融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法

针对传统粒子滤波面临的重要密度函数的选取和粒子多样性丧失引起的样本贫化问题,提出基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法。与传统的粒子滤波算法相比,有两点改进:首先该算法采取无迹卡尔曼滤波产生建议分布函数;其次,在重采样过程,提出基于权值优化的改进重采样算法来增加粒子的多样性。仿真结果表明,改进算法降低了粒子滤波算法的粒子退化程度并避免样本贫化现象的出现,更加接近真实值,提高了跟踪精度。     

粒子滤波改进算法研究

为解决粒子滤波算法在实际应用中出现的滤波发散、粒子退化问题,文中利用变分法证明了重要性函数取法的最优形式,并由此提出重要性函数的改进方案;利用分层抽样原理,确定了重采样方法的改进方向,并由此提出双权重重采样(DWSPF)方法.最后对改进算法进行了仿真,仿真结果表明改进方法是有效的.     

基于全局采样的RBUPF及其在组合导航中的应用

针对UPF(unscented particle filter)在GPS/INS(global positioning system/inertial navigation system)组合导航的应用中存在的计算量过大的问题,提出了一种基于全局采样的RBUPF(Rao-Blackwellized unscented particle filter)算法。该算法引入Rao-Blackwellized滤波思想,降低状态空间中非线性状态的维度;采用全局采样策略,对粒子集运用UKF(unscented Kalman filter)得到建议分布。仿真实验表明:这两方面的改进有效的降低了算法的计算量,且在保证较高估计精度的基础上,减小了粒子退化发生的可能性。     

改进的交互式多模型粒子滤波目标跟踪算法

针对现有的交互式多模型粒子滤波算法存在粒子退化现象,跟踪性能不高,计算量大影响跟踪的实时性等问题,采用改进的残差重抽样算法,并在滤波前后,对各模型粒子进行输入输出交互运算,得出一种改进的交互式多模型粒子滤波目标跟踪算法。该算法在解决了粒子退化现象的同时,避免了残留粒子重采样问题,在一定程度上降低了计算量,减小了系统估计误差,提高了跟踪性能。通过仿真,验证了该算法的良好性能。     

改进粒子滤波算法研究

重采样思想能解决粒子滤波中的粒子退化问题,但却导致粒子多样性丧失的现象,使描述状态后验概率密度的粒子不够充分。围绕如何增加粒子的多样性,已提出的改进算法包括MCMC移动步骤及正则化粒子滤波（RPF）算法。讨论2种改进算法的基本思想及步骤,通过对一典型标量非线性系统的仿真实验,分析改进算法的性能特点。实验结果表明,2种改进算法都有效增加了粒子的多样性,缓解了粒子匮乏问题。     

高斯混合粒子滤波器在状态估计中的应用

标准粒子滤波算法中存在的影响状态估计性能的主要问题是再采样步骤带来的粒子枯竭。针对这一问题,介绍一种改进的粒子滤波算法,将高斯混合模型中的后验状态密度通过采用加权EM算法产生量测更新过程中的加权粒子集来重新获得。该步骤取代了重采样步骤中需要较多的粒子集,减轻了采样枯竭问题。通过仿真表明,与其它相关算法相比新算法提高了估计性能和降低了计算复杂性。     

闪烁噪声下的机动目标跟踪算法研究

标准的粒子滤波能够较好的解决闪烁噪声下机动目标跟踪问题,但在采样过程中有时会出现严重的退化现象。针对这种现象,文中提出了一种改进的粒子滤波算法,在采样过程中退化检测,若粒子退化严重,则重新采样,直到退化在允许范围之内。仿真结果表明,在高斯环境下,标准的粒子滤波和改进的粒子滤波性能相近,都优于不敏卡尔曼滤波,但在闪烁噪声环境下,其性能明显高于不敏卡尔曼滤波和标准的粒子滤波,但耗费时间长。     

非线性系统测量数据丢失时的一种粒子滤波器算法

针对在工程实践中发生的测量数据随机丢失情况,提出了一种应用于非线性系统的滤波方法,该方法将基于序贯重要性采样的粒子滤波器应用于非线性、非高斯系统状态的在线状态估计。首先将测量数据丢失描述成满足一定条件概率分布的二元开关序列;然后基于似然函数设计方法,设计出测量数据丢失时的粒子滤波器算法;最后用本文方法对倒立摆系统状态估计进行了仿真。仿真实验表明,测量数据丢失时的粒子滤波器算法是有效的。     

基于粒子滤波的混沌系统参数估计和滤波方法

混沌系统的参数估计是混沌系统控制和同步的前提。鉴于混沌系统具有初值敏感性、不能长期预测等特点,提出了一种基于粒子滤波(PF)的混沌系统参数估计和滤波方法,并将其用于Lorenz混沌系统的参数估计和滤波,在叠加噪声情况下对混沌系统进行仿真分析。结果表明,文中提出的滤波方法在估计偏差方面优于基于扩展卡尔曼滤波（EKF）的混沌系统参数估计和滤波方法,对混沌系统的参数估计和滤波是一种有效的方法。     

一种"全面"的自适应机动目标跟踪算法

基于截断正态概率密度模型建立修正的截断正态概率密度模型。利用该模型并结合速度估计自适应模型提出一种“全面”自适应机动目标跟踪算法(OAF)．此算法能够避免机动加速度最大值的预先设定,自适应调节目标跟踪算法中的机动频率。进一步运用神经网络方法,将机动频率与过程噪声方差进行融合,通过在线调节神经网络权值获得融合后的系统方差输出,降低现有算法因系统参数调整不当带来的精度损失。理论分析及仿真结果表明,与单纯的速度自适应模型算法相比,该算法跟踪机动目标和非机动目标时精度分别提高49. 61%和48.34%．     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

适于无线传感网络目标追踪的一种改进无迹粒子滤波时延差估计算法

在无线传感网络（WSN)中运用基于粒子滤波的时延差估计方法进行目标追踪,其性能的关键是设计精确的粒子滤波器建议分布。为了解决追踪过程中粒子贫化问题,提出了一种基于改进无迹粒子滤波器的时延差估计算法。利用最小二乘法估计目标初始时刻位置,在卡尔曼滤波框架下运用高斯-牛顿迭代法则融合最新观测信息,并引入尺度调节衰减因子不断修正重要性密度函数,从而使建议分布更加逼近真实。将其与时延差定位方法结合,并在WSN环境下进行仿真实验。结果显示,改进的算法在整体粒子数有限的情况下追踪精度更高,收敛性较好,尤其适合环境噪声非高斯的复杂WSN目标追踪应用。     

基于多特征融合与粒子滤波的红外弱小目标跟踪方法

研究低信噪比复杂背景下的红外弱小目标检测和跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于多特征融合与粒子滤波的红外弱小目标跟踪方法.仿真试验表明,与单特征跟踪算法相比,该算法对复杂背景下的红外弱小目标具有更好的跟踪与检测性能.     

基于多目标不确定性改进的GM-PHD滤波器

基于随机有限集的高斯混合概率假设密度（GM-PHD）滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。理论分析和仿真结果表明：该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。     

水下球形机器人视觉防碰撞编队策略

为解决小型水下机器人编队系统协调周期长、碰撞事故率高等问题,提出一种基于双目视觉的领航者- 跟随编队形成方法。利用水下球形机器人平台的双目视觉系统通过点匹配算法实现机器人的3 维相对定位,将视觉 系统解算的控制量作为机器人运动控制的输入量,根据机器人的运动性能设置安全阈值以实现机器人的水下防碰撞 编队,开展2 个球形机器人的编队实物实验。结果表明,该方法具备有效性。     

基于自适应比例修正无迹卡尔曼滤波的目标定位估计算法

针对无线传感器网络中基于接收信号指示强度(RSSI)定位系统在精确性和实时性方面存在的问题,提出了一种基于自适应比例修正无迹卡尔曼滤波(ASUKF) 的定位估计算法。通过分析RSSI 定位模型的特点,将定位问题转化为非线性系统估计问题。该算法在滤波过程中采用比例修正对称采样策略,并利用次优Sage-Husa 估计器实时处理系统噪声的统计特性,对目标位置和信道参数进行同时估计解算。实验及仿真结果表明,与标准UKF 估计算法相比,新算法有效减小了状态估计误差,提高了滤波的稳定性,定位精度更为准确。