CDMA网络中基于粒子滤波的TSOA/AOA跟踪

阐述了CDMA网络中单台设备实现TSOA/AOA被动式定位的原理。采用非线性模型对移动台的运动状态进行了描述。利用粒子滤波对非线性系统和非高斯噪声环境的高度适应性,设计了一种基于粒子滤波的TSOA/AOA跟踪算法,实现了对移动台位置和速度的同时跟踪。仿真结果表明,与扩展卡尔曼滤波相比,采用粒子滤波有效提高了跟踪系统的性能。     

基于SAD与UKF-MeanShift的主动目标跟踪

针对复杂场景下动态目标难以准确分割以及目标难以准确定位的问题,提出将绝对差值和(SAD)方法、无迹卡尔曼滤波(UKF)和Mean shift算法相结合的混合自主跟踪动态目标的方法。首先,采用SAD方法获相邻两帧的视差信息,利用视差实现动态目标的检测,并依此建立目标的核直方图描述模型和状态空间模型,然后UKF算法对状态空间进行滤波估计,最后采用Mean shift 算法精确定位目标。实验结果表明该方法不仅能有效检测场景的动态目标,同时还能获得目标的运动信息。文中所提出的基于UKF-Mean shift的跟踪策略与相关算法相比,体现出较好的跟踪效果与时间性能。     

基于双目立体视觉的船舶轨迹跟踪算法研究

双目立体视觉模型通过模拟人眼可以实现对目标距离的测量。为了获得水上船舶实时的运动状态,提出了一种基于双目立体视觉的船舶轨迹跟踪方法。首先,通过摄像机标定、线性空间点三维重建可以测得以相机为中心到船舶的距离,得到船舶的部分运动轨迹;其次,在双目立体视觉测距系统的基础上采用常速(Constant Velocity,CV)模型的方法对船舶运动建模;最后,对建立的船舶运动模型利用强跟踪卡尔曼滤波(Strong Tracking Kalman Filter,STKF)船舶轨迹跟踪的方法跟踪船舶的轨迹并估算目标船舶实时的运动状态。实验结果表明,基于双目立体视觉的船舶轨迹跟踪的方法能有效地跟踪船舶轨迹且适用于工程应用的需求。     

基于AUPF的TDOA几何定位跟踪算法研究

使用无源时差（TDOA）定位技术确定无人机等小型辐射源目标的位置是当前研究的热点,针对时差定位算法较为复杂的实际情况,推导了时差双曲线的几何解,并提出了一种基于自适应无迹粒子滤波（AUPF）技术的移动目标定位跟踪方法。通过仿真对该方法在不同场景的应用效果进行了验证,进一步比较分析了算法的定位精度。结果表明,基于自适应无迹粒子滤波的时差几何定位跟踪算法可以在多种情况下较好地拟合出目标真实运动轨迹,实现对运动目标的定位跟踪,同时拥有更低的定位误差和更高的轨迹包容度,使用该方法可以显著提高对非合作移动辐射源目标的位置估计性能。     

基于无迹卡尔曼滤波的无人机毫米波波束跟踪算法

针对无人机收发端相对运动导致毫米波窄波束无法实时匹配这一问题,提出一种基于无迹卡尔曼滤波的三维波束跟踪方法。该方法首先将波束的俯仰角和方位角作为系统状态向量,对其进行无迹变换,获得采样点集。而后,根据采样点集计算出状态预测值和测量预测值,并以此为基础,根据计算出的卡尔曼增益更新状态向量,获得状态向量的最优估计值。仿真结果表明,此方法满足了无人机实时波束跟踪需求,有效地提高了三维环境下毫米波窄波束的跟踪精度。     

基于无迹卡尔曼滤波器的改进SLAM问题求解方法

目前在即时定位与地图构建（Simultaneous Localization And Mapping,SLAM）的研究中已经使用局部取样策略来降低无迹卡尔曼滤波（Unscented Kalman Filter,UKF）的计算复杂度至状态向量维数的平方等级.但是在大规模的SLAM中平方复杂度仍然难以满足实时性需求.为了解决这个问题,提出了一种收缩无迹卡尔曼滤波器（Shrink Unscented Kalman Filter,S-UKF）,并应用于SLAM问题中.首先证明了解耦非线性系统中的部分取样策略和全取样策略的等价性.然后提出了一个通过重构公式中相关项的收缩方式来降低计算复杂度.最后,仿真实验的结果和基于真实环境数据集的实验结果证明了该方法的有效性.     

基于高斯和SCKF 的姿态角辅助三维目标跟踪

首先, 根据目标运动与姿态角的关系, 分析目标在偏航角和俯仰角下的速度变化, 进而推导出姿态角辅助三维目标跟踪模型; 然后, 针对姿态角量测非高斯情况, 在分析均方根容积卡尔曼滤波的基础上, 提出新的高斯和均方根容积卡尔曼滤波算法, 以提高非线性非高斯的处理能力; 最后, 结合不同运动模式下姿态角分量的特点, 建立姿态角分量不同的跟踪模型, 通过模型切换实现对姿态角机动的跟踪. 仿真结果验证了所提出跟踪模型和滤波算法的正确性和有效性.     

基于TDOA测量的多目标P-GMPHD跟踪算法

针对传统的到达时差(Time difference of arrival,TDOA)多目标跟踪算法计算量大,估计精度低,虚警值较多等问题,提出了一种预关联高斯混合概率假设密度(P-GMPHD)多目标跟踪算法.该算法利用随机集理论对TDOA的目标状态和观测值进行建模,通过递推高斯混合来预测和更新各状态后验概率密度,避免了复杂的数据关联问题.为减轻高斯混合滤波的计算量,提出了将预测信息与观测值进行预关联的思想,剔除虚警值,从而显著地降低了计算量.仿真结果表明,该算法能在杂波环境下有效地利用TDOA测量值跟踪未知数目的多个运动目标,并且在不影响跟踪性能的情形下,其计算量比一般GMPHD有了较大的降低.     

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%.     

A new real-time eye tracking based on nonlinear Unscented Kalman Filter for monitoring driver fatigue

A new scheme for driver fatigue detection is presented, which is based on the nonlinear unscented Kalman filter and eye tracking. Assuming a probability distribution than to approximate an arbitrary nonlinear function or transformation, eye nonlinear tracking can be achieved using an unscented transformation (UT), which adopts a set of deterministic sigma points to match the posterior probability density function of the eye movement. Driver fatigue can be detected using the percentage of eye closure (PERCLOS) framework in a realistic driving condition after the eye nonlinear tracking. This system was tested adequately in realistic driving environments with subjects of different genders, with/without glasses, in day/night driving, being commercial/noncommercial drivers, in continuous driving time, and under different road conditions. The last experimental results show that the proposed method not only improves the robustness for nonlinear eye tracking, but also can provide more accurate estimation than the traditional Kalman filter.     

一种改进的SR-CDKF算法及其在早期微小故障检测中的应用

复杂设备早期微小故障检测是故障检测与诊断领域的难题,系统状态和参数发生阶跃变化或者缓慢漂移是这类故障的主要特征. 本文在正交性原理的基础上,提出一种强跟踪平方根中心差分卡尔曼滤波(Square-root center difference Kalman filter, SR-CDKF), 即SSR-CDKF,并将SSR-CDKF应用于复杂设备的早期微小故障检测中. 仿真结果表明, SSR-CDKF能够更准确地估计系统状态和参数,更迅速地跟踪系统和参数突变情况. 通过仿真计算比较滤波器在不同参数取值下的方差值,得出了选择合适参数的方法. 最后利用该算法检测出了陀螺仪的早期微小故障.