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.     

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.     

基于扩展卡尔曼滤波的两轮机器人姿态估计

针对两轮自平衡机器人惯性传感器存在误差的问题,提出基于扩展卡尔曼滤波的方法进行补偿,从而实现机器人姿态的最优估计.利用实验获得的惯性传感器误差特性,采用Levenberg-Marquardt非线性最小二乘迭代法拟合数据,从而建立机器人导航用惯性传感器陀螺仪和加速度计误差的数学模型,并对误差进行标定.采用扩展卡尔曼滤波将传感器的数据进行融合并对误差进行补偿,得到机器人姿态的最优估计.将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明改进后的系统误差得到了有效的抑制,从而验证了采用低成本的惯性传感器进行机器人的姿态估计是有效可行的.     

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。     

基于自适应四元数卡尔曼滤波的姿态估计方法

使用四元数卡尔曼滤波器进行姿态估计的性能与加速度噪声协方差R有很大的相关性。以四元数卡尔曼滤波器递推计算的新息协方差与测量的新息协方差的差值尽可能小为条件,采用基于新息的自适应算法,在线估计加速度计噪声的协方差R,得到符合实际加速度噪声水平的卡尔曼滤波器增益K,对微小型飞行器进行姿态估计。为了减少由新息引入自适应计算的测量噪声,使用渐消记忆的方法对测量的新息协方差进行处理。仿真结果表明,基于新息的自适应四元数卡尔曼滤波器在加速度计噪声协方差R难以测量时或R变化时,相对于四元数卡尔曼滤波器能更准确地获得姿态的估计,减小了滤波器对模型参数的依赖,增加了滤波器的鲁棒性。     

基于迭代平方根CKF的SLAM算法

在大尺度环境中,平方根容积卡尔曼同步定位与地图构建算法的非线性误差严重制约了算法的定位精度,为解决这一问题,提出了一种基于迭代平方根容积卡尔曼滤波的改进算法,该算法结合迭代理论,对平方根容积卡尔曼滤波的量测更新过程进行迭代更新,充分利用最新的观测信息,降低滤波的估计误差,从而构建精确的地图并获得高精度的定位信息。仿真实验结果表明,采用本算法后, x轴和y轴方向上的位置误差均在1?5 m以内,估计结果明显优于SRCKF－SLAM、CKF－SLAM和EKF－SLAM算法;添加不同的环境噪声后进行仿真实验,该算法所取得的位置误差相比仍是最小的。利用该算法可以有效地减小非线性误差造成的影响,提高SLAM的定位精度。     

基于卡尔曼滤波和互补滤波的改进型姿态解算方法

四元数融合互补滤波通常采用三轴陀螺仪的角速度积分来获取角度,进而利用角度求得四元数,再由四元数解算出姿态角。但三轴陀螺仪由角速度积分得到的角度由于温漂、单次迭代等原因,往往偏差较大,难以消除,这就导致求得的四元数精度不够,最终影响互补滤波解算出的姿态角的精度。针对这个问题,提出采用卡尔曼滤波融合陀螺仪、加速度计的数据进行基于误差协方差最小的迭代估计,并通过对过程噪声和观测噪声的滤波,最终得到姿态角的最优估计,再将这个估计值代入互补滤波中求得四元数,利用该四元数进行误差负增益调节。本工作基于STM32F4搭建实验平台进行验证,结果表明:该改进型姿态解算方法明显地提高了姿态角的精度,具有良好的动态和静态特性。     

基于粒子滤波和UKF联合滤波的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了基于粒子滤波(PF)和Unscented卡尔曼滤波(UKF)的一种联合滤波方法.为了避免粒子滤波的状态高维数引起的计算量过大、难收敛等问题,采用UKF滤波来估计陀螺的漂移,从而使粒子的数量大大减少,以较少的运算量获得较好的滤波效果.另外,通过定义增量误差四元数和采用无冗余的广义罗德里格参数(Generalized Rodrigues Param eters)(三参数)描述卫星姿态,使四元数的归一化处理是隐含的,从而解决了四元数的归一化所造成的协方差阵奇异问题.将该方法应用于某型号卫星的姿态估计,并与UKF相比,即使在较大初始姿态误差情况下,算法也能很快地收敛,验证了所设计的姿态估计算法是可行有效的.     

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.     

基于旋转体的摄像机姿态估计

基于单幅图像的摄像机姿态问题是计算机视觉领域中的核心问题之一．在已有的姿态估计方法中,通常要求已知空间点或线的精确位置,本文借助于旋转体自身的对称特性,避开了这一难题,给出了一种利用旋转体来估计摄像机的姿态的新算法,并通过模拟实验和真实实验,验证了该方法的可行性和有效性．此方法是一种比较灵活方便的姿态估计方法．     

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法．该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化．与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制．仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高．     

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。     

基于扩展Kalman滤波的汽车行驶状态估计

介绍了一种应用扩展Kalman滤波技术估计车辆行驶状态的控制算法。该算法以非线性三自由度车辆模型为基础,对汽车在行驶过程中的横摆角速度、纵向车速和质心侧偏角分别进行了估计。为验证该算法的准确度,将估计获得的状态值与实车场地实验测得的数据进行了比较。比较结果说明,应用扩展Kalman滤波算法能够较为准确地估计出车辆的横摆角速度、纵向车速和质心侧偏角。     

一种基于“当前”模型的改进卡尔曼滤波算法

针对“当前”模型中加速度上下限对卡尔曼算法造成的影响,提出了一种改进算法。该改进算法利用速度预测估计和速度滤波估计间的偏差进行加速度方差自适应调整,避免了加速度极限值对状态估计精度的影响。最后对具有不同加速度极限值参数的卡尔曼滤波算法进行了仿真,验证了加速度上下限对卡尔曼滤波算法精度有一定影响,并进一步对比了所提出的改进算法和基于“当前”模型的标准卡尔曼滤波算法的效果,结果表明改进算法的预测误差小,跟踪精度高。     

基于扩展卡尔曼滤波的超声波渡越时间估计

提出了一种基于扩展卡尔曼滤波的、适用于双回波重叠情况的超声波渡越时间估计方法。利用现有的单回波包络的经验模型,推导出了对应于双重叠回波包络的理论模型,并利用扩展卡尔曼滤波对其进行参数估计,以达到精确估计渡越时间的目的。由于两个回波的时间差和相位差对回波包络形状影响较大,因此对不同时间差和相位差条件均进行了仿真实验。实验结果表明:本方法能够准确地估计两个回波的渡越时间,并具有较高的抑制噪声能力。     

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.