基于粒子滤波的GPS/DR组合导航算法研究

对于车载GPS/DR(全球定位系统/航位推算)组合导航系统的算法研究,大多采用扩展卡尔曼滤波,但是应用扩展卡尔曼滤波时,非线性系统必须要进行线性化,从而导致滤波结果有较大的误差.为此将粒子滤波算法用于车载GPS/DR组合导航系统中,并建立了GPS/DR组合导航系统的状态方程和观测方程.为了检验其有效性,将两种方法分别对车载GPS/DR组合导航系统进行滤波仿真,仿真实验结果表明粒子滤波比扩展卡尔曼滤波有更好的滤波效果,更能减少定位误差.     

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.     

几种改进的粒子滤波算法性能比较

粒子滤波算法摆脱了解决非高斯滤波问题时随机量必须满足高斯分布的制约,近年来广泛应用于跟踪与定位研究中.与粒子滤波有关的一个普遍问题是退化现象,增加粒子个数可以部分的解决这个问题,同时马尔可夫链的引入可以使粒子分布更加合理,因此建议分布的选择是至关重要的.分析粒子滤波原理后,将马尔可夫链蒙特卡罗法方法引入粒子滤波算法的实现中,结合扩展卡尔曼滤波和不敏卡尔曼滤波两种建议分布进行仿真.仿真结果展示了改进的粒子滤波算法的良好性能,而且粒子退化现象得到有效遏制.     

GNSS/DR组合导航系统中粒子滤波算法研究

随着车辆组合导航系统的发展,其算法研究也引起了广泛的重视。该文对车载GPS/DR组合导航系统的算法进行了研究,由于卫星信号易受到复杂环境的干扰和影响,导致使用卡尔曼滤波会有较大的误差结果。粒子滤波就能很好的处理这种情况,具有鲁棒性。仿真结果表明,粒子滤波算法优于卡尔曼滤波,更能减少定位误差。     

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％.     

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。     

自适应模糊粒子滤波在组合导航中的应用

常用的卡尔曼滤波不能解决组合导航系统中的非线性问题,为了进一步提高组合导航系统定位性能,基于粒子滤波和模糊逻辑提出自适应模糊粒子滤波方法.该方法减小了对系统动态及工作环境的依赖,提高了对载体状态的估计精度.并且解决了组合导航系统中卫星信号被遮挡的情况下进行状态估计的问题.通过利用GPS与INS组合导航系统数学仿真证明了方法的可行性、及对组合导航系统的定位精度和鲁棒性的提升,是对于目前常用的组合导航算法的拓展和完善.有很好的应用价值.     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

基于改进衰减记忆滤波的组合导航算法研究

关于优化组合导航系统定位精度问题,由于惯导系统为非线性系统,存在滞后和噪声特性,影响系统定位精度,传统卡尔曼滤波器滤波一段时间后,系统预测误差方差阵逐渐趋于零,状态估计过分依赖旧量测值,从而导致滤波发散,系统定位精度差。目前采用在预测误差方差阵中引入标量衰减因子来抑制发散,但该标量因子是不变量,难以修正所有状态估计异常的情况。为有效提高新量测值对预测值的修正作用,研究了一种改进的衰减记忆滤波算法,通过引入可变加权系数来抑制发散。经数值仿真结果表明,新算法的滤波效果相比卡尔曼滤波和带标量因子的衰减记忆滤波有较明显的改善,提高了系统的定位精度,对工程应用有一定参考价值。     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

基于自调整粒子滤波的组合导航方法研究

在非线性模型非高斯噪声条件下,标准粒子滤波在组合系统的观测精度较低时能取得较好的滤波效果,但在高观测精度情况下会导致滤波发散。该文针对这一问题,提出一种自调整粒子滤波方法,根据观测噪声的统计大小,自适应调整似然分布的形状,使之与先验分布重叠的区域更大,有效提高滤波稳定性。将自调整粒子滤波算法应用到组合导航系统中,并在非高斯噪声、观测信息由低观测精度跳变到高观测精度条件下进行了仿真研究,结果表明,该自调整粒子滤波算法在组合导航系统具有高观测精度的情况下依然保持了滤波精度和稳定性。     

EM-GMPF:一种基于EM的混合高斯粒子滤波器算法

粒子滤波器算法是一种基于贝叶斯推理和蒙特卡罗方法的非线性、非高斯动态系统的实时推理算法.因其具有灵活、易于实现、并行化等特点,成为统计学、信号处理、人工智能等领域新的研究热点,并被广泛地应用于目标跟踪等领域中.粒子滤波器算法中存在的主要问题是再取样步骤带来的粒子枯竭,从粒子滤波器的表示方法角度出发,提出了一种基于EM的混合高斯粒子滤波器算法,仿真数据和可视化跟踪实验表明,与传统的粒子滤波器算法和基于单高斯模型的粒子滤波器算法相比,该方法在降低对粒子数目需求的同时显著提高了粒子滤波器的估计性能.     

基于粒子滤波的AUV组合导航方法

讨论了粒子滤波器和RB(Rao-Blackwellised)粒子滤波器两种滤波方法在组合导航中的应用,给出了组合导航算法用于自治水下航行器(AUV)的具体数学模型,并且与拓展卡尔曼滤波器的导航结果进行比较.利用AUV湖上试验验证了3种算法的导航性能,试验结果表明RBPF组合导航算法能够获得最好的导航精度;然而通过对算法进行分析,发现其计算复杂度高于其余两种滤波算法.     

基于粒子滤波的UWB+惯导融合定位算法研究

为了提高自主导航机器人的室内定位精度,提出一种基于粒子滤波的超带宽(UWB)/惯导融合定位算法.首先,UWB定位采用双边双向测距算法确定距离信息,通过三边定位算法确定位置信息.其次,惯导定位通过编码器采集运动信息,建立非完整约束下的动力学模型,确定运动轨迹.两种定位信息在上位机中通过粒子滤波进行融合,实现高精度融合定位...