基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

利用sigma点卡尔曼滤波的多UUV协同定位

融合无人水下航行器（UUV）内部航位递推估计和外部量测信息的协同定位方法是一种提高只配备低精度自定位装置的UUV定位精度的有效手段。当协同系统结构固定时,滤波器的选择就决定了精度提高的幅度。针对扩展卡尔曼滤波（EKF）在处理非线性系统时具有较大的截断误差和繁琐的计算,提出了使用sigma点卡尔曼滤波（SPKF）的协同定位方法。与EKF相比,无味卡尔曼滤波（UKF）和中心差分卡尔曼滤波（CDKF）具有更好的鲁棒性,在没有增加计算复杂度的基础上进一步提高了UUV的定位精度。仿真比较了采用不同滤波算法的协同定位方法提高定位精度的效果,验证了利用sigma点卡尔曼滤波的多UUV协同定位方法的有效性和一致性。     

空投UUV入水运动仿真

研究空投无人水下航行器(UUV)的入水运动过程仿真问题.针对空投UUV在入水过程中,通常都伴随有空泡,空泡与UUV的相互作用现象较为复杂的特性,根据动量定理和动量矩定理建立了UUV入水过程的运动数学模型,基于Mackey模型建立了UUV入水过程流体动力计算的数学模型,采用计算机仿真的方式对UUV入水过程进行了研究.结果表明,空投UUV入水过程的运动轨迹近视为斜向下的直线,速度越大空泡持续时间越长,可以解决空投UUV的高效入水.     

移动USBL测距辅助的UUV协同导航定位方法

针对无人水下航行器(UUV) 导航精度受惯性导航(INS) 影响较大的问题, 本文提出一种基于无人水面船 (USV)携带超短基线(USBL)对UUV进行移动式辅助导航定位的方法. 文中以USV上高精度INS和全球导航卫星系 统(GNSS)组合后的导航结果作为基准, 利用USBL测量得到的USV和UUV相对位置和姿态信息, 结合UUV的INS误 差方程, 建立了UUV协同导航系统的状态方程和观测方程, 并基于自适应卡尔曼滤波方法对UUV状态进行滤波估 计. 仿真和湖上实验结果表明, 文中所提方法可有效提升UUV导航精度.     

变维卡尔曼滤波算法的机动目标跟踪性能研究

卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标具有多个运动模型的特点,采用基于卡尔曼滤波的变维算法对机动目标进行跟踪处理,该算法首先建立了机动目标的非机动模型（CV）和机动模型CA）,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和机动目标的位置和速度误差,仿真结果表明变维卡尔曼滤波算法具有很好的目标跟踪性能.     

基于MAS的多UUV编队智能优化控制

针对无人水下航行器(Unmanned Underwater Vehicle,UUV)编队航行的实际背景和限制条件,提出了一种基于多智能体系统(MAS)技术的多UUV编队智能控制方法。利用多Agent之间的交互作用,以灵活便捷的方式进行各UUV之间的协同优化,从而实现多个UUV的自主编队航行。考虑到控制器在编队保持中的重要性,对面向UUV编队航行的控制率和实现算法进行了重点研究,设计了UUV编队控制器,并通过仿真实验验证了该算法的鲁棒性和稳定性,最后对多UUV编队智能控制方法进行了仿真验证和分析。     

UUV回收过程中的导引光源识别方法

水下无人航行器（UUV）由于具有自主性高、体积小、续航时间长等优点,成为海洋探索的有效工具,为保证UUV的作业任务,需对其进行可靠、有效的回收以供给能量,并获得数据。在此研究水下无人航行器近距离光学导引阶段的目标光源识别问题,提出基于正方形光源阵列的光源识别方法。首先从单目摄像机获得的水下图像中提取光源,基于Tsallis灰度熵对原始图像进行分割,得到目标光源的连通域;在目标光源没有缺失的情况下,基于刚体几何位置对其进行识别,当目标光源被遮挡时,提出了导引光源信息缺失情况下的基于动态标记点的光源识别方法,解决了光源被遮挡时无法识别的问题。     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

基于扩散卡尔曼滤波算法的目标跟踪估计

针对节点网络上的目标跟踪,提出一种基于扩散Kalman滤波算法的分布式跟踪估计.假设该节点网络系统按照线性状态空间模型演进,网络中的每个节点获取与未观察到的状态线性相关的测量值;对于每个测量值和每个节点,采用来自邻近区域的数据计算出一个局部状态估计值;采用一个基于扩散矩阵和连接矩阵的扩散步骤,将前面计算得到的邻域估计值...     

基于移动长基线和误差修正算法的多UUV协同导航

在移动长基线（MLBL）定位结构中,虽可利用基于水声传播延迟（TOF）原理获取的量测信息和贝叶斯滤波器（如扩展卡尔曼滤波（EKF））提高低自定位能力无人水下航行器（UUV）的定位精度,但较高的测量误差会降低这种提高的幅度.根据水声通信的特点提出了一种相关性假设并构建了误差修正算法（ECA）,在设定条件下利用误差间的相关性减小量测误差,从而实现量测的粗估计.仿真结果表明,先粗估计量测值再结合贝叶斯滤波器,可显著提高配备低精度自定位传感器的UUV的定位精度.     

双目视觉基于修正卡尔曼滤波器的运动估计

研究了目标物体的远程运动估计.首先,建立了一种双目视觉系统的基于卡尔曼滤波器的目标物体运动估计的运动学模型,并且证明了双目视觉系统同步的各自连续两帧图像中至少三个对应图像点能完全确定刚性物体的运动参数和空间位置;然后,通过对状态向量中的速度分量进行再估计,提出了一种修正卡尔曼滤波器对目标物体远程运动估计的算法,与直接卡尔曼滤波器的远程运动估计相比,提高了估计的精度.将该方法运用到一种实时预测的实验中,其结果证明了该算法的有效性.     

基于渐进无迹卡尔曼滤波网络的人体肢体运动估计

针对基于表面肌电信号 (Surface electromyography, sEMG) 的人体肢体运动估计建模困难的问题, 提出一种渐进无迹卡尔曼滤波网络 (Progressive unscented Kalman filter network, PUKF-net), 来实现降低肢体运动与sEMG量测的建模难度以及提高肢体运动估计精度的目的. 首先, 设计深度神经网络从sEMG数据中学习肢体运动状态与sEMG量测之间的映射关系和噪声统计特性. 其次, 采用渐进量测更新方法对先验状态估计进行修正, 减小运动估计的线性化误差, 提高PUKF-net模型的稳定性. 通过结合深度神经网络和渐进卡尔曼滤波的优势, 使得PUKF-net具有良好的模型适应性和抗噪能力. 最后, 设计基于sEMG的人体肢体运动估计实验, 验证了PUKF-net模型的有效性. 相较于长短期记忆网络 (Long short-term memory, LSTM) 和其他卡尔曼滤波网络, PUKF-net在肢体运动估计中的均方根误差 (Root mean square error, RMSE) 下降了14.9%, 相关系数R2提高了5.1%.     

基于扩展卡尔曼滤波的船舶横向运动扰动估计

建立了船舶横向运动状态方程和测量方程,利用扩展卡尔曼滤波方法对海浪扰动下的船舶横向运动的扰动力和力矩作出估计。仿真结果表明,扩展卡尔曼滤波法比有色卡尔曼滤波法估计效果更优。     

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。     

基于次优区间卡尔曼滤波的机器鱼跟踪方法

目前,自主水下航行器(Autonomous Underwater Vehicle,AUV)研究的重点集中在跟踪定位、精确制导和返坞等领域。机器鱼已成为AUV在智能教育、民用与军事等方面的应用热点。从非线性跟踪分析中发现,区间卡尔曼滤波算法虽然包含了一切可能的滤波结果,但范围比较宽,也比较保守,而且区间数据向量在实现之前是不确定的。文中提出了一种次优区间卡尔曼滤波优化算法。次优区间卡尔曼滤波方案用区间矩阵的逆 代替 其最坏逆,比标准区间卡尔曼滤波更逼近状态方程和测量方程的非线性过程,提高了标称动态系统模型的精确度,改善了跟踪系统的速度与精度。蒙特卡洛仿真实验结果表明,次优区间卡尔曼滤波算法的最优轨迹优于区间卡尔曼滤波方法及标准的卡尔曼滤波方法。     

结合运动方程与卡尔曼滤波的动态目标追踪预测算法

针对传统定位技术误差较大且无法预测目标位置等问题,提出了一种结合运动方程与卡尔曼滤波的动态目标追踪预测算法ME-KF。通过运动方程模拟动态目标运动特性,利用卡尔曼滤波来减小干扰噪声对测量结果的影响,并预测下一时刻的目标位置。该算法在辽宁排山楼矿井的人员定位系统中得到了实际应用,并取得了显著成果。实验结果表明,该方法提高了定位精度,能够对人员位置进行预测以及对危险区域进行预警,并且成功地分析判断了障碍物的分布状况。     

基于多尺度贯序式卡尔曼滤波的运动声阵列跟踪算法

为了研究运动声阵列对二维目标在复杂环境中的实时跟踪性问题,根据运动声阵列及二维目标的运动特点建立了状态方程与测量方程,并将其描述为块的形式.根据不同的状态块,利用小波变换把状态块分解到不同尺度上,分别在时域和频域上建立相应尺度上的状态与观测信息之间的关系;采取卡尔曼滤波器递推思想来实现运动声阵列的多尺度贯序式卡尔曼滤波算法,根据最小二乘误差估计理论推导了运动声阵列跟踪系统在球坐标系和直角坐标系下的误差,为提高系统跟踪精度奠定了理论基础,并为工程应用提供了实际方法.与传统的卡尔曼滤波算法相比,Matlab仿真结果表明了本文算法的有效性和优越性.     

二阶卡尔曼滤波分布估计算法

分布估计算法由于其较强的理论基础已成为进化计算研究的新热点．从卡尔曼滤波的角度来看,它的作甩实际上是一个递归滤波器,但作用在一个种群上的分布估计算法相当于只有一个信息源．因此,该文利用信息融合的思想,将种群分成若干子种群,各子种群独立地使用二阶分布估计算法来估计其状态,这样就可从多个信息源获得信息．然后用卡尔曼滤波器将这多个信息源的信息相融合,以产生更准确的估计,并将估计信息反馈到各子种群中．实验结果表明,相对于已有的二阶分布估计算法,该文算法的稳定性和全局搜索能力都得到了很大提高,从而说明了该文算法的有效性．     

基于时延估计的扰动卡尔曼滤波器外力估计

针对机械臂末端力估计存在模型误差及系统扰动等问题,提出了一种基于时延估计的扰动卡尔曼滤波器外力估计法。在不使用额外力传感器的情况下,通过电机驱动电流的测量,采用时间延时估计法设计出不需要精确动力学模型的估计器。将外力作为状态变量,对系统的不确定性和扰动进行观测,考虑机械臂动力学和扰动动力学,设计出扰动卡尔曼滤波器来估计末端所受外力。使用Matlab仿真软件验证了该方法的有效性,结果表明所提估计方法对具有测量噪声、模型误差及不确定性扰动的系统具有很好的鲁棒性。