激光与单目视觉融合的移动机器人运动目标跟踪

针对室内环境下的移动机器人运动目标跟踪问题,提出一种基于激光与单目视觉传感信息融合的机器人定位和目标运动估计方法.首先,利用激光传感信息实现对目标的检测,并完成机器人定位与环境建图;然后,设计一种基于单目视觉传感器的目标位置估计算法,获得目标的距离和角度信息;为了实现两类传感信息的有效融合,将激光与单目视觉进行联合标定,得到二者的相对位姿关系,基于此,将激光与单目视觉提取的目标距离和角度通过具有最优重要性函数和权重的粒子滤波器进行融合,实现对目标运动状态的准确估计.实验结果表明该方法具有良好的跟踪性能.     

基于DSmT与粒子滤波的多传感器融合

为实现多传感器对机动目标状态的跟踪,提出一种基于DSmT与粒子滤波的多传感器融合算法。在各传感器利用粒子滤波方法处理观测数据的基础上,运用DSmT作为融合工具,将观测数据转化为辨识框架内的元素及其mass值,得到最终融合结果。实验结果表明,该方法可减小距离误差,提高跟踪精度,且运算复杂度能满足在线实时融合的要求。     

霍夫空间中多足球机器人协作目标定位算法

针对嵌入式仿人足球机器人提出一种霍夫空间中的多机器人协作目标定位算法。机器人利用实验场地中的标志物采用基于三角几何定位方法进行自定位,把机器人多连杆模型进行简化,通过坐标系位姿变换把图像坐标系转换到世界坐标系中,实现机器人目标定位;在多机器人之间建立ZigBee无线传感器网络进行通信,把多个机器人定位的坐标点进行霍夫变换,在霍夫空间中进行最小二乘法线性拟合,获取最优参数,然后融合改进后的粒子滤波实现对目标小球的跟踪;最后在21自由度的仿人足球机器人上进行仿真和实验。数据结果表明,这种多机器人协作的定位算法的精度提高了约48%,在满足实时性的前提下,对目标的跟踪效果也得到了改善。     

基于DSP的主动视觉系统

为了提高目标检测的快速性与准确性,简化基于粒子滤波的目标跟踪算法中的直方图计算,提高检测和跟踪算法在基于DSP(数字信号处理器)的主动视觉系统上的运行速度,提出了一种基于DSP的机器人主动视觉系统.该系统通过改进的EMCV(embedded computer vision library)与启发式搜索方法,在DSP上实现了AdaBoost检测算法;利用增量式直方图计算算法实现粒子滤波中颜色直方图与边缘方向直方图的计算,将直方图融合到观测模型中,在DSP上实现并优化了目标跟踪算法.实验证实了该主动视觉系统中算法的快速性与系统的鲁棒性.     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

基于多区域联合粒子滤波的人体运动跟踪

针对视频人体运动跟踪中的遮挡问题, 提出了一种基于多区域联合粒子滤波器的跟踪方法. 算法把人体划分为多个关键区域, 通过基于多区域无向图的联合运动模型, 构造联合粒子滤波器, 并运用区域关联的观测评估策略对目标状态进行联合预测, 从而完成遮挡情况下目标的跟踪. 实验结果表明, 与基于单区域粒子滤波的跟踪方法相比, 本文提出的算法在具有较长时间部分和全部遮挡的跟踪问题上, 取得了较好的实验结果.     

融合目标特征和空间信息的粒子滤波跟踪

传统的基于颜色直方图的粒子滤波跟踪算法不能很好地利用跟踪对象的空间结构信息,因此在邻域颜色相似或目标模型微小变化时,不能取得良好的跟踪效果。提出一种融合目标特征和目标空间位置信息的粒子滤波跟踪算法,该算法鉴于目标空间位置包含跟踪对象一定的结构信息,可以和目标特征互为补充,利用定义的融合目标特征和目标空间位置的度量函数来进行跟踪对象相似度度量,以提高跟踪算法的稳健性和精确性。同时针对粒子滤波计算粒子相似度时可并行的特点,运用OpenMP共享存储并行计算进行粒子滤波跟踪的加速。实验表明,基于融合目标特征和空间信息的粒子滤波跟踪算法能得到更鲁棒的跟踪效果,可以有效地提高目标跟踪的速度。     

基于改进粒子滤波的井下跟踪算法研究与实现

井下环境复杂多变,射频信号易受到阴影效应、多径衰落等因素的影响。采用传统的粒子滤波跟踪方法误差较大,研究了一种基于改进粒子滤波的井下跟踪算法。初始化阶段利用第一次指纹匹配算法的定位结果来设计初始化概率分布函数;采用核函数法与指纹匹配技术相结合的算法,在采样数据中搜索与目标节点指纹特征相匹配的位置并加权得到位置坐标作为跟踪中的观测值;最后利用粒子滤波将观测值与目标运动状态相融合以跟踪目标运动轨迹。实验结果表明,粒子滤波算法较优化卡尔曼滤波算法更适用于井下跟踪;改进的算法有效增强了跟踪系统的可靠性,提高了跟踪精度,满足了井下的跟踪要求。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

多特征自适应融合的军事伪装目标跟踪

针对军事伪装目标在运动过程中存在与背景分布十分相似或遮挡等强干扰情况下的跟踪问题,提出了一种基于自适应多特征融合的均值漂移算法优化的粒子滤波跟踪算法。利用背景加权后的联合直方图表述目标灰度和梯度方向信息,根据前一帧目标特征的可信度自动调节双方的权重,在粒子滤波算法的框架下,利用改进后的均值漂移算法使粒子向目标状态的最大后验核密度估计方向移动,并设计了特征融合的观测模型,以提高跟踪算法的场景适应能力。实验结果表明,该算法可实现对与背景相似的军事伪装目标的稳定跟踪,对目标的严重遮挡具有很好的鲁棒性。     

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．     

辅助增量粒子滤波方法

提出辅助增量粒子滤波方法并给出其算法过程。该方法将增量形式融入辅助变量粒子滤波中,解决由于工程实际中量测可能存在未知系统误差导致无法精确建立量测似然函数的问题,另一方面,其又能保持辅助变量粒子滤波方法的优势,在选取重要性密度函数上有效利用最新观测的信息。该方法能减少重采样次数,较好保持粒子的多样性,使得非线性滤波的精度得以提高。仿真实验结果表明,辅助增量粒子滤波方法能有效减少非线性滤波问题的误差,相对经典滤波方法的滤波精度提高了50%。     

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来.本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数.由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势.在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势.     

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来。本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数。由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势。在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势。     

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.     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.     

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.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

Box particle filtering for nonlinear state estimation using interval analysis

In recent years particle filters have been applied to a variety of state estimation problems. A particle filter is a sequential Monte Carlo Bayesian estimator of the posterior density of the state using weighted particles. The efficiency and accuracy of the filter depend mostly on the number of particles used in the estimation and on the propagation function used to re-allocate weights to these particles at each iteration. If the imprecision, i.e. bias and noise, in the available information is high, the number of particles needs to be very large in order to obtain good performances. This may give rise to complexity problems for a real-time implementation. This kind of imprecision can easily be represented by interval data if the maximum error is known. Handling interval data is a new approach successfully applied to different real applications. In this paper, we propose an extension of the particle filter algorithm able to handle interval data and using interval analysis and constraint satisfaction techniques. In standard particle filtering, particles are punctual states associated with weights whose likelihoods are defined by a statistical model of the observation error. In the box particle filter, particles are boxes associated with weights whose likelihood is defined by a bounded model of the observation error. Experiments using actual data for global localization of a vehicle show the usefulness and the efficiency of the proposed approach.     

Particle filtering on GPU architectures for manufacturing applications

Particle filters are nonlinear estimators that can be used to detect anomalies in manufacturing processes. Although promising, their high computational cost often prevents their implementation in real-time applications. Recently, the introduction of graphics processing units (GPUs) has enabled the acceleration of computationally intensive processes with their massive parallel capabilities. This article presents the acceleration of the particle filter and the auxiliary particle filter, two of the most important particle methods, on a GPU using NVIDIA CUDA technology. This is illustrated via simulation for a remelting process where the accelerated algorithms return accurate estimates while still being two orders of magnitude faster than the physical process even for calculations that involve millions of particles.