单被动传感器BOT鲁棒跟踪算法研究

对系统建立了仅有角度测量信息的单传感器跟踪(BOT)模型和算法,从机动目标鲁棒跟踪的角度给出了单传感器仅有角测量信息时的状态估计方法.BOT的状态估计采用修正增益扩展卡尔曼滤波器(MGEKF),目标加速度采用周期递推估计.该算法的模型简单、无噪声假定、无模型切换,并对目标机动具有良好的自适应能力.仿真结果验证了该方法的有效性.     

异类传感器融合跟踪系统配准偏差的在线补偿

针对多传感器融合跟踪系统的时变配准偏差补偿问题,提出了一种配准偏差的在线估计和补偿算法.该算法首先依据多传感器提供的测量和跟踪信息,建立配准偏差的动态模型,然后利用极小化似然函数结合卡尔曼滤波方法在线估计系统偏差,利用估计的配准偏差,补偿和修正跟踪器的测量信息,实现多传感器的融合跟踪.最后针对异类传感器(雷达、红外)组成的多传感器跟踪系统,给出了应用该方法的仿真结果.     

基于EK-GMPHD的分布式聚类融合算法

针对杂波环境下非线性系统中目标跟踪精度问题,提出了一种基于扩展卡尔曼—高斯混合概率假设密度(EK-GMPHD)的模糊C均值(FCM)分布式融合算法。算法在全局估计上采用FCM聚类融合算法,得出隶属度最大的目标状态估计,再根据相关公式,计算得出全局目标状态估计。在局部航迹缺乏的状态下,所提算法可提高目标的跟踪精度。仿真结果表明:提出的融合算法在杂波环境下对多目标进行跟踪时对多目标数目和状态的估计更优。     

基于递归工具变量卡尔曼滤波算法的纯方位水下目标跟踪

基于纯方位信息的水下目标跟踪中常用的伪线性卡尔曼滤波算法偏差较大、跟踪精度差,结合偏差补偿算法提出一种用于纯方位水下目标跟踪的递归工具变量卡尔曼滤波算法,并将过程噪声协方差的不确定性考虑在内.针对伪线性卡尔曼滤波算法的偏差问题,采用递归工具变量算法的工具变量矩阵来消除量测矩阵与伪线性噪声间的关联性,从而消除偏差.仿真结果表明,所提出的递归工具变量卡尔曼滤波算法在水下方位角噪声较大时也能保持稳定性和跟踪精度.     

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。     

一种主/被动雷达模糊数据融合算法

提出一种基于模糊逻辑的主/被动雷达传感器数据融合算法。首先将单个雷达的测量值通过时间校准后,将它们作为卡尔曼滤波器的输入分别滤波,然后再对滤波后的目标状态估计进行融合。融合算法基于卡尔曼滤波的协方差匹配关系,采用模糊推理得到数据融合的权值。最后将各传感器的卡尔曼滤波状态估计进行加权融合得到所需要的目标状态信息。采用该融合算法可以有效提高目标跟踪系统的抗干扰能力。仿真结果表明该算法有效。     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

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.     

视觉与惯性传感器融合的隐式卡尔曼滤波位置估计算法

机器人对自身位置的实时感知在机器人技术中非常重要.本文主要研究机器人技术中一类基于视觉与惯性传感器的位置估计问题.与传统的状态估计问题不同的是,所研究位置估计问题为带有隐式观测方程的线性状态估计问题.为此提出一种能够解决此类估计问题的隐式卡尔曼滤波器,并给出了详细的滤波器设计过程.另外采用扩展变量法将加速度信息中的偏移量作为滤波器状态来估计,以补偿其对位置估计结果的影响.仿真结果显示,所给出的隐式卡尔曼滤波器收敛,加速度偏移带来的影响被有效的补偿.     

基于载波频率辅助相位的GPS信号跟踪算法

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。     

基于SIM-GM-PHD的低可观测目标跟踪算法

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.     

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.     

紧耦合多传感器混合跟踪算法

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。     

星凸形多扩展目标跟踪中的传感器控制方法

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.     

传感器网络中鲁棒状态信息融合抗差卡尔曼滤波器

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.     

基于贝叶斯理论框架的传感器选择算法

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.     

基于融合反馈的多传感器空间偏差配准方法

利用多传感器的目标状态融合估计和融合估计误差协方差作为反馈信息,提出了带反馈机制的多传感器空间偏差配准方法.对二阶段Kalman滤波偏差配准方法进行扩展和改进,在不同噪声条件下对目标状态融合和偏差进行估计.仿真结果表明,带反馈信息的偏差配准方法可有效改善目标的状态估计和传感器的偏差配准,Crmaer-Rao下界分析说明了该算法的有效性.     

基于交互式CPHD的多传感器多机动目标跟踪

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.     

双基阵纯方位目标跟踪无偏最小二乘估计算法

纯方位目标跟踪是非线性估计问题,伪线性估计算法是主要的纯方位目标跟踪算法之一,其计算简单,但对测量方程进行线性化处理后其运动要素的估计会出现发散或偏置现象.为了克服伪线性估计算法的估计有偏性,本文提出一种带约束条件的最小二乘估计算法,使得伪线性化后的均方等效误差最小来实现目标运动要素的无偏估计.通过仿真说明了利用该方法所得到的位置、速度跟踪误差曲线能很好快速地逼近CRLB,比双基阵EKF滤波器及伪线性估计算法有着更好的收敛速度和跟踪精度,证明了该方法的有效性.     

基于EKF的集中式融合估计研究

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.     

基于联邦滤波的偏振光/SINS/BDS/地磁组合导航算法

针对高稳定目标导航参数获取对多传感器融合算法的需求,提出一种偏振光/捷联惯性导航系统(SINS)/北斗卫星导航系统(BDS)/地磁组合导航方法.分析了各类传感器的导航性能,采用联邦卡尔曼滤波器两级结构,利用子滤波器进行局部估计,主滤波器进行多传感器数据融合,研究了基于联邦卡尔曼滤波方法的多传感器数据融合导航算法.进行了...