盘和陀螺仪通过Kalman滤波得出最优估计四元数,然后利用互补滤波算法对陀螺仪的漂移进行补偿得到校正后的四元数,将此次得到的四元数和Kalman滤波得出最优估计四元数再次通过Kalman滤波对四元数进行第二次最优估计,进而输出姿态角。实验中对比了本算法和互补滤波算法、无滤波算法的效果。实验证明,该算法不仅可以有效解决方位角误差发散问题,还有效解决了磁场干扰问题,实现了高精度的方位输出。     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

基于互补滤波和粒子滤波融合的球形机器人姿态解算

针对球形机器人在运动控制中难以实时、准确地获取机器人的位置和姿态估计精度的问题,提出了一种基于互补滤波和粒子滤波相融合的姿态解算算法.为了避免使用磁力计数据参与四元数计算时俯仰角和横滚角误差较大的问题,使用陀螺仪和磁力计互补滤波算法单独对球形机器人的偏航角进行解算,同时,通过信息熵评估磁力计噪声大小,动态调整磁力计在互补滤波中的权值.实验结果表明,在外部磁场干扰实验中,偏航角误差在3?以内,在球形机器人动态和静态实验中,偏航角误差在0.3?左右,俯仰角和横滚角误差能够控制在0.1?之内.因此,该算法能够保证球形机器人姿态解算的实时性,增强准确性和和抗干扰能力,有效提高球形机器人运动控制的精度.     

随机加权粒子滤波

研究粒子滤波方法优化问题,粒子退化是传统粒子滤波存在的致命缺陷.由于粒子退化,导致滤波精度的明显下降.针对粒子退化问题,在研究随机加权估计和粒子滤波算法的基础上,提出了一种新的随机加权粒子滤波算法.算法通过对样本进行随机加权,克服了传统粒子滤波算法中的粒子退化问题,保证了粒子的多样性.仿真结果表明,在小子样条件下,随机加权粒子滤波比经典粒子滤波的精度高.在大样本下二者的性能相同.但随机加权粒子滤波不需要重采样,因而算法简单,计算量小,更适合非线性非高斯系统模型的滤波计算,可为实际应用提供参考.     

粒子滤波算法及其应用研究

粒子滤波是基于序贯Monte Carlo仿真方法的非线性滤波算法,对基本粒子滤波算法的原理实现步骤进行了详细的介绍,进行了仿真试验.试验结果表明,粒子滤波能够很好地对非线性系统进行仿真,其估计精度要优于扩展卡尔曼滤波.由于粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件,并在一定程度上解决了粒子匮乏问题,近年来该算法在许多领域得到成功应用.     

萤火虫算法智能优化粒子滤波

针对粒子滤波(Particle filter, PF)重采样导致的粒子贫化以及需要大量粒子才能进行状态估计的问题,本文结合粒子滤波的运行机制,对萤火虫算法的寻优方式进行修正,设计了新的萤火虫位置更新公式和荧光亮度计算公式,并在此基础上提出了萤火虫算法智能优化粒子滤波.该方法引入了萤火虫群体的优胜劣汰机制以及萤火虫个体的吸引和移动的行为,使粒子群智能地向高似然区域移动,提高了粒子群的整体质量.实验表明该方法提高了粒子滤波的预测精度,同时大大降低了状态值预测所需的粒子数量.     

非线性预测滤波在星敏感器姿态确定中的应用

为研究无陀螺卫星控制优化问题的新方法,针对环境干扰力矩和估计误差等不确定因素导致滤波器稳定性和估计精度降低,提出了使用星敏感器测量值在线估计模型参数和卫星姿态的非线性预测滤波方法.根据预测滤波理论推导了关于模型误差的损失函数,利用线性化的测量方程求得使损失函数最小化的模型误差值,代人状态方程求数值积分,得到卫星的姿态估计参数.仿真结果证明,不仅简化了计算,且适应性更强.而应用四元数描述卫星姿态,避免了欧拉角法的奇异性问题.仿真结果还表明,方法收敛速度较EKF更快,状态估计精度与EKF相当,并对非线性模型误差具有良好的跟踪性能.     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

基于Marginalized粒子滤波的卫星姿态估计算法

针对具有矢量观测的卫星姿态估计问题。提出一种基于Marginalized粒予滤波（MPF）的算法．采用Rao-Blackwellization技术,将卫星模型状态向量中的线性状态部分（陀螺漂移）和非线性状态部分（卫星姿态）分开处理,从而使得估计的方差降低．以较少的运算量获得较好的估计效果．通过引入解决含等式约束条件的估计问题方法,保证了姿态四元数的归一化．将所提出的方法应用于某型号卫星．仿真验证了用该算法处理卫星姿态估计问题的优越性．     

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.     

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.     

Star-sensor-based predictive Kalman filter for satellite attitude estimation

A real-time attitude estimation algorithm, namely the predictive Kalman filter, is presented . This algorithm can accurately estimate the three-axis attitude of a satellite using only star sensor measurements. The implementation of the filter includes two steps: first, predicting the torque modeling error, and then estimating the attitude. Simulation results indicate that the predictive Kalman filter provides robust performance in the presence of both significant errors in the assumed model and in the initial conditions.     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

粒子滤波算法综述

对粒子滤波算法的原理和应用进行综述．首先针对非线性非高斯系统的状态滤波问题．阐述粒子滤波的原理;然后在分析采样-重要性-重采样算法基础上．讨论粒子滤波算法存在的主要问题和改进手段;最后从概率密度函数的角度出发．将粒子滤波方法与其他非线性滤波算法进行比较．阐明了粒子滤波的适应性．给出了粒子滤波在一些研究领域中的应用．并展望了其未来发展方向．     

A SLAM based on auxiliary marginalised particle filter and differential evolution

FastSLAM is a framework for simultaneous localisation and mapping (SLAM) using a Rao-Blackwellised particle filter. In FastSLAM, particle filter is used for the robot pose (position and orientation) estimation, and parametric filter (i.e. EKF and UKF) is used for the feature location's estimation. However, in the long term, FastSLAM is an inconsistent algorithm. In this paper, a new approach to SLAM based on hybrid auxiliary marginalised particle filter and differential evolution (DE) is proposed. In the proposed algorithm, the robot pose is estimated based on auxiliary marginal particle filter that operates directly on the marginal distribution, and hence avoids performing importance sampling on a space of growing dimension. In addition, static map is considered as a set of parameters that are learned using DE. Compared to other algorithms, the proposed algorithm can improve consistency for longer time periods and also, improve the estimation accuracy. Simulations and experimental results indicate that the proposed algorithm is effective.     

基于粒子滤波的无人机自主轨迹视觉导航控制方法研究

针对现有无人机导航控制方法存在的控制效果不佳的问题,本文提出一种基于粒子滤波的无人机自主轨迹视觉导航控制方法研究。利用粒子滤波算法,实现对无人机自主轨迹视觉导航控制方法的优化设计。采用栅格法构建无人机飞行环境地图,根据无人机的机械组成结构和工作原理,构建运动状态模型。利用内置的摄像机设备采集视觉图像,执行图像灰度转换、几何校正、滤波等预处理步骤。通过对视觉图像的特征提取,判断当前环境是否存在障碍物。利用粒子滤波算法确定无人机位姿,结合障碍物识别结果规划无人机的自主飞行轨迹。将位置、速度和姿态角的控制量计算结果,输入到安装的导航控制器中,完成无人机的自主轨迹视觉导航控制任务。通过实测分析得出结论：应用设计的导航控制方法,其位置误差、速度误差以及姿态角误差均维持在预设值以下,即设计的导航控制方法具有良好的控制效果。     

采用概率密度分布和粒子滤波的室内跟踪算法

提出了一种新的室内定位跟踪算法,采用了直方图法和核函数法估计参考点处的接收信号强度的概率分布,并将其作为该参考点的位置指纹,描述了该参考点处无线信道的特性;利用粒子滤波解决了非线性状态空间模型下的在线跟踪问题,仿真结果表明基于概率密度分布和粒子滤波的跟踪算法收敛速度快,且对环境变化不敏感,性能优于卡尔曼滤波算法。     

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建（SLAM）算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。