量测不确定的四元数约束CKF姿态估计

针对姿态估计系统在量测不确定和四元数约束下存在发散及估计精度差的缺陷,提出了一种基于不确定量测的四元数约束容积卡尔曼滤波算法(quaternion constrained cubature Kalman filter based on uncertain measurements,UCCKF).该算法克服了约束容积卡尔曼滤波算法的局限性,采用独立的伯努利随机变量来描述量测的不确定性,利用三阶球面-相径容积规则近似计算非线性函数的后验均值和协方差.并针对四元数规范化问题,采用两步投影理论来解决四元数约束限制.仿真结果表明,相比较于约束容积卡尔曼滤波(constrained cubature Kalman filter,CCKF)和无迹混合滤波(unscented mixture filter,UMF),提出的UCCKF算法在量测不确定情况下具有更好的收敛性和更高的估计精度,说明该算法对量测不确定下的非线性姿态估计系统是有效、可行的.     

基于平方根容积卡尔曼滤波的目标状态与传感器偏差扩维联合估计算法

针对传感器存在系统偏差条件下的三维目标跟踪问题,基于高斯求积规则与三阶球面-径向容积规则,设计了基于平方根容积卡尔曼滤波的目标状态与传感器系统偏差扩维联合估计算法(Augmented state squared-root cubature Kalman filter,ASSRCKF)。仿真分析表明,ASSRCKF不仅避免了扩维扩展卡尔曼滤波算法因模型线性化误差易导致滤波发散的问题,且克服了扩维不敏卡尔曼滤波算法在高维系统中数值不稳定的缺点,算法实时性好,能更加有效地解决带有系统误差的非线性状态估计问题。     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

四元数约束的容积卡尔曼滤波及其应用

针对一些非线性系统状态变量中存在四元数约束的情况,提出了一种四元数约束下的容积卡尔曼滤波(quaternion constrained cubature kalman filter,QCCKF)算法．基于最小约束代价函数,采用三阶球面-相径容积规则近似计算系统状态的后验均值和协方差,给出了QCCKF滤波递推公式．设计的QCCKF算法可以有效地对状态进行估计,扩展了CKF的应用范围．最后对飞行器姿态估计系统进行仿真,仿真结果表明,该算法估计精度优于常规CKF和无迹四元数估计法(unscented quaternion estimator, USQUE),并满足四元数约束条件,较好地解决了非线性系统存在四元数约束的问题,验证了算法的有效性．     

改进型UKF滤波算法的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了一种改进的UKF（unscented Kalman filter）滤波算法．它通过引入简化球形分布Sigma点UT变换（SSUT）,使得Sigma点的数量减少,从而在与UKF算法估计精度相当的情况下,计算量大大减少．同时,该算法依据姿态四元数与修正罗德里格参数之间的变换关系以及Sigma点的本质属性,保证了在姿态估计过程中四元数满足归一化约束,并且给出了过程噪声方差阵的选取方法．与扩展卡尔曼滤波（EKF）相比,无需计算Jacobian矩阵且具有更高的估计精度,并且对初始姿态误差更具有较好的鲁棒性．数值仿真表明该方法能很好地改善滤波效果,提高了估计精度,同时减小了计算量。     

基于SCKF方法的非线性随机动态系统故障诊断方法

基于平方根容积卡尔曼滤波方法(Square root cubature Kalman filter, SCKF),研究一类非线性随机动态系统的故障检测与估计问题。SCKF对解决复杂非线性系统的状态估计问题,具有精度高、稳定性优和计算复杂度低等优点。针对发生执行器故障的非线性随机动态系统,采用SCKF估计系统状态,并根据状态估计结果,利用滑动时间窗口技术设计残差信号,检测故障发生。在检测到故障之后,构造增广系统,实现对执行器故障幅值的估计。通过仿真试验验证了所提出方法的有效性。     

双重迭代变分贝叶斯自适应卡尔曼滤波算法

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不确知的情况下仍具有较强的鲁棒性。     

基于离差差分滤波算法的再入目标状态估计

再入弹道目标的状态估计是个复杂的非线性滤波问题,使用扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,会引入较大的误差,甚至发散．为了提高估计精度,提出使用离差差分滤波算法（Divided Difference Filter,DDF）对再入弹道目标的状态进行估计．DDF算法使用二阶多维Stirling内插多项式近似非线性状态和测量方程获得状态和方差的估计．该算法只需要计算函数值,避免了求导运算,降低了计算复杂度．Monte Carlo数值仿真表明,离差差分滤波方法降低了再入目标的状态估计误差,提高了估计精度,且运行速度比无迹卡尔曼滤波方法（Unscendted Kalman Filter,UKF）要快的多．     

高阶容积卡尔曼滤波及其在目标跟踪中的应用

针对传统的容积卡尔曼滤波(CKF)估计精度有限的问题,提出了一种基于任意阶容积规则的高阶容积卡尔曼滤波(HCKF)方法并应用于机动目标跟踪问题。传统的CKF采用三阶球面-相径容积规则,可获得优于其他非线性滤波如不敏卡尔曼滤波(UKF)的估计精度和数值稳定性。为了进一步提高CKF的估计精度,在基于点的高斯近似滤波框架下,分别使用Genz积分方法和矩匹配法推导出任意阶的球面规则和相径规则,以此构造高阶球面-相径容积规则来计算高斯型积分,并建立高阶容积卡尔曼滤波算法。将提出的HCKF算法应用于机动目标跟踪问题中并进行数值仿真。仿真结果表明,相对于传统容积卡尔曼滤波,高阶容积卡尔曼滤波对目标位置和速度估计的精度分别提高了11%和24%,可获得更高的估计精度。     

基于优化无迹Kalman滤波的电网动态谐波估计

提出一种基于粒子群优化的无迹卡尔曼滤波(particle swarm optimized unscented Kalman filter,PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的状态噪声协方差和观测噪声协方差,使系统噪声对电网动态谐波估计结果的影响得到充分考虑,克服了传统UKF算法将这两种方差视为常数导致的动态谐波估计精度低的缺陷.仿真结果表明,PSOKUF算法比卡尔曼滤波(Kalman filter,KF)算法和传统的UKF算法更有效,在没有增加计算复杂度的情况下,能够提高动态谐波估计精度.     

似然迭代平方根容积卡尔曼滤波算法的克拉美罗下界分析

本文介绍了平方根容积卡尔曼滤波算法和似然迭代平方根容积卡尔曼滤波算法,推出了后验克拉美罗下限.将两种算法应用到弹道再入段的状态估计中,分析和比较了两种算法的标准差与后验克罗美罗下限的关系.仿真实验结果表明,相比于平方根容积卡尔曼滤波算法,似然迭代平方根容积卡尔曼滤波算法的位置、速度和弹道系数的标准差与后验克拉美罗下限很接近,算法的滤波性能明显优于平方根容积卡尔曼滤波算法,是一个有效的状态估计算法.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

平方根递推更新高斯粒子滤波

对于高斯粒子滤波器重要性密度函数（IDF）的构建,递推更新高斯滤波器（RUGF）依据非线性测量函数梯度对目标运动状态进行渐进式的更新,可以有效克服线性最小均方误差准则的限制,从而得到更接近于真实分布的后验状态估计,但在递推过程中目标状态协方差矩阵易非正定而出现递推中断。针对这一问题,该文首先分析了RUGF的平方根实现策略,并借助容积卡尔曼滤波对平方根（SR）RUGF进行具体实现,然后利用SR-RUGF为高斯粒子滤波器选取IDF,进而得到平方根递推更新高斯粒子滤波器。仿真实验表明,本文算法可有效解决递推中断问题,并获得较高精度的估计结果。     

Robust range-parameterized cubature Kalman filter for bearings-only tracking

In order to improve tracking accuracy when initial estimate is inaccurate or outliers exist,a bearings-only tracking approach called the robust range-parameterized cubature Kalman filter(RRPCKF)was proposed.Firstly,the robust extremal rule based on the pollution distribution was introduced to the cubature Kalman filter(CKF)framework.The improved Turkey weight function was subsequently constructed to identify the outliers whose weights were reduced by establishing equivalent innovation covariance matrix in the CKF.Furthermore,the improved range-parameterize(RP)strategy which divides the filter into some weighted robust CKFs each with a different initial estimate was utilized to solve the fuzzy initial estimation problem efficiently.Simulations show that the result of the RRPCKF is more accurate and more robust whether outliers exist or not,whereas that of the conventional algorithms becomes distorted seriously when outliers appear.     

载荷识别研究进展及其运用于铁道轮—轨载荷研究概述

为识别铁道车辆车钩等存在非线性刚度阻尼的单一维度、多自由度系统的外部动载荷,提出一种基于平方根容积卡尔曼滤波（SRCKF）算法的载荷识别方法。以一个二自由度的非线性弹簧阻尼系统为例,建立包含外部动载荷和系统部件状态变量的非线性过程函数,以各自由度振动加速度为观测量,基于平方根容积卡尔曼滤波算法识别外部动载荷。仿真结果表明,该方法可以较好地识别作用在多自由度非线性系统上的随机载荷,刚度非线性系统和阻尼非线性系统的识别结果相关系数分别为0.997和0.999。

     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。