共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
5.
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。 相似文献
6.
7.
针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度. 相似文献
8.
9.
针对传统全球定位系统(GPS)接收机在高动态环境下跟踪性能不理想,提出一种基于载波频率辅助相位的GPS信号跟踪算法。利用锁频环(FLL)辅助锁相环(PLL)的方式代替传统单一跟踪环路,通过卡尔曼(Kalman)滤波器对接收机各跟踪通道中频信号进行综合处理。根据多条跟踪通道的伪距和伪距率残差对系统状态参量进行综合估计,并搭建Kalman滤波器的状态方程和量测方程,给出了跟踪环路反馈量,与传统标量跟踪模式下的跟踪性能进行了对比。仿真结果表明,基于载波频率辅助相位的GPS信号跟踪算法进入稳态时间减小了100 ms,位置误差精度提高了5 m,速度误差精度提高了近3 m/s,在接收机用户快速运动的环境下,能够很好地处理高动态信号。 相似文献
10.
针对多传感器协同探测多个低可观测目标问题,提出一种基于强度叠加的多传感器高斯混合概率假设密度(SIM-GM-PHD)滤波器,并提出目标状态的两步提取策略.首先,利用跟踪门对预测强度函数中每个高斯分量选择有效传感器集合;然后,利用各传感器量测数据更新其对应的高斯分量,叠加所有传感器的局部后验强度以及全局漏检强度得到融合后验强度;最后,提出目标状态的两步提取策略对目标的个数与状态进行估计.仿真结果验证了所提出算法的有效性. 相似文献
11.
Cubature卡尔曼滤波-卡尔曼滤波算法 总被引:3,自引:0,他引:3
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. 相似文献
12.
在增强现实应用中实现对运动目标的准确跟踪是一个具有挑战性的任务。基于混合跟踪通过对多传感器信息的融合通常比单一传感器跟踪算法更为优越的特性,提出了一种新的紧耦合混合跟踪算法实现视觉与惯性传感器信息的实时融合。该算法基于多频率的测量数据同步,通过强跟踪滤波器引入时变衰减因子自适应调整滤波预测误差协方差,实现对运动目标位置数据的准确估计。通过标示物被遮挡状态下的跟踪实验结果表明,该方法能有效改善基于扩展卡尔曼滤波器的混合跟踪算法对运动目标位置信息预测估计的准确性,提高跟踪快速移动目标的稳定性,适用于大范围移动条件下的增强现实系统。 相似文献
13.
针对多扩展目标跟踪中的传感器控制问题, 本文基于有限集统计(FISST)理论与随机超曲面模型(RHM), 利
用多伯努利(MBer)滤波器提出有效的传感器控制策略. 首先, 文中给出多扩展目标跟踪中基于信息论联合目标形状
估计优化和目标运动状态估计优化的传感器控制方法的求解思路. 其次, 给出RHM容积卡尔曼高斯混合(GM)势均
衡多扩展目标多伯努利滤波算法的具体实现过程. 然后, 结合GM密度间的柯西施瓦兹(Cauchy-Schwarz)散度提出
相应的传感器控制决策方法. 此外, 详细推导了扩展目标势的后验期望(PENET)的GM实现, 并提出以GM–PENET
为评价函数的传感器控制方法. 最后, 通过构造随机星凸形多扩展目标的跟踪优化仿真实验验证了本文所提传感
器控制方法的有效性. 相似文献
14.
传感器网络中鲁棒状态信息融合抗差卡尔曼滤波器 总被引:1,自引:1,他引:0
研究了无线传感器网络中的分布式鲁棒状态信息融合问题. 在局部状态估计层, 基于鲁棒统计学理论提出了适用于噪声相关情况的抗差(扩展)卡尔曼滤波器. 在融合中心层, 针对局部估计相关未知性和不完整性, 给出了不依赖于互协方差阵的稳健航迹融合方法—–内椭球逼近法. 仿真结果证实了算法的有效性: 所提出的抗差卡尔曼滤波器在野值存在情况下, 性能退化远低于传统卡尔曼滤波器(28.6%比428.6%); 所提出的内椭球逼近法获得比协方并交叉法更好的融合估计性能, 且不需要局部估计相关性的先验知识. 相似文献
15.
针对大规模传感器网络(Large-scale sensor networks)的目标跟踪问题, 本文在贝叶斯(Bayes)框架下, 提出了一种全新的基于传感器选择的多传感器目标跟踪算法.算法的具体思路为:首先基于Bayes框架, 根据不同的管理目标, 推导出传感器选择的目标函数; 然后根据目标函数, 计算出相应的传感器选择方案; 最后将选择的传感器进行数据融合, 求得传感器网络的目标跟踪结果.相比传统的基于量测野值点剔除思想的目标跟踪算法以及基于系统偏差估计的传感器配准算法, 本文提出的基于传感器选择的多传感器目标跟踪算法不仅目标跟踪精度更高, 且跟踪性能更稳定.同时本文提出的传感器选择算法还可以适用于杂波数目较少的目标跟踪场景.仿真结果说明了本文所提算法的有效性. 相似文献
16.
17.
针对多传感器高速多机动目标的跟踪问题,提出一种多传感器交互式贪婪势概率假设密度(MS-IMMGreedy-CPHD)滤波器.该滤波器在预测阶段,通过交互式多模(IMM)算法对势概率假设密度(CPHD)滤波中目标的状态、势分布和运动模型同时进行预测;在滤波的更新阶段,利用贪婪(greedy)量测划分机制选取多传感器量测子集和拟分区,并通过拟分区量测子集对不同模型下CPHD预测的目标状态和势分布以及模型进行交互式更新.仿真结果表明,所提出MS-IMM-Greedy-CPHD滤波能够对高机动多目标进行稳定有效的跟踪,相较于多传感器势概率假设密度(MS-CPHD)滤波,跟踪结果的OSPA误差更小且势估计更加准确. 相似文献
18.
19.
基于EKF的集中式融合估计研究 总被引:2,自引:0,他引:2
以一类非线性多传感器动态系统为对象, 基于扩展Kalman滤波器(Extend Kalman filter, EKF)介绍三种典型非线性集中式融合算法, 并以此为基础研究部分线性动态系统融合理论在非线性系统中的推广与完善. 首先,利用EKF的一种信息滤波器形式(Extend information filter, EIF)给出测量值扩维融合、测量值加权融合和顺序滤波融合算法公式, 进而研究三种非线性融合算法的估计性能比较以及测量值融合更新次序是否满足可交换性. 结果表明: 当各传感器的测量特性相同时, 集中式测量值扩维和测量值加权融合算法的估计精度功能等价;非线性顺序滤波融合与其他两种融合算法之间不再具备线性多传感器系统中估计功能的完全等价特性;在融合精度不变前提下非线性顺序滤波融合中, 各传感器观测更新次序不再完全满足可交换性. 4个基于纯方位目标跟踪的数值仿真被用来验证文中所得结论的有效性和正确性. 相似文献