S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于 RANSAC 的视觉里程计优化方法研究

针对图像特征产生误匹配影响基础矩阵计算,导致同步定位与地图构建(SLAM)视觉里程计估计精度差的问题,提出一种基于随机抽样一致(RANSAC)的视觉里程计优化方法。该方法首先通过最小距离阈值法对初始匹配集粗滤除,再采用RANSAC计算图像间相对变换关系,若符合变换关系为内点,内点数最多的迭代结果为正确匹配结果;然后计算图像间单应变换并利用其计算基础矩阵,采用对极几何约束确定内点,得到具有最多内点的基础矩阵;最后采用TUM数据集从特征匹配与基础矩阵计算两方面进行优化算法效果验证。结果表明,该算法可提高运行效率且有效去除误匹配特征点,使匹配正确率提高7.7%,基础矩阵估计算法在提高基础矩阵计算精度的同时,内点率也提高了3%,算法为提高视觉里程计精度估计精度提供了理论基础。     

自适应渐消EKF在移动机器人SLAM中的应用

针对即时定位与地图构建(Simultaneous localization and mapping,SLAM)中经典方法的误差累积以及噪声干扰问题,提出基于自适应渐消EKF的SLAM算法。该算法通过引入自适应渐消因子,实时在线调整先验概率密度估计,减小陈旧观测信息对系统估计的影响,在保证协方差矩阵正定性的同时,达到提高SLAM算法估计精度及增强其鲁棒性的目的。通过仿真和基于开源数据集的实验,将提出的算法与EKF-SLAM和UKF-SLAM两种算法进行比较,结果表明AFEKF-SLAM算法在估计精度上优于另外两种算法。     

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。     

5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

水下动基座初始对准中的鲁棒自适应UKF方法

捷联式惯导水下动基座初始对准中,当量测噪声具有不确定、非高斯的统计特性时,对量测噪声作高斯分布假设和对量测噪声阵R作常值处理会造成无迹卡尔曼滤波(UKF)精度和鲁棒性变差。针对此问题,提出了一种基于投影统计(PS)算法的鲁棒自适应UKF(ARUKF)方法。方法首先利用PS算法确定存储新息的权值,对异常的新息进行重加权;而后利用MyersTapley方法自适应地估计R阵;最后利用Huber方法中的权函数对估计出来的R阵进行修正。基于江试试验的实测数据,利用UKF、鲁棒UKF(RUKF)和ARUKF进行非高斯量测噪声条件下的动基座初始对准实验,结果表明:当观测量受到野值的污染时,ARUKF不仅具备RUKF的鲁棒性,而且能够准确地估计出观测量的噪声协方差阵R,比UKF和RUKF具有更高的初始对准性能。     

基于四阶累积量的测深侧扫声纳波达方向估计方法研究

针对高频测深侧扫声纳工作时会受到高斯色噪声影响的问题,提出基于四阶累积量及幅相误差自校正的波达方向估计方法。首先,计算声纳回波信号的四阶累积量,得到协方差矩阵;其次,采用加权平均算法对协方差矩阵进行降维处理,得到构造矩阵;再次,通过恢复构造矩阵的Toeplitz特性完成幅相校正,并增加相位线性拟合算法进一步提升校正效果;最后,采用求根多重信号分类(Root-MUSIC)算法求解得到波达方向估计。仿真结果表明,本文算法的角度估计均方误差相对于基于自校正的Root-MUSIC算法有约0.07°的提升,改善了四阶累积量算法在阵元幅相误差条件下估计精度下降的问题。海试数据分析表明,本文算法的相对测深精度相对于基于自校正Root-MUSIC算法有约0.03%～0.08%的提升,且在水平距离90 m范围内的满足0.75%的测深精度标准。仿真和海试数据均证明了本文算法在高斯色噪声及阵元幅相误差条件下的DOA估计性能优于传统算法。     

采用自适应无迹卡尔曼滤波的卫星姿态确定

针对现有算法卫星姿态确定中模型参数估计不准确,系统存在外界干扰下稳定性差和跟踪精度不足的问题,提出一种自适应无迹卡尔曼滤波算法,对卫星三轴姿态进行估计。首先分析了陀螺和星敏组合定姿的工作原理,然后推导了以误差四元数为状态变量的卫星姿态运动学方程。滤波过程中,该算法引入自适应矩阵,对量测噪声协方差矩阵进行调整;依据滤波发散判别准则,对系统噪声协方差矩阵进行自适应修正,抑制滤波过程中可能的发散情形,获得了良好的自适应性能。实验结果表明,在参数估计不准确时,自适应无迹卡尔曼滤波相比鲁棒自适应UKF算法,三轴估计精度的均方根误差(RMSE)分别提升了30.0%,34.1%,22.4%。该算法基本满足卫星姿态确定的高精度、强鲁棒性等要求。     

基于鲁棒自适应SCKF的智能汽车目标状态跟踪研究

准确的自车和前车状态估计是智能汽车有效决策和控制的前提,而以往的研究通常不考虑噪声统计特性不确定的问题,导致某些情况下车辆状态估计的误差很大。为此,提出一种鲁棒自适应平方根容积卡尔曼滤波（Robust adaptive square-root cubature Kalman filter,RASCKF）算法,以降低噪声统计不确定性对估计精度的影响。首先,采用最大后验概率准则估计了过程噪声协方差和测量噪声协方差的统计值,以提高噪声稳定时状态估计的精确性。然后,基于标准化测量新息序列设计了故障检测规则,利用实时测量新息对噪声协方差进行校正处理,保证状态估计算法的鲁棒性。最后,在不同的噪声干扰工况下对RASCKF算法进行了仿真验证。结果表明,RASCKF算法在估计精度和稳定性上明显优于标准SCKF算法,有效地解决了智能汽车目标状态跟踪过程中噪声统计特性不确定的问题。     

基于CEH~∞ F的移动机器人SLAM算法研究

针对移动机器人同时定位与地图创建(SLAM)面对噪声干扰时估计精度低、鲁棒性差的缺点,提出一种基于容积扩展H∞滤波(CEH∞F)的SLAM算法。首先,通过线性误差传播特性将容积变换嵌入到扩展H∞滤波框架中,利用得到的CEH∞F计算SLAM条件转移概率密度,避免雅克比矩阵的计算和线性化误差积累的同时增强了算法的鲁棒性;另外,在每次迭代中更新调节因子γ,将噪声干扰到估计误差最大能量增益控制在较小范围内,进一步增强算法鲁棒性。实验部分将所提算法与扩展卡尔曼滤波SLAM(EKF-SLAM)、无迹卡尔曼滤波SLAM(UKF-SLAM)、容积卡尔曼滤波SLAM(CKF-SLAM)在不同噪声环境下进行了对比。结果表明,CEH∞F-SLAM算法具有良好的稳定性与精度,是一种有效的SLAM算法。     

靶准直传感器封装误差检测模型与修正方法

利用三个面阵电荷耦合元件(charge-coupled device,CCD)构成的靶准直传感器实现柱状腔靶高精度姿态检测时,靶准直传感器中CCD封装误差等因素的存在会给柱状靶姿态检测及定位带来不确定影响,针对此,提出了靶准直传感器的标定模型与实验方法。将直径为0.8mm的微型球靶作为检测参考目标,利用微型球靶在靶准直传感器中不同位置时CCD上成像的图像点来构建位置矩阵,利用位置矩阵,通过归一化线性优化方法求解表示CCD位姿关系的单应性矩阵,通过单应性矩阵修正因靶准直传感器封装误差给柱状靶姿态检测带来的影响。考虑到利用图像检测方法提取微型球靶中心点位置时误差的存在,在构建的位置矩阵中加入均值μ=0、方差σ=0.5的高斯噪声,模拟检测点位置误差对单应性矩阵求解的影响,分析结果显示位置误差对单应性矩阵中各个参数影响较小,从而证明了该优化方法求解单应性矩阵的鲁棒性。为验证靶准直传感器对腔靶姿态检测的准确性,实验以0.02°的步距角绕X轴旋转柱状靶,利用靶准直传感器检测柱状靶姿态变化并与实际的姿态变化进行对比分析,实验结果显示最大误差小于0.009°,证明了修正方法的可行性。     

基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法

复杂环境下的量测粗差和时变噪声严重影响了状态估计的精度和可靠性,对此提出了一种基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法。首先,基于先验和后验两阶段更新将变分贝叶斯推断引入因子图优化框架中,以估计时变量测噪声协方差;其次,利用相邻帧间的平均新息构造量测协方差预测值,作为粗差判据来实现稳健估计。基于INS/GNSS组合导航的仿真和现场实验评估表明,所提方法能在粗差干扰的情况下有效估计时变量测噪声,相比M估计和滑动窗口自适应因子图优化算法的水平定位误差分别减小了26.7%和39.8%,兼顾了估计精度和抗差性能,具有较好的复杂环境适应性。     

采用自适应一致性UKF的分布式目标跟踪

由于传统分布式跟踪方法在先验噪声协方差与其实际值不相匹配时跟踪误差较大,提出了一种采用自适应一致性无迹卡尔曼滤波的分布式目标跟踪方法,该方法首先执行分布式UKF算法得到对当前移动目标状态的估计值,然后通过一个系统错误检测机制,确定是否需要对噪声协方差值进行更新。如需要,则根据当前获得的测量信息去估计当前噪声协方差,并联合该估计值和先前的噪声协方差值获得一个新的先验噪声协方差值。最后根据新获得的噪声协方差值对获得的目标状态估计值进行修正。实验结果表明该方法具有较好的准确性和鲁棒性：在噪声未知环境下,基于ACUKF的分布式跟踪方法相比于基于容积信息滤波和基于分布式无迹卡尔曼滤波的跟踪方法,最大跟踪误差值分别减少了49.93%和 51.46%;在目标过程噪声发生动态变化的情况下,提出的方法相比于上述两种传统跟踪方法,跟踪误差值分别减少了40.67%和40.06%。     

应用序贯相似检测的基本矩阵快速鲁棒估计

提出了一种基于序贯相似检测( SSDA)的快速鲁棒基本矩阵估计算法来估计基本矩阵.在最大后验一致性(MAPSAC)算法中引入SSDA搜索最优模型参数,通过及时剔除错误模型减少计算成本函数的累加次数,不仅保持了MAPSAC的良好鲁棒性,而且有效减少了算法的计算量.用M估计算法对改进的MAPSAC算法获得的初始内点集进行优...     

IMPROVED COVARIANCE DRIVEN BLIND SUBSPACE IDENTIFICATION METHOD

An improved covariance driven subspace identification method is presented to identify the weakly excited modes. In this method, the traditional Hankel matrix is replaced by a reformed one to enhance the tdentifiability of weak characteristics. The robustness of eigenparameter estimation to noise contamination is reinforced by the improved Hankel matrix. In combination with component energy index (CEI) which indicates the vibration intensity of signal components, an alternative stabilization diagram is adopted to effectively separate spurious and physical modes. Simulation of a vibration system of multiple-degree-of-freedom and experiment of a frame structure subject to wind excitation are presented to demonstrate the improvement of the proposed blind method. The performance of this blind method is assessed in terms of its capability in extracting the weak modes as well as the accuracy of estimated parameters. The results have shown that the proposed blind method gives a better estimation of the weak modes from response signals of small signal to noise ratio (SNR) and gives a reliable separation of spurious and physical estimates.     

基于鲁棒马氏距离统计量的多源融合抗差估计方法

为了有效抵御复杂多变城市环境下的全球卫星导航系统(GNSS)信号干扰、增强多源融合定位可靠性,提出一种基于鲁 棒马氏距离的多源融合抗差估计方法。 该方法在分析观测值故障传播特点以及典型方差膨胀抗差估计模型基础上,基于相邻 新息序列构造鲁棒马氏距离检验统计量。 历史新息的引入能够提高系统观测冗余,同时不同观测量间的新息交互增强了异常 检验统计量的鲁棒性。 根据鲁棒马氏距离的统计特性,给出抗差关键门限取值规则并分别结合两种典型加权策略自适应调节 观测值噪声矩阵。 利用典型城市峡谷环境下惯性导航系统(INS) / GNSS / 激光雷达(LiDAR) / VINS 多源融合车载数据进行相关 实验,与现有方法相较,所提方法能够将三维均方根定位误差最低限制在 3. 37 m。 通过对比不同组显著性水平下的定位结果, 进一步说明所提方法在城市峡谷环境下定位的优越性。     

二进制鲁棒不变尺度特征匹配电子稳像

针对捷联图像制导系统中视频序列受弹体姿态变化和抖动而出现的不稳定现象,提出了一种基于二进制鲁棒不变尺度特征关键点(BRISK)的高精度快速鲁棒电子稳像算法。首先,用BRISK算法提取图像BRISK特征描述符;为了保证匹配精度和速度,采用引导互匹配策略实现BRISK特征点跟踪匹配;然后,利用改进的随机抽样一致方法(RANSAC)剔除误匹配点对;最后,利用最小二乘算法(LSA)估计全局运动参数进而实现稳像。对标准图片的匹配测试和实拍视频稳像的结果表明:结合BRISK算法的电子稳像技术,运行时间小于30ms,定位精度达到0.1pixel,对光照变化、噪声以及复杂环境遮挡具有较强的鲁棒性,能快速有效地补偿捷联制导图像的复杂随机抖动并提高视频质量。