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...     

改进的UKF在惯导平台误差模型辨识中的应用

为减小建模误差,建立了基于直接法进行惯导平台误差模型辨识的非线性模型.Unscented Kalman滤波(UKF)是一种新的非线性滤波算法,为此将其引入惯导平台的误差模型辨识中.针对系统模型的特点,对标准UKF算法进行了简化改进.改进的UKF算法计算量小、结构简单,滤波精度与标准UKF一致.同时应用扩展Kalman滤波(EKF)算法和改进的UKF算法进行了惯导平台误差模型辨识仿真研究.仿真结果表明,与EKF算法相比,改进的UKF算法的滤波精度显著提高.     

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.     

改进的UKF在惯导平台误差模型辨识中的应用

为减小建模误差,建立了基于直接法进行惯导平台误差模型辨识的非线性模型.Unscented Kalman滤波(UKF)是一种新的非线性滤波算法,为此将其引入惯导平台的误差模型辨识中.针对系统模型的特点,对标准UKF算法进行了简化改进.改进的UKF算法计算量小,结构简单,滤波精度与标准UKF一致.同时应用扩展Kalman滤波(EKF)算法和改进的UKF算法进行了惯导平台误差模型辨识仿真研究.仿真结果表明,与EKF算法相比,改进的UKF算法的滤波精度显著提高.

     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

编队飞行卫星自主相对定轨研究

卫星编队飞行相对轨道自主确定作为实现队形保持和控制的前提,是编队任务必须解决的关键技术问题.根据C-W方程的解析解描述编队卫星间的相对运动规律,选取星间距离信息与方位信息作为观测量,针对卫星编队飞行自主导航系统对精确性和实时性的要求,用超球面分布采样点变换(Spherical Simplex Unscented Transformation,SSUT)和Unscented卡尔曼滤波(UKF)相结合,提出了SSUT的UKF(SSUKF)导航滤波算法.由于SSUT减少了采样点个数,在保证滤波精度和标准UKF相当的条件下减轻了计算负担,完成了卫星编队相对轨道状态的自主确定,并结合仿真的轨道数据和测量数据进行了仿真,仿真结果说明实现了卫星编队优化的有效性和实时性.     

一种改进型残差约束渐消采样滤波器

非线性系统的状态方程和观测方程不准确时,非线性自适应采样滤波器的滤波精度将偏离真实值:严重时将引起滤波器的发散,得到完全虚假的滤波值,失去了滤波原本的意义.为减小线性化误差对非线性系统状态估计的影响,本文采用采样滤波器中的UKF(Unscented Kalman Filter)方法对非线性系统进行高精度滤波.同时深入研究UKF的自适应渐消记忆策略,以增强对建模误差的鲁棒性和对突变状态的跟踪能力,提高状态估计的精度和快速性.本文针对上述滤波方法进行改进,并通过一个非线性系统滤波仿真试验.证明其有效性.     

改进的Unscented Kalman滤波算法

为了提高UKF的运算效率,本文分析了UKF中各参数对滤波效果的影响,给出了一种系统状态转移矩阵为线性变换时UKF的优化算法,并证明了本算法的正确性。针对野值影响UKF精度的缺陷,本文提出了使用新息判断野值是否存在的检测方法。对于野值存在的情况首先剔除野值,然后根据已经得到的滤波状态应用最小二乘法对当前状态进行预测估计,对于野值不存在的情况直接使用UKF滤波,最后推导了使用最小二乘法拟合野值存在时估计的合理性,从而证明了这种方法可以极大地提高UKF抗野值的能力。本文最后用具体的仿真实例说明了最小二乘法与UKF相结合算法消除野值的有效性。     

基于UT变换与卡尔曼滤波的目标跟踪研究

为了提高滤波速度和精度,将Unscented变换与卡尔曼滤波相结合,建立了Unscented卡尔曼滤波(UKF)数学模型.Unscented变换基于高斯分布理论,通过Sigma点能够获取精确到三阶矩的均值和协方差,提高了滤波精度.计算仅涉及标准的向量和矩阵操作,不需要计算非线性函数的Jacobian或者Hessians矩阵,提高了滤波速度.通过设计的运动实验进行仿真对比,实验结果表明,对于非线性目标跟踪系统,UKF算法具有更高的滤波精度和稳定性.     

基于非线性滤波的无人机组合导航新方法研究

提出一种基于微惯性测量装置/多卜勒测速系统的无人机组合导航新方法,并采用非线性滤波-Unscented卡尔曼滤波(UKF)来解决系统状态方程和量测方程的非线性问题.首先,采用低精度的微陀螺和微加速度计作为惯性测量器件构成MIMU,将其与多卜勒测速系统(DVS)构成MIMU/DVS组合导航系统;然后,以MIMU和DVS的系统误差作为状态,利用各子系统输出的速度信息构造量测,设计卡尔曼滤波器,采用UKF法对导航系统误差进行估计,进而对系统进行误差校正.仿真结果表明,基于非线性滤波的MIMU/DVS无人机组合导航新方法具有较高的导航精度,同时有效地降低了系统成本,具有良好的工程应用价值.     

基于高斯分布的多层无迹卡尔曼滤波算法

在传统无迹卡尔曼滤波(UKF) 中对其估计精度和计算效率起关键作用的是采样算法, 即构造具有权重的样本点. 研究表明, 带权样本点匹配随机变量的阶矩越高滤波的精度越高, 如多项式无迹卡尔曼滤波(PUKF), 但通常此类算法的复杂度过高甚至难以求解. 为此, 基于高斯分布结合高阶矩匹配与无迹卡尔曼滤波线性扩张方 法(LUKF), 提出一种兼顾效率和精度的高斯滤波离线算法. 实验结果表明, 所提出算法拥有比UKF 更高的估计精度和比PUKF 更好的计算效率.

     

分维自适应稀疏网格积分非线性滤波器

针对含加性高斯噪声的非线性离散系统,提出了可分别根据各维状态及量测方程的非线性函数特性来确定采样点及其权重的积分滤波器.设计了基于嵌入式高斯采样积分和稀疏网格法则的自适应多变量采样积分方法,可在匹配函数高阶泰勒展开项时,利用低阶采样点,提出了高效的数据结构和遍历算法,便于采用该积分方法分别估计系统状态/量测的预测均值和协方差矩阵.该滤波器既能根据各维非线性函数的特性确定采样点,又实现了对采样值和权重的完全复用,保证了算法效率.理论分析和仿真表明,该滤波算法中自适应调整的运算量小于计算非线性函数采样值.该滤波器与无迹卡尔曼滤波相比,提高了滤波精度,与固定形式的稀疏网格滤波器相比,提高了采样效率,且该方法为两者的广义形式.仿真实验也验证了状态估计的精确性和函数采样的高效性.     

基于最小均方误差估计的噪声相关UKF设计

传统Unscented卡尔曼滤波器(UKf)要求系统噪声和量测噪声必须是互不相关的.针对此局限性,研究了一类带相关噪声的非线性离散系统UKF设计方法.基于最小均方误差估计和正交变换,给出了噪声相关UKF滤波递推公式,并采用Unscented变换(UT)来计算系统状态的后验分布.所设计的UKF有效解决了传统UKF在噪声相关条件下非线性滤波失效的问题,拓展了UKF的应用范围.最后,仿真实例表明了所设计UKF的有效性.     

State estimation of nonlinear dynamical systems using nonlinear update based Unscented Gaussian Sum Filter

Two attractive features of Unscented Kalman Filter (UKF) are: (1) use of deterministically chosen points (called sigma points), and (2) only a linear dependence of the number of sigma points on the number of states. However, an implicit assumption in UKF is that the prior conditional state probability density and the state and measurement noise densities are Gaussian. To avoid the restrictive Gaussianity assumption, Gaussian Sum-UKF (GS-UKF) has been proposed in literature that approximates all the underlying densities using a sum of Gaussians. However, the number of sigma points required in this approach is significantly higher than in UKF, thereby making GS-UKF computationally intensive. In this work, we propose an alternate approach, labeled Unscented Gaussian Sum Filter (UGSF), for state estimation of nonlinear dynamical systems, corrupted by Gaussian state and measurement noises. Our approach uses a Sum of Gaussians to approximate the non-Gaussian prior density. A key feature of this approximation is that it is based on the same number of sigma points as used in UKF, thereby resulting in similar computational complexity as UKF. We implement the proposed approach on two nonlinear state estimation case studies and demonstrate its utility by comparing its performance with UKF and GS-UKF.     

迭代最小斜度单型sigma采样UPF算法

针对condensation算法以状态转移作为建议分布从而导致权值蜕化的问题,提出了以迭代最小斜度单型sigmaUKF建立建议分布的UPF算法．以最小斜度单型UKF产生统计线性误差项,再对IEKF推导产生不依赖于系统非线性映射Jacobian矩阵的迭代式,以此对状态均值、协方差进行迭代修正,以近似0残差使状态收敛到MA...     

Sparse-grid quadrature nonlinear filtering

In this paper, a novel nonlinear filter named Sparse-grid Quadrature Filter (SGQF) is proposed. The filter utilizes weighted sparse-grid quadrature points to approximate the multi-dimensional integrals in the nonlinear Bayesian estimation algorithm. The locations and weights of the univariate quadrature points with a range of accuracy levels are determined by the moment matching method. Then the univariate quadrature point sets are extended to form a multi-dimensional grid using the sparse-grid theory. Compared with the conventional point-based methods, the estimation accuracy level of the SGQF can be flexibly controlled and the number of sparse-grid quadrature points for the SGQF is a polynomial of the dimension of the system, which alleviates the curse of dimensionality for high dimensional problems. The Unscented Kalman Filter (UKF) is proven to be a subset of the SGQF at the level-2 accuracy. The performance of this filter is demonstrated by an orbit estimation problem. The simulation results show that the SGQF achieves higher accuracy than the Extended Kalman Filter (EKF), the UKF, and the Cubature Kalman Filter (CKF). In addition, the SGQF is computationally much more efficient than the multi-dimensional Gauss–Hermite Quadrature Filter (GHQF) with the same performance.     

一种基于局部搜索采样的粒子滤波检测前跟踪算法

针对一类状态部分可测系统粒子滤波检测前跟踪算法中高维采样效率低的问题,提出一种基于局部搜索采样的粒子滤波器检测前跟踪算法.该算法在后验状态更新之后,在可测分量估计值的附近,对不可测分量引入先验分布信息,用少量粒子进行局部搜索采样,提高了粒子采样效率.仿真结果表明,所提出算法获得了更好的检测和跟踪性能.     

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate, GA)滤波方法, 推导了它的一般解和特殊解, 并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中, 不需要基于高斯假设重复地产生求积点, 而是直接地更新求积点.与现有的高斯近似滤波方法相比, 提出的方法利用了量测求积点修正状态求积点, 从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外, 提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.     

Algorithm of Gaussian Sum Filter Based on SGQF for Nonlinear Non-Gaussian Models

To improve the filtering effect of the sparse grid quadrature filter (SGQF) under non-Gaussian conditions, the Gaussian sum technique is introduced, and the Gaussian sum sparse grid quadrature filter (GSSGQF) is developed. We present a systematic formulation of the SGQF and extend it to the discrete-time nonlinear system with the non-Gaussian noise. The proposed algorithm approximates the non-Gaussian probability densities by a finite number of weighted sums of Gaussian densities, and takes the SGQF as the Gaussian sub-filter to conduct the time and measurement update for each Gaussian component. An application in the discrete-time nonlinear system with the non-Gaussian noise has been shown to demonstrate the accuracy of the GSSGQF. It outperforms the unscented Kalman filter (UKF), the cubature Kalman filter (CKF) and the SGQF. Theoretical analysis and simulation results prove that the GSSGQF provides significant performance improvement in the calculation accuracy for nonlinear non-Gaussian filtering problems.