IEKF滤波在移动机器人定位中的应用

针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于环境特征的迭代扩展卡尔曼滤波(IEKF)融合算法。该算法融合了里程计采集的机器人内部数据和激光雷达传感器采集的外部环境特征,在测量更新阶段多次迭代状态估计值并对机器人的位姿进行修正,减少了非线性误差,提高了定位精度。     

一种基于自构架模糊EKF的目标跟踪方法

针对无人机飞行轨迹跟踪定位问题,研究了一种基于自构架模糊EKF目标跟踪方法。首先根据无人机系统的动力学方程建立了无人机系统控制模型,并将无人机控制系统中存在的高频随机干扰信号视为观测干扰噪声。其次设计了自构架模糊扩展卡尔曼滤波,将EKF估计方差与实际观测方差间的误差作为自构架模糊系统的一个输入,通过自构架模糊系统辨识,自适应地减小模糊EKF系统估计误差,提高对无人机系统的跟踪精度。最后,通过实验仿真证明了该方法对无人机飞行轨迹跟踪的有效性。     

基于UKF的高斯和滤波算法

介绍了扩展卡尔曼滤波算法和无迹变换（unscented transformation,UT）算法,并对扩展卡尔曼滤波算法（EKF）和无迹卡尔曼滤波算法（UKF）进行比较,阐明了UKF优于EKF。在此基础上,提出了一种基于Unscented变换（UT）的高斯和滤波算法,该算法首先通过合并准则得到适当个数的混合高斯模型,逼近系统中非高斯噪声的概率密度;然后,再通过UT算法进行滤波。最后分别对基于EKF和UKF的滤波方法进行实验,并对实验结果进行比较与分析,验证了算法的有效性和优良性。     

基于小波变换域的实时估计噪声特性算法研究

针对在非标准卡尔曼滤波情况下,解决未知观测噪声统计特性(均值和方差)的实时估计问题,提出了一种基于小波变换域的实时估计噪声特性算法,该算法可以实时跟踪观测噪声的变化,实现了对观测噪声均值和方差的实时估计,解决了在未知观测噪声的条件下卡尔曼滤波失效问题。仿真验证了算法的可行性和有效性,对未知观测噪声方差估计较传统估计精度提高约一个数量级。     

自适应抗差UKF算法在GPS/BD-2组合系统中的应用

针对非线性系统中因噪声模型不准确或测量数据中存在野值而导致无迹卡尔曼滤波（UKF）结果产生偏差甚至发散的问题,提出了一种自适应抗差无迹卡尔曼滤波（ARUKF）算法。该算法利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入自适应因子来调节增益矩阵,减弱野值对滤波的影响。将ARUKF 算法应用于GPS/BD-2组合导航系统中,仿真实验结果表明,当观测数据中存在野值时,ARUKF算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较好的鲁棒性和实时性。     

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。     

基于载波相位差分的形变监测高精度定位算法

传统载波相位差分算法在形变监测领域适用性不足，实时动态定位（RTK）精度难以满足要求，而载波双差静态相对定位连续解算时形变跟踪性能较低等。针对这些问题，在对动静态算法深入研究的基础上，提出一种基于载波相位差分的动静态自适应融合算法。通过方差变化法实时判断定位结果是否收敛，自适应调节扩展卡尔曼滤波（EKF）状态先验估计过程。在收敛时刻增大位置参数的先验估计误差的协方差值，使EKF后验估计过程倾向于信赖测量值；未收敛时刻通过EKF迭代，使EKF后验估计过程倾向于信赖状态预测值。实验结果表明：相比传统RTK新算法精度有明显提高，水平达±2 mm内，高程达到±4 mm内；相比静态定位则缩减了观测周期，提高了微小形变跟踪性能。     

基于自适应EKF的弱GNSS信号跟踪算法

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。     

基于模糊自适应卡尔曼滤波的移动机器人定位方法*

针对移动机器人定位过程中噪声统计特性不确定的问题,提出一种模糊自适应扩展卡尔曼滤波定位方法。利用模糊理论和协方差匹配技术对扩展卡尔曼滤波算法中的观测噪声协方差R进行自适应调整,实现定位算法性能的在线改进;同时采用传感器故障诊断与修复算法来监测传感器的工作状态,提高定位算法的鲁棒性。将该方法用于观测噪声统计特性未知情况下的移动机器人定位。实验结果表明,该方法可以有效地降低观测噪声先验信息不确定的影响,提高机器人定位的精度。     

自适应理论在目标跟踪中的应用

在机动目标跟踪与定位中,结合EKF和自适应理论的优点和目标跟踪的非线性特征,提出了一种非线性系统的基于“当前”统计模型的自适应扩展卡尔曼滤波算法,根据机动目标的测量信息修正加速度方差,消除随机误差和噪声的干扰,提高预测的精度。通过Monte Carlo对比仿真实验表明该算法正确有效,定位精度较高,滤波效果得到改善,同时增强了稳定性,优于一般的EKF和MVEKF算法,为机动目标精确跟踪与定位的实现提供一种新的方法。     

基于GP-SRCDKF的初始对准技术研究

随着对惯性导航系统中对准时间要求的不断提高,初始对准需要在大方位失准角条件下进行,此时需采用非线性滤波方法来实现初始对准。基于此,提出高斯过程回归平方根中心差分卡尔曼滤波算法(GP-SRCDKF)。将高斯过程回归融入到SRCDKF算法中,利用高斯过程得到系统回归模型及噪声协方差,用回归模型代替状态方程和观测方程,对相应的噪声协方差进行实时自适应调整。该算法不仅克服了扩展卡尔曼滤波滤波精度低、需要计算雅可比矩阵的不足,而且可解决传统滤波容易受系统动态模型不确定和噪声协方差不准确的限制。仿真实验结果验证了该算法的有效性和优越性。     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

基于EKF和数据融合的移动台跟踪定位算法

提出一种利用扩展卡尔曼滤波(EKF)算法实现移动台跟踪定位的改进算法。该算法在已获得移动台初始位置估计的基础上,利用 EKF对移动台的运动轨迹进行多次估计,获取多条跟踪轨迹,剔除偏差较大的轨迹并进行加权平均的数据融合处理,获取一条较优轨迹。再结合距离门限值对较优轨迹的点迹进行匹配管理,实现对较优轨迹的平滑处理,获得最优跟踪轨迹。仿真结果表明,该算法计算复杂度低、鲁棒性强,定位精度明显高于传统EKF跟踪定位算法。     

六维力传感器下E膜小生境野草EKF滤波研究

为减小噪声信号对六维力传感器测量精度的影响,同时解决因主振型信息缺失导致扩展Kalman滤波器难以获得最优系统估计的问题,提出一种基于小生境野草算法优化的扩展卡尔曼滤波（NIWO-EKF）算法。算法根据正弦激励力响应与应变之间的关系,构建六维力传感器下E型膜非线性系统模型。将系统干扰矩阵与控制矩阵视为一个整体,引入野草繁殖思想,以前6阶主振型信息构成的综合矩阵为均值,进行高斯采样,产生初始化的可行解。将小生境技术与野草算法相融合,利用野草算法进行全局搜索,根据适应度的大小对个体进行降序排列,按照小生境容量划分出多个种群协同合作,避免搜索过程陷入局部最优,提高算法的寻优精度和收敛速度。采用改进野草算法对EKF中的系统干扰控制矩阵进行优化处理。仿真实例表明,优化后的扩展卡尔曼滤波器能有效地提高六维力传感器的测量精度,具有很好的鲁棒性和稳定性。     

基于量测噪声和观测次数的EKF-SLAM一致性分析

Inconsistency is a fundamental problem in simultaneous localization and mapping (SLAM). Previous works from predecessors have studied the inconsistent problem of extended Kalman filter (EKF) SLAM algorithm focusing on the linearization errors. In this paper, we studied the inconsistency issue of EKF SLAM in theory based on measurement noise and observation time. In a simplified situation, we deduced some useful theorems of estimated covariance matrix. Then, we made use of them to investigate the inconsistency issue. We showed that the measurement noise and the observation times can drive the EKF SLAM out of consistency. Moreover, we demonstrated the explicit effects of measurement noise and observation times on inconsistency of the EKF SLAM. Our simulation experiments verified the results.     

基于UKF滤波的WSN节点定位研究

无迹卡尔曼滤波(UKF)模拟系统的后验概率密度函数,避免了扩展卡尔曼滤波(EKF)中引入的较大线性化误差的缺陷.本文提出了一种基于加权最小二乘法(WLSE)和UKF的无线传感器网络(WSN)节点定位算法.算法采用TOF测距技术测量未知节点到信标节点的距离,利用加权最小二乘法估算未知节点的初始位置,并采用UKF滤波对节点进行精确定位,同时与EKF滤波结果进行比较.相关分析结果表明,算法在TOF测距基础上,将加权最小二乘法和UKF滤波结合,可以较大提高节点的定位精度.     

Robust Robot Localization by Sensors with Different Degree of Accuracy

In this paper the robust robot localization problem with respect to uncertainties on environment features is formulated in a stochastic setting, and an Extended Kalman Filtering (EKF) approach is proposed for the integration of odometric, gyroscopic, and sonar measures. As gyroscopic readings are much more reliable than the other ones, the localization algorithm gives rise to a nearly singular EKF. This problem is dealt with by defining a reduced order nonsingular EKF. The robust solution has been implemented and tested on a powered wheelchair.     

A Neuro-Fuzzy Assisted Extended Kalman Filter-Based Approach for Simultaneous Localization and Mapping (SLAM) Problems

Extended Kalman filter (EKF) has been a popular choice to solve simultaneous localization and mapping (SLAM) problems for mobile robots or vehicles. However, the performance of the EKF depends on the correct a priori knowledge of process and sensor/measurement noise covariance matrices (Q and R, respectively). Imprecise knowledge of these statistics can cause significant degradation in performance. The present paper proposes the development of a new neurofuzzy based adaptive Kalman filtering algorithm for simultaneous localization and mapping of mobile robots or vehicles, which attempts to estimate the elements of the R matrix of the EKF algorithm, at each sampling instant when a ldquomeasurement updaterdquo step is carried out. The neuro-fuzzy based supervision for the EKF algorithm is carried out with the aim of reducing the mismatch between the theoretical and the actual covariance of the innovation sequences. The free parameters of the neuro-fuzzy system are learned offline, by employing particle swarm optimization in the training phase, which configures the training problem as a high-dimensional stochastic optimization problem. By employing a mobile robot to localize and simultaneously acquire the map of the environment, under several benchmark environment situations with varying landmarks and under several conditions of wrong knowledge of sensor statistics, the performance of the proposed scheme has been evaluated. It has been successfully demonstrated that in each case, the neuro-fuzzy assistance is able to improve highly unpredictable, degrading performance of the EKF and can provide robust and accurate solutions.     

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。