强跟踪滤波器与卡尔曼滤波器对目标跟踪的比较

介绍了早期的卡尔曼滤波器和近期提出的强跟踪滤波器对匀速运动目标和机动性目标的跟踪情况．通过仿真，说明在信噪比较小的情况下强跟踪滤波器的目标跟踪性能优于卡尔曼滤波器的跟踪性能。     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

一种非线性动态系统参数估计方法

从非线性动态系统的参数估计问题出发,介绍了一种新的估计方法——粒子滤波估计法,该方法是一种基于贝叶斯推理和蒙特卡罗方法递推算法,通过动态模型推导了粒子的数值,通过实例分析了该估计方法的性能.结果表明,粒子滤波方法能显著提高估计性能,且精度高,比较灵活.     

基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识

针对非线性动态系统辨识 ,采用高阶神经网络和径向基函数网络相结合的方法 ,神经网络的连接权值可作为系统的未知参数 ,用扩展卡尔曼滤波器 (EKF)算法来估计 ,确保了该方法的快速收敛 .具体模型的仿真结果表明该方法能快速收敛 ,并能方便的用于在线辨识 .     

一种用于径向基函数网络辨识非线性系统的新算法

使用卡尔曼滤波器和分簇算法组成一种新的混合算法用于径向基函数网络辨识非线性系统。由于卡尔曼滤波器和分簇算法都采用线性学习规则，收敛速度很快，故新算法能增加网络自适应能力。仿真结果表明了该算法的有效性。     

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。     

采用扩展卡尔曼滤波器估计入射波参数

提出了采用扩展卡尔曼滤波器估计入射波参数（入射角度和入射功率）的方法,首先根据天线阵线拉空间信号的特点,在建立描述入射波参数的空间状态方程,其次为便于用数学方法进行入射波的参数估计,将含有复数的空间状态方程变换成用实变量表示的空间状态方程,然后,经扩展状态,将入射波的空间状态方程变非线性系统的状态方程,利用扩展卡尔曼滤波器实现入射角度和入射功率的联合估计,对天线阵接收一个入射波情况,采用ＭＡＴＬＡ     

DSP上实现的卡尔曼滤波器

本文提出了跟踪运动物体的卡尔曼滤波器的完整设计过程.滤波器是在TMS320数字信号处理器(DSP)上实现的,和模拟结果比较,分析了滤波器的精度及量化误差的影响.尽管该滤波器是专用DSP构造的,但设计方法也适用于其它类型的DSP.该滤波器可以用来滤除运动物体位置测量信号中的噪声.对一个二维运动物体,单字长精度的滤波器带宽可达1.68kHz.     

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。     

采用UKF算法估计路面附着系数

为了能够迅速准确获取当前道路信息以提高汽车主动安全性能,提出一种实时跟踪路面附着系数变化的汽车状态估计方法.建立包含Pacejka 89轮胎模型的七自由度非线性汽车动力学模型,通过动力学模型估算出前后车轮垂直载荷,结合轮胎力学模型和UKF(Unscented卡尔曼滤波)算法对轮胎纵向力和滑移率进行估计,进而得到不同附着系数路面条件下的Slip-slope(ρ-S曲线斜率),建立了几种典型路面附着系数与Slip-slope之间的映射关系.应用ADAMS/Car中的路面编辑器构造具有不同附着系数的路面测试环境,验证了提出的方法对突变附着系数估计的可靠性和有效性,表明Slip-slope理论在ADAMS/Car的虚拟试验中同样可以再现.     

SCKF-STF-CN: a universal nonlinear filter for maneuver target tracking

Square-root cubature Kalman filter (SCKF) is more effective for nonlinear state estimation than an unscented Kalman filter.In this paper,we study the design of nonlinear filters based on SCKF for the s...     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

基于Hough变换和无轨迹卡尔曼滤波的眼睛角点跟踪

提出了一种基于改进Hough变换(HT)和无轨迹卡尔曼滤波(UKF)的眼睛外角点跟踪算法。该算法在输入图像中存在虹膜时采用改进Hough变换提取眼睑轮廓并得到眼睛外角点位置,当输入图像中检测不到虹膜时,采用UKF算法对当前帧眼睛角点进行估计。实验证明,本文算法能精确地跟踪眼睛外角点。     

Autonomous determination of orbit for probe around asteroids using unscented Kalman filter

The observed images of the asteroid and the asteroid reference images are used to obtain the probe-to-asteroid direction and the location of the limb features of the asteroid in the inertial coordinate. These information in combination with the shape model of the asteroid and, attitude information of the probe are utilized to obtain the position of the probe. The position information is then input to the UKF which determines the real-time orbit of the probe. Finally, the autonomous orbit determination algorithm is validated using digital simulation. The determination of orbit Using UKF is compared with that using extended Kalman filter (EKF), and the result shows that UKF is superior to EKF.     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

Comparison of linear and nonlinear aerodynamic parameter estimation approaches for an unmanned aerial vehicle using unscented Kalman filter

Aerodynamic parameter estimation provides an effective way for aerospace system modeling using measured data from flight tests,especially for the purpose of developing elaborate simulation environments and designing control systems of unmanned aerial vehicle(UAV)with short design cycles and reduced cost.However,parameter identification of airplane dynamics by nonlinear models is complicated because of the noisy and biased sensor measurements.Using linear models for system identification is an alternative wa...     

估计偏差修正扩展卡尔曼滤波新算法

针对扩展卡尔曼滤波跟踪器在非线性系统目标跟踪过程中容易发散这一难题,在时差频差测量体制下,提出了一种基于估计偏差修正的扩展卡尔曼滤波算法．首先利用加权最小二乘算法求解标准扩展卡尔曼滤波状态估计偏差并进行线性修正;然后重新计算观测矩阵并且再次进行滤波估计,以减小局部线性化截断误差对于观测矩阵的影响,提升目标状态跟踪精度．仿真结果证明了所提算法具有较好的目标跟踪性能．     

An estimation model of time-varying origin -destination flows in expressway corridors based on unscented Kalman filter

On the basis of measurable time series of mainline and ramp flows from traffic counts and the assumption of travel time distributions, this research presents a dynamic system model and its on-line estimation algorithm for recursive estimation of time-varying origin-destination (OD) matrices in expressway corridors. The proposed model employs a macro-traffic flow model to estimate travel times of OD flows and uses parameters of the traffic model as state variables, which are added to the constrained function of the system. To improve the model efficiency, we revise the travel time distribution based on the feature of normal distribution. The research employs a newly developed filtering technique, called unscented Kalman filter. The proposed model is evaluated with simulation experiments. Numerical analyses with respect to the sensitivity of the selection of initial parameters on the estimation results indicate that the proposed model is sufficiently reasonable and stable for real-world applications. Supported by the National Natural Science Foundation (Grant No. 60674011)