UKF、PF与UPF跟踪性能的比较

无迹卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,对任何非线性高斯系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统,但当似然函数出现在转移概率密度函数的尾部或者在高精度测量的场合,PF的跟踪性能降低。针对强非线性、非高斯系统、高精度测量的环境,文中提出采用UPF算法进行跟踪,并对PF、UKF和UPF三种跟踪算法进行了仿真,结果表明,UPF的跟踪精度要远高于PF、UKF的精度。     

几种滤波器跟踪性能的比较

现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果.在这种情况下,非线性目标跟踪已被人们广泛重视.扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)进行Taylor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下.不敏卡尔曼滤波(UKF)是先对状态向量的后验概率密度函数(PDF)进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波.粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法.这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间.它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用.论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器.     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

Cubature卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF),分别应用CKF和KF估计模型中的非线性和线性状态.该算法对非线性与线性状态均进行cubature采样,并将两种样本通过线性方程和量测方程进行传播,以获得非线性状态估计.机动目标跟踪仿真结果表明,CKF-KF的估计精度比Rao-Blackwellized粒子滤波器(RBPF)略低,但算法运行时间不到其1％;与无迹卡尔曼滤波器(UKF-KF)相比,估计精度相当,但算法运行时间降低了22％,有效地提高了实时性.     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.     

AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。     

动载体环境视觉惯性自适应融合物体姿态测量算法

针对动载体环境下视觉惯性组合姿态测量的过程中,惯性器件噪声时变和突变干扰会使卡尔曼滤波器估计不准确的问题,研究了一种Sage-Husa自适应强跟踪扩展卡尔曼算法。算法采用Sage-Husa自适应滤波来实时估计惯性器件的噪声协方差,引入多重渐消因子来抑制突变干扰,增强融合算法的鲁棒性。实验证明,当存在系统噪声变化和突变干扰时,所提算法优于Sage-Husa自适应扩展卡尔曼算法与强跟踪扩展卡尔曼算法,具有良好的鲁棒性。     

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。     

一种新的高动态GPS载波跟踪算法

提出了基于无迹粒子滤波（UPF）算法的高动态GPS载波跟踪环路,仿真分析了该方案在高斯噪声和非高斯噪声环境下对高动态GPS信号的跟踪性能,并与分别基于扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）及扩展卡尔曼粒子滤波（EPF）这四种算法的载波跟踪环路进行了性能对比。仿真结果表明,基于UPF估计器的载波跟踪环路在高动态、弱信号以及非高斯噪声环境下具有优越的跟踪性能,既可以提高跟踪精度,又解决了非高斯噪声干扰问题。通过模拟实验验证了该方案的有效性。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

改进的卡尔曼滤波算法系统参数辨识仿真研究

研究系统参数辨识精度提高问题。辨识是从实验数据中提取有关系统信息的过程,由于存在噪声影响辨识精度,针对传统的卡尔曼滤波算法不能很好地提高跟踪精度且算法复杂的缺陷,为了解决实际系统辨识中参数噪声方差和观测噪声方差未知的等相关问题,提出了一种改进的无味卡尔曼滤波算法系统参数辨识方法,仿真结果表明,算法具有更好的泛化能力,在复杂的系统负载等情况下,也可以对系统的参数精确有效的进行辨识,验证了该算法是一种有效适用的系统参数辨识方法。     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

考虑星间测量的航天器自主导航并行滤波器

针对基于星间测量的航天器自主导航问题,本文考虑测量中存在野值的情况,提出了一种轨道根数辅助估计的并行无迹卡尔曼滤波算法.系统由两个并行滤波器组成,通过副滤波器的状态估计识别观测野值,进而在主滤波器中修正导航定位结果.文章选择了星间相对观测两卫星编队的基本构型,研究了算法的阈值参数选择,对不同参数条件下的滤波结果进行了对比.数值仿真说明了该算法在观测量变化率较大时能够有效降低连续野值对自主导航系统的影响,和传统算法相比具有更高的滤波精度和收敛速度.     

A Filtering Approach Based on MMAE for a SINS/CNS Integrated Navigation System

This paper explores multiple model adaptive estimation (MMAE) method, and with it, proposes a novel filtering algorithm. The proposed algorithm is an improved Kalman filter-multiple model adaptive estimation unscented Kalman filter (MMAE-UKF) rather than conventional Kalman filter methods, like the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). UKF is used as a subfilter to obtain the system state estimate in the MMAE method. Single model filter has poor adaptability with uncertain or unknown system parameters, which the improved filtering method can overcome. Meanwhile, this algorithm is used for integrated navigation system of strapdown inertial navigation system (SINS) and celestial navigation system (CNS) by a ballistic missile's motion. The simulation results indicate that the proposed filtering algorithm has better navigation precision, can achieve optimal estimation of system state, and can be more flexible at the cost of increased computational burden.      

鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用

针对纯角度目标跟踪中量测信息易受异常值和非高斯噪声干扰的问题,提出了一种新的非线性滤波算法–鲁棒高斯和集合卡尔曼滤波(robust Gaussian-sum ensemble Kalman filter,RGSEnKF)算法.首先,采用Huber技术重塑集合卡尔曼滤波的量测更新过程,能够有效地处理量测中的异常值.随后,将改进的集合卡尔曼滤波在高斯和框架下进行扩展,得到RGSEnKF算法,可以进一步解决受非高斯噪声干扰的非线性系统的状态估计问题.此外,新算法中包含距离参数化初始化策略和高斯分量融合策略.前者是为了减小纯角度跟踪中距离信息不可观测的影响,而后者可以避免高斯分量数目随时间不断增长.大量仿真结果验证了新算法的有效性和鲁棒性.     

Robust unscented Kalman filter with adaptation of process and measurement noise covariances

Unscented Kalman filter (UKF) has been extensively used for state estimation of nonlinear stochastic systems, which suffers from performance degradation and even divergence when the noise distribution used in the UKF and the truth in a real system are mismatched. For state estimation of nonlinear stochastic systems with non-Gaussian measurement noise, the Masreliez–Martin extended Kalman filter (EKF) gives better state estimates in relation to the standard EKF. However, the process noise and the measurement noise covariance matrices should be known, which is impractical in applications. This paper presents a robust Masreliez–Martin UKF which can provide reliable state estimates in the presence of both unknown process noise and measurement noise covariance matrices. Two numerical examples involving relative navigation of spacecrafts demonstrate that the proposed filter can provide improved state estimation performance over existing robust filtering approaches. Vision-aided robot arm tracking experiments are also provided to show the effectiveness of the proposed approach.     

无迹卡尔曼滤波算法在污水处理BSM1过程中的应用研究

污水处理过程具有多变量、强非线性和强扰动等特性,且系统输入具有随机性,不同天气状况和不同时间段的污水的排量不同.扩展卡尔曼滤波存在估计精度低和鲁棒性差等缺陷,当系统模型参数变化和外界环境噪声较大时,扩展卡尔曼滤波估计性能下滑.将无迹卡尔曼滤波算法应用到污水处理系统中,并与扩展卡尔曼滤波算法相比较,结果显示,无迹卡尔曼滤...     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。