Unscented卡尔曼滤波在状态估计中的应用

针对非线形系统的滤波问题,无法使用卡尔曼滤波器（KF）,扩展卡尔曼滤波（EKF）方法虽能应用于非线形系统,但给出的是状态的有偏估计,并且对模型误差的鲁棒性较差。为了给出更好的状态估计值,该文介绍了Unscented卡尔曼滤波（UKF）的基本原理。其思想是：基于unscented变换,UKF滤波算法能够给出更精确的均值和协方差的估计,从而带来更高的精度。最后通过Mackey—Glass模型时间序列的状态估计仿真实侧说明：同EKF相比,UKF的滤波精度和稳定性都显著提高了,还可避免计算烦琐的Jacobi矩阵,是一种良好的非线性滤波方法。     

修正的UKF滤波时差定位算法

为了降低到达时问差(TDOA)测距在非视距(NLOS)传播环境中的误差,提出了在强跟踪无迹卡尔曼滤波(UKF)基础上改进的算法.在状态发生突变时,给预测协方差矩阵加入次优渐消因子;对NLOS误差进行正负判断,利用整体偏移法修改滤波增益,但估计协方差矩阵不做改进,以免出现不收敛.实验结果表明:该算法不仅能有效地抑制突变带来的影响,也能高效地消除NLOS误差,提高了NLOS传播的到达时间差定位精度.     

基于物理约束的运动重定向

研究了在人体动画中最有应用前景的运动捕捉技术的数据重用问题,提出了一种基于物理约束的重定向方法,以提高利用捕捉到的运动数据生成新的运动的水平。该方法采用位移映射技术规定目标运动的轨迹,保留原始运动的细节,然后结合无迹卡尔曼滤波(UKF)算法进行非线性约束的求解,保证了人物角色运动的物理真实性。通过实验分析可知,该方法在保留原始运动特性的前提下,可以生成自然的运动,加强了运动数据的重用性。     

基于改进UKF滤波的永磁同步电动机矢量控制

针对普通UKF在永磁同步电动机速度估计中存在对模型不确定性的鲁棒性差、对突变状态的跟踪能力低和收敛速度慢等问题,结合强跟踪滤波器对UKF滤波进行改进,引入时变渐消因子在线自适应调整增益矩阵和状态预测误差协方差矩阵,实现残差序列正交或近似正交,强迫UKF滤波保持对实际状态的快速跟踪.将该算法在永磁同步电动机无速度传感器矢量控制系统中进行仿真研究.试验结果与统计分析表明,相对与普通UKF,基于改进UKF滤波的永磁同步电动机转子速度及角度估计更准确,误差更小,跟踪速度更快,鲁棒性更好.     

非线性滤波算法的性能分析

对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波和不敏粒子滤波的滤波模型、适用条件、性能进行了分析比较,给出了每种方法的计算复杂度.通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能.     

非线性滤波算法性能对比

随着目标运动的多样性和复杂化,雷达非线性目标跟踪算法越来越受到重视。本文对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波的滤波模型、适用条件、性能进行了分析比较,通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能,仿真结果表明非线性条件下粒子滤波算法要明显优于其它两种滤波算法。     

基于修正SUKF的固定单站无源定位跟踪算法

针对基于超球面单形采样策略的SUKF在初始误差和观测误差较大时滤波性能下降的问题,以固定单站无源定位目标跟踪为应用背景,引入后向平滑处理,并结合系统模型特点对算法作进一步的优化,提出一种修正的SUKF算法。理论分析和仿真实验表明,文中所提算法相对于传统UKF和SUKF算法,在运算开销增加不大的前提下,有效提高了算法的稳定性和滤波精度,具有一定的工程实用意义。     

UKF改进算法在组合导航INS误差校正中的应用

针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法与全球定位系统/惯性导航系统(Global Positioning System/Inertial Navigation System,GPS/INS)组合导航模型不匹配,且鲁棒性不足,难以适应INS 元件的随机性和突变性的问题,提出了一种UKF改进算法。该算法有效结合了混合滤波思想、平方根滤波技术及交互式多模型结构,分别克服了算法与线性/非线性模型不匹配,协方差矩阵非正定以及参数设置难以适应模型不确定性的问题。仿真实验分别考察了新算法在INS平台角初始大误差及加速度计零偏突变两种情况下的表现。实验表明,新算法在估计精度及鲁棒性方面比UKF有较大提高,能够有效校正INS元件产生的随机和突变误差。     

重力/地磁辅助的欧拉角无迹卡尔曼滤波姿态估计

为了克服应用扩展卡尔曼滤波(EKF)的姿态估计算法的线性化误差问题,提出了一种基于重力/地磁辅助的欧拉角无迹卡尔曼滤波(UKF)姿态估计算法来提升低成本微机电系统(MEMS)的姿态测量精度。应用重力与地磁数据抑制了MEMS姿态误差快速发散问题;将欧拉角作为状态,应用四元数完成时间更新过程中的姿态更新,避免了四元数作为状态的规范化问题及欧拉角姿态更新精度低的问题;由于UKF滤波器不存在线性化误差,故其具有更好的稳定性和姿态估计精度。应用实际MEMS数据开展的算法验证实验显示:与EKF姿态估计算法相比,提出的UKF姿态估计算法得到的俯仰与横滚角精度提高了近20%,航向角精度提高了12.1%。结果表明:本文提出算法的精度更高;然而由于UKF算法对状态协方差估计不足,其收敛时间有所增加。     

A New Optimized Algorithm with Nonlinear Filter for Ultra-Tightly Coupled Integrated Navigation System of Land Vehicle

The extended particle filter (EPF) assisted by the Takagi-Sugeno (T-S) fuzzy logic adaptive system (FLAS) is used to design the ultra-tightly coupled GPS/INS (inertial navigation system) integrated navigation, which can maneuver the vehicle environment and the GPS outages scenario. The traditional integrated navigation designs adopt a loosely or tightly coupled architecture, for which the GPS receiver may lose the lock due to the interference/jamming scenarios, high dynamic environments, and the periods of partial GPS shading. An ultra-tight GPS/INS architecture involves the integration of I (in-phase) and Q (quadrature) components from the correlator of a GPS receiver with the INS data. The EPF is a particle filter (PF) which uses the extended Kalman filter (EKF) to generate the proposal distribution. The PF depends mostly on the number of particles in order to achieve a better performance during the high dynamic environments and GPS outages. The T-S FLAS is one of these approaches that can prevent the divergence problem of the filter when the precise knowledge on the system models is not available. The results show that the proposed fuzzy adaptive EPF (FAEPF) can effectively improve the navigation estimation accuracy and reduce the computational load as compared with the EPF and the unscented Kalman filter (UKF).