基于扩展卡尔曼滤波器的AUV导航定位数据融合

导航定位是AUV(自主式水下潜器)自动化受限的关键技术.GPS等单独的定位方式又存在缺陷.故采用低成本罗经-DVL-GPS组合导航定位.因为导航定位观测的非线性关系,设计了基于扩展卡尔曼滤波器的导航定位数据融合算法.针对扩展卡尔曼滤波器存在的滤波发散现象,引入机动目标模型抑制滤波发散,研究并仿真了AUV的两种运动方式,实现了覆盖四个象限运动的导航定位仿真,结果表明算法能有效进行数据融合,提高状态估计精确度.     

新型粒子滤波算法及其在纯方位目标跟踪中的应用

针对基本粒子滤波算法没有融合当前时刻观测值的缺点,提出了一种卡尔曼粒子滤波算法。该算法针对每一个粒子使用卡尔曼滤波器进行更新,在更新过程中融合最新的观测信息,提高粒子滤波器的估计精度。针对纯方位目标跟踪问题进行实验,与基本粒子滤波算法及卡尔曼滤波进行了对比。实验结果表明,卡尔曼粒子滤波算法的跟踪性能明显优于其他两种算法。     

基于双目视觉与IMU的组合导航算法

针对INS/GPS组合导航技术在GPS失效时难以有效导航的问题,提出一种基于误差状态粒子滤波器的双目视觉与IMU组合导航算法.通过把状态量映射到李代数上,在向量空间直接求解四元数随机粒子分布,使用粒子滤波器实现多传感器数据融合,完成载体运动信息的实时估计.使用EuRoC公开数据集对算法进行验证,实验结果表明,算法的定位精度在0.6 m以内,CPU占用率相比Vins Fusion和OKVIS分别降低了约29.7％和57.2％;运行时间相较于Vins Fusion和OKVIS减少了约42.4％和15％.该算法在保证必要导航精度和实时性的同时,具有较高的计算效率.     

基于二阶插值滤波的粒子滤波改进算法研究

粒子退化等问题严重制约了粒子滤波的工程应用,通过对粒子滤波的分析与总结,提出一种基于二阶插值滤波的粒子滤波改进算法,利用二阶插值滤波器计算出更优的重要性函数,从而有效抑制粒子滤波的退化,降低了计算量,通过对导弹再入时的非线性导航参数估计问题进行实例仿真分析,所得结果验证了该算法的有效性.     

基于高斯—施密特粒子滤波器的多机器人协同定位

多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统。已经应用于本领域的各种非线性算法主要有两种：一种是扩展卡尔曼滤波算法（EKF）,它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器（PF）。本文介绍了一种改进的粒子滤波
器,即高斯-施密特粒子滤波器（GHPF）,重点比较这三种算法在多机器人协同定位领域的应用效果。     

基于INS/GPS/COMPASS的AUV组合式导航定位算法

导航定位问题是自主式水下机器人研究(AUV)的主要内容之一,本文针对一种开架式AUV设计了一种采用间接反馈校正的捷联惯性导航与GPS、罗盘相组合的导航方案,其中采用卡尔曼滤波器接收两套导航子系统对同一导航参数输出值的差值,经过滤波计算估计出各误差量。仿真实验的结果表明,SINS/GPS/COMPASS组合导航对SINS误差随时间不断加大的现象起到了很好的抑制作用,能够满足AUV定位精度的要求。     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

状态估计中的采样型滤波器

基于采样方法的滤波器在现代非线性滤波领域内得到了广泛应用。其共同特点是利用抽样粒子点模拟系统状态的概率分布,从而不受状态先验分布假设(如高斯假设)的约束,拥有更高的滤波精度和更广的应用范围。论文在抽样意义下重新论述了确定性采样滤波器如高斯和型滤波器和UKF,以及基于随机模拟的粒子滤波器,并对这三种滤波器及其衍生方法在状态估计领域(滤波)的应用进行了精度和计算负荷分析。某Benchmark信号处理算例验证了该类方法的估计精度和扩展能力。给出基于实际系统需求一般性评价和选用原则。     

量子PSO粒子滤波在DR/GPS组合导航系统中的应用

将量子粒子群优化(QPSO)算法与粒子滤波(PF)相结合,提出了量子PSO粒子滤波(QPSO-PF)算法,对航位推算(DR)与GPS组合导航系统中的里程系数误差和航向误差进行辨识估计,并对里程系数和航向进行修正。该算法采用量子位对粒子进行编码,引入量子旋转门与变异操作保持了粒子集的多样性,通过QPSO搜索寻优重新分配粒子,使粒子集有效地逼近真实的后验概率分布,从而有效地减轻了退化现象,提高了PF的精度。DR/GPS组合导航系统跑车实验结果表明:该算法有效地抑制了DR导航系统误差的增长,提高了组合导航系统的定位精度。     

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。     

基于结构分解的GPS/INS组合导航粒子滤波技术

针对粒子滤波应用于GPS/INS组合导航系统时难以保证滤波实时性的问题,提出一种基于线性/非线性结构分解的改进粒子滤波算法.改进算法对状态方程进行线性/非线性结构分解,分别采用重点采样和线性卡尔曼方式进行一步预测递推,充分发挥粒子滤波和卡尔曼滤波的特点,有效降低了粒子滤波的计算量,在保证GPS/INS组合导航系统滤波精度的条件下提高了组合滤波的实时性.     

一种快速估计线性非线性状态的粒子滤波器

提出了一种快速估计线性非线性状态的粒子滤波器.针对混合线性非线性模型中传统的Rao-Blackwellized Particle Filter(RBPF)方法对状态估计处理速度较慢的不足,将条件相关的线性与非线性状态进行分离,对于非线性状态运用粒子滤波(PF)算法进行估计,取出从非线性状态中抽取出的粒子的均值,将此均值传播到线性状态中做一次卡尔曼滤波,得出对线性状态的估计.仿真结果表明:与RBPF相比可以将处理速度提高50%～60%,有效改善状态估计的实时性.     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法

针对机器人导航无迹快速同步定位与地图构建（Unscented FastSLAM）算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使系统具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented FastSLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。     

一种针对全海深载人潜水器的异步融合组合导航算法

全海深载人潜水器（HOV）组合导航中会产生异步融合现象,传统的组合导航算法在处理时会产生较大的误差．针对这一问题,提出了一种基于机器学习和无迹卡尔曼滤波（UKF）的异步融合组合导航算法．首先建立了针对超短基线（USBL）声学定位系统预测的机器学习模型,通过USBL声学定位系统的观测数据集来训练该模型,并用得到的模型来预测更新间隔内的数据．最后使用UKF将已更新的数据集进行融合．仿真结果表明,相比传统的组合导航算法,本文的异步融合组合导航算法可以将USBL声学定位系统数据异步问题所引起的误差降低17%,有效提高了组合导航系统的精度．     

基于改进粒子滤波的AUV海底地形辅助定位方法

针对自主式水下无人航行器的地形辅助导航问题,提出一种基于粒子滤波的地形辅助定位方法。为了解决粒子滤波的“粒子贫化”问题,引入了辅助采样,提出一种基于辅助采样粒子滤波的海底地形辅助定位方法,减小了由于重采样带来的粒子多样性的损失。基于半物理测试平台的仿真实验表明:本文所提出方法的精度较高,可适应不同地形特征下的地形辅助定位,可满足水下无人航行器(autonomous underwater vehicle, AUV) 水下导航定位的需求。     

多传感器快速粒子滤波器融合的方法及其在导航中的应用

提出在高斯噪声条件下,将多传感器融合中多维测量的全局粒子滤波器的粒子权重表示成多个一维测量的子粒子滤波器的粒子权重的乘积的形式,从而避免了通常计算全局粒子权重需要的大计算量,达到提高测量融合速度的目的.本文还分析了现有方法和提出方法的计算复杂度,并将提出方法应用于导航.分析和仿真的结果均表明,所提出的方法明显提高了计算速度,且随着粒子数目的增加,优势愈加明显.