一种用于移动机器人状态和参数估计的自适应UKF算法

格式：pdf
大小：1.78 MB
文档页数：8

下载文档原格式

基于改进的IMM-UKF高超声速目标跟踪算法

基于改进的IMM-UKF高超声速目标跟踪算法肖楚晗;李炯;雷虎民;李世杰【摘要】针对临近空间高超声速目标跟踪过程中,因初值不准确、状态方程偏差较大而引起的滤波初期跟踪误差较大的问题,提出了基于改进的 IMM-UKF 高超声速目标跟踪算法.该算法利用方差膨胀原理,添加自适应因子αk调整状态预测值与量测预测值所占权重.利用Monte Carlo仿真实验与IMM-UKF滤波算法仿真结果进行比较,证明了所提算法跟踪高超声速目标的优越性与可靠性.%During the near-space hypersonic target tracking process,the initial tracking error is large due to the inaccu-rate initial value and large deviation of the state equation.Aiming at this problem,an improved IMM-UKF algorithm was proposed.By using variance inflation principle,an adaptive factor was used to adjust weights of predicted state val-ues and predicted measures.Monte Carlo simulation results and IMM-UKF filter algorithm simulation results were compared to prove the superiority of the proposed algorithm in tracking hypersonic targets.【期刊名称】《探测与控制学报》【年(卷),期】2018(040)003【总页数】6页(P108-113)【关键词】临近空间;目标跟踪;交互式多模型;自适应无迹卡尔曼滤波【作者】肖楚晗;李炯;雷虎民;李世杰【作者单位】空军工程大学防空反导学院,陕西西安 710051;空军工程大学防空反导学院,陕西西安 710051;空军工程大学防空反导学院,陕西西安 710051;空军工程大学防空反导学院,陕西西安 710051【正文语种】中文【中图分类】E927;TN9530 引言临近空间高超声速目标具有飞行速度快、机动范围广、飞行高度高、气动参数变化复杂等特点。

基于超宽带和航位推算的室内机器人UKF定位算法

基于超宽带和航位推算的室内机器人UKF定位算法
王芳;李楠;刘汝佳;吕翀
【期刊名称】《导航定位与授时》
【年(卷),期】2017(004)002
【摘要】超宽带是一种传输速率快、功耗低的新型无线通信技术,可提供亚米级定位精度,近年来超宽带定位在机器人领域的应用日益广泛.在超宽带信号有效区域边缘或信号受到遮挡时,超宽带定位精度急剧下降.为此提出了一种基于超宽带定位和航位推算的UKF组合定位方法,可有效克服上述问题,从而为室内机器人定位提供一种稳定可靠的解决方案.
【总页数】5页(P26-30)
【作者】王芳;李楠;刘汝佳;吕翀
【作者单位】航天科工智能机器人有限责任公司,北京100074;航天科工智能机器人有限责任公司,北京100074;航天科工智能机器人有限责任公司,北京100074;航天科工智能机器人有限责任公司,北京100074
【正文语种】中文
【中图分类】TP242
【相关文献】
1.一种基于智能手机的行人航位推算室内定位方法 [J], 徐龙阳
2.基于粒子滤波的WiFi行人航位推算融合室内定位 [J], 周瑞;李志强;罗磊
3.基于行人航位推算的室内定位技术综述 [J], 蔡敏敏
4.一种基于地图匹配辅助行人航位推算的室内定位方法 [J], 胡安冬;王坚;高井祥
5.基于多源信息融合的行人航位推算室内定位方法 [J], 刘春燕
因版权原因，仅展示原文概要，查看原文内容请购买。

SLAM_介绍以及浅析

SLAM_介绍以及浅析SLAM（Simultaneous Localization and Mapping），即同时定位与建图，是一种将移动机器人在未知环境中的位置定位与环境地图生成统一起来的技术。

SLAM技术是实现自主导航和智能导航的关键性技术之一，广泛应用于无人车、无人潜艇、无人机、机器人等领域。

SLAM技术分为前端和后端两部分。

前端主要负责机器人的位置定位，根据传感器获取的数据，通过运动估计（例如里程计模型）和感知估计（例如视觉、雷达感知）等方法，计算机器人在运动过程中的位置和姿态。

后端主要负责地图生成，根据机器人在不同时间点的位置估计和传感器获取的环境地图数据，利用优化算法估计机器人的位置和地图。

在前端中，常用的传感器有激光雷达、相机、惯性测量单元（IMU）等。

激光雷达可以提供高精度的距离和角度信息，常用于建立环境地图。

相机能够捕捉到图像信息，通过图像算法可以提取出环境中的特征点，用于定位和建图。

IMU能够提供线性加速度和角速度信息，用以估计机器人的运动。

在后端中，常用的算法有滤波器、优化方法和图优化等。

滤波器方法包括扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF），通过状态估计和协方差矩阵来估计机器人的位置和姿态。

优化方法包括最小二乘法、非线性优化等，通过最小化误差函数来优化机器人的位置估计和地图。

图优化方法使用图模型来描述机器人的位置和环境地图，通过最大化后验概率来估计位置和地图。

SLAM技术的关键挑战之一是数据关联问题。

由于噪声和误差的存在，机器人在不同时刻获取的传感器数据可能不完全匹配。

因此，需要通过数据关联来确定当前获取的数据与之前数据的对应关系。

常用的数据关联方法有最近邻法、滤波法和图优化法等。

最近邻法通过计算不同数据之间的距离来确定对应关系。

滤波法通过滤波器来更新机器人的位置估计，并根据新的数据重新关联。

图优化法通过图模型来描述数据的关联关系，并通过最大后验概率来估计位置和地图。

基于SR-UKF的移动机器人主动故障检测和容错控制

ｏｓｙｔｅｏｎｓｍａｏａｗ￣ｔｒａｉｅｅｌｉｃｌａｏｆｏｏｓｎｎｉｅｉｅ・ｕｌｂｉｔｔｔｎｆｍｅｏｏｅｌｅｔａｔｌａｚｔｎｏｂｔａｄｏｌｎｙｈｊｅｉｉｚｈｒ —ｍｅｏｉｉｒｎｄｔｃｔｎａｄｄｔｔｎｏｅｆｓｃａｇｎｏｖｎａｒｐｈｎｉｇｌｐｎａｌｈｂａｅｉａｏｎｅｅｉｆｈａｔｈｎｉｇ（ｒｅｅｂｕｔａｇ）ｓｐｉｇｆｕｔｉｆｉｃｏｔｃｎｉ．Ｔｅｏｔｉｄｎ
关键词：移动机器人；Ｒ．Ｆ；障检测；ＳＵＫ故容错控制中图分类号：Ｐ３Ｔ２Ｔ１；Ｐ４文献标志码：Ａ文章编号：０１００（０１０ —０２１０ — ５５２１）５１０￣６
ＳＵＫＦａｅｃｉｅｆｕｔｄｔｃｉｎａｄｔｌｒｎｏｔｏｆｍｏｉｅｒｂｔＲ．ｂｓｄａｔｖａｌｅｅｔｏｎｏｅａｔｃｎｒｌｏｂｌｏｏｓ
ｆｒｏｉｅｆｕｔｄｔｃｉｎａｄｔｌｒｎｒｃｉｏｒｌｏｏｉｅｒｂｏｓＴｈｏｍｏｌｐｉａｌｏｎｌａｌｅｅｔｏｎｏｅａｔｔａｋｎｇｃｎｔｏｆｍｂｌｏｔ．ｎｅｃｍｎｓｉｎｇｆｕｔｐｏｒｃｄｖｅｉｌｓｃｓｄｒｄａｈｏｒｓｎｉｇｋｎｍａｉｏｅｔｎｎｏｌｐｎａｆａｔａｋｅｈｃｅｉｏｎｉｅｅｎｄｔｅｃｒｅｐｏｄｎｅｔｃｍｄｌｗｉｈｕｋｗｎｓｉｉｇｐ — ｉｐｒｍｅｅｓｉｒａｅ．Ｔｈｌｐｉｇｐａｅｅｓａｌａｈｅｐｏｅｏｈｏｏｅｅｔｍａｅｉｕｔｎ — ａｔｒｓｃｅｔｄｅｓｉｐｎａｍｔｒｓｗｅｌｓｔｓｆｔｅｒｂｔａｓｉｔｄｓｍｌａｅｒｒ

一种利用运动补偿的改进JPDA-UKF算法

一种利用运动补偿的改进JPDA-UKF算法程欢;王方超;卢华平;李斌【摘要】In order to meliorate divergence,high complexity and poor real-time performance of the traditional maritime target tracking using the joint probabilistic data association with the unscented Kalman filter( JPDA-UKF) under the condition of constant false alarm rate,an improved JPDA-UKF based on motion compensa-tion Cartesian plane is proposed. The method restricts the number of false measurements falling into the inter-section area of the tracking gates using the confidential-matrix produced by motion compensation between the adjacent time-scan echo image. The tracking management adopts the popular logic method combining with the function of soft validation gates. Simulation results show that in comparison with the two algorithms devel-oped via traditional JPDA-UKF and adaptive coefficient α-β filtering,the proposed algorithm gains an im-provement of 10 percent and 20 percent radial velocity error and an improvement of 10 dB and 15 dB in ve-locity root mean squareerror( RMSE) after getting stable track management,and also the complexity of the method is in accordance with that of virtual real-time radar scanning and tracking processing.%在恒虚警条件下，针对传统的航海雷达模拟器目标跟踪采用的基于不敏卡尔曼滤波的联合概率数据互联算法( JPDA-UKF)发散、复杂度高和实时性差的问题，提出了一种利用运动补偿的笛卡尔坐标下改进的JPDA-UKF滤波方法。

模型转移概率自适应的交互式多模型UKF算法

（ａｊｇＲｓａｃｓｔｔＯｌｔｎｃｃｎｌｇ，ｎｉｇ１０３ＣｉａＮｎｉｅｅｒｈＩｔｕｅｆｅｒｉｓｅｈｏｏｙＮａｊ０１ｈ）ｎｎｉＥｃｏＴｎ２ｎ
Ａｂｓｒｃ：ｉａｅｒｓｎｓａｌｉｔｒｃｉｇｍｕｔｌｏｅｔａｔＴｈｓｐｐｒｐｅｅｔｌｎｅａｔｎｌｉｅｍｄｌＵＫＦｌｏｉｍｔｄｐｉｅｍａｋｖｔａｓｔｎｐｏａｉｔｅ，ｐａｇｒｔｈｗｉｈａａｔｖｒｏｒｎｉｏｒｂｂｌｉｓｗｈｃｉｉｉｈ
１引言
机动目标跟踪是当前跟踪技术研究的热点问题，有研究人员从构造目标模型、机动检测等角度，出许多提
好的方法来解决此问题。交互多模型方法（ＭＭ）【综合Ｉ】了这些方法的优点，目前机动目标跟踪算法中广泛应是用的方法之－［，，，－刚。该方法主要思想是设计一系列的
和应用的深入，缺点也日益明显，ａｏｉ精度不高，至发散等不足。针对这甚
些不足，有研究人员提出了粒子滤波（Ｆ［等算法，Ｐ）６１但此类方法计算量过大，致其很难在工程中应用，Ｊｌｅ导而ｕｉｒ和Ｕｈｍａｎ提出的ＵＫＦ算法【６改变了这种现状。该ｌｎ１】．，方法具有运算量小，算稳定，度高，不需要计算计精和Ｊｃｂ矩阵等优点，Ｅａｏｉ是ＫＦ好的替代。在交互多模型（ＭＭ）法中，型转移概率完全是Ｉ算模

无迹卡尔曼滤波算法

无迹卡尔曼滤波算法
无迹卡尔曼滤波算法（Unscented Kalman Filter，UKF）是一种用于处理非线性系统的非参数滤波算法，它可以从观测和测量数据中推断隐藏状态的值。

UKF的基本思想是基于状态变量的状态和测量变量的观测，使用一系列加权的状态估计来预测未来状态，并通过观测和测量值来校正预测值。

UKF的优点在于它可以处理非线性系统，而不需要对系统进行线性化处理，从而可以更准确地估计隐藏状态变量，准确度比传统卡尔曼滤波算法更高。

UKF是一种经典的非线性滤波算法，它可以利用观测和测量值，以及相关的不确定性信息，以准确的方式估计隐藏状态变量。

它也可以用于自适应控制，机器人移动控制，机器视觉，自动驾驶等领域。

UKF可以用来模拟复杂的物理过程，估计不同的系统参数，以及更准确地预测未来的状态，这在许多领域，如自动驾驶汽车，智能机器人，机器视觉，航空航天，大气科学和精细化工等领域中都很有用。

总之，无迹卡尔曼滤波算法是一种用于处理非线性系统的有效滤波算法，能够从观测和测量数据中推断隐藏状态的值，准确度比传统卡尔曼滤波算法更高，在航空航天，机器人，机器视觉，控制系统，大气科学和精细化工等领域都得到了广泛应用。

基于EKF和UKF的移动机器人定位算法优化与仿真

中图分类号ＴＮ６０９ＤＯＩ：１０．３９６９￣．ｉｓｓｎ．１６７２ — ９７２２．２０１７．０８．００５
ＯｐｔｉｍｉｚａｔｉｏｎａｎｄＳｉｍｕｌａｔｉｏｎｏｆＭｏｂｉｌｅＲｏｂｏｔＬｏｃａｌｉｚａｔｉｏｎ
ｔｉｏｎｐｒｅｄｉｃｔｉｏｎｓｉｍｕｌａｔｉｏｎＣｌａｓｓＮｕｍｂｅｒＴＮ６０９
１引言
移动机器人定位技术是是机器人学的出了不足，比
南阳４７３０００）（河南工业职业技术学院
摘
要
为了研究卡尔曼滤波算法在非线性系统中的定位预测效果，对扩展卡尔曼滤波算法和无迹卡尔曼滤波算法的
应用结果做了分析对比，并且根据机器人的受力情况，在滤波算法中引入修正因子，对状态估计方程进行改进。仿真实验表明：无迹卡尔曼滤波算法在非线性系统中的定位效果优于扩展卡尔曼滤波算法；修正因子对两种算法都具有改进效果，提高了定位精度。关键词移动机器人；扩展卡尔曼滤波；无迹卡尔曼滤波；定位算法改进；位置预测仿真
ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｓｔｕｄｙｔｈｅｌｏｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｏｆＫａｌｍａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｉｎｎｏｎｌｉｎｅａｒｓｙｓｔｅｍ，ｔｈｅａｐｐｌｉｃａｔｉｏｎｒｅ — ｓｕｈｓｏｆｔｈｅｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍａｎｄｔｈｅｕｎｓｃｅｎｔｅｄＫａｌｍａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍａｒｅａｎａｌｙｚｅｄａｎｄｃｏｍｐａｒｅｄａｎｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｆｏｒｃｅｃｏｎｄｉｔｉｏｎｏｆｔｈｅｍｏｂｉｌｅｒｏｂｏｔ，ｔｈｅｍｏｄｉｉｃｆａｔｏｒｙｆａｃｔｏｒｉｓｉｎｔｒｏｄｕｃｅｄｉｎｔｏｔｈｅｌｏｃａｌｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｉｍｐｒｏｖｅｔｈｅｓｔａｔｅｅｓｔｉ — ｍａｔｉｏｎｅｑｕａｔｉｏｎ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｌｏｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｏｆｔｈｅｕｎｓｃｅｎｔｅｄＫａｌｍａｎｉｆｌｔｅｒａｌｇｏｒｉｔｈｍｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆｅｘｔｅｎｄｅｄＣａｉｍａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｉｎｎｏｎｌｉｎｅａｒｓｙｓｔｅｍａｎｄｔｈｅｍｏｄｉｉｆｅａｔｏｒｙｆａｃｔｏｒｐｒｏｄｕｃｅｓａｎｉｍｐｒｏｖｅｍｅｎｔｅｆｅｃｔｏｎｂｏｔｈ

双轴微机械陀螺仪的移动机器人运动检测系统

ＡＴｍｅａ６ｇｌ为微处理器的ｃＡＮ总线进行传输。实验表明，进算法能较好地控制ＭＥ改ＭＳ陀螺仪的随机漂移，正确地较
获得机器人的运动状态数据，ＣＡＮ总线使数据正确率提高０３～０５。且．．
微处理器的ＣＡＮ总线程序还有一些不完备之处，文本
引பைடு நூலகம் 言
在未知环境中，况具有复杂性及未知性特点。移动路
采用ＰｌｅｉｃＡＮ模式加入了完备的错误分析程序，支持并系统自身测试功能。
ＺａｇＬｉＪａｇＧａｇｈｎｅ，ｉｎｎ，ＹａｇＡｏｉｎｉｏｏｎ，ＬａｇＸａｂ，ＷａｇＷａｊｎｎｎｉ
（ｃｏｌｆＭａｆｃｕｉｇＳｉｎｅａｄＥｇｎｅｉｇ，ＳｕｈｓｉｅｓｔｆＳｉｎｅａｄＴｅｈｏｏｙ，Ｍｉｎａｇ６１１ＳｈｏｎｕａｔｒｃｅｃｎｎｉｅｒｏｎｎｏｔｗｅｔＵｎｖｒｉｏｃｅｃｎｃｎｌｇｙａｙｎ２００，Ｃｈｎ）ｉａ
１系统硬件设计
双轴微机械陀螺仪的移动机器人运动检测系统＊
张磊，刚。熬，小波，万金蒋杨梁王
（南科技大学制造科学与工程学院，阳６１１）西绵２００

基于参数自适应Jerk模型的IMMUKF算法

１引言
机动目标跟踪问题是雷达数据处理领域研究热点
不足。Ｊｒｅｋ模型通过实时地估计加速度变化率［从而，大大拓宽了机动目标的运动形式，使得它在跟踪高度机动运动目标时具有较明显的优势。考虑到目标实际机动情况千变万化，使用单一的模型对整个运动过程进行描述，往往会顾此失彼，为更有效逼近目标的真实运动
之一，内外有很多研究者关注此问题，从目标运动国并
模型构建和滤波算法改进等多个角度探索着各种有效的解决方法。
ａｔｉｉｌｅｔｇｔｅｐｒｍｅｅｆＪｒｄｌｔｅｐｒｍｅｅｆｒｉｃａｌｓｔｎｈａａｔｒｏｅｋｍｏｅ，ｈａａｔｒｏｆｙｉ
ｉｅｌｉｓｅｔａｅｄｐｔｅｙＭｏｅｖｒｔｅｎｒａｍｅｉｓｉｔｄａａｉｌ．ｔｍｖｒｏｅ，ｈ
关键词：ｅｋ型；数自适应；敏卡尔曼滤波；互式多模型算法；动目标跟踪Ｊｒ模参不交机
中图分类号：Ｐ１Ｔ３
文献标识码：Ａ
文章编号：０３７４（００００４ — １０ — ２１２１）１０７０
ＩｔｒｃｉｇＭｕｔｌｄｌｎｅａｔｌｅＭｏｅｎｉｐＵＫＦＡｌｏｉｍａｅｎＪｒｄｌｇｒｈＢｓｄｏｅｋＭｏｅｔ
ｔａｋｈｉｈｙｍａｅｖｒｎａｇｔｏｏ — ｉｅｒｃｎｉｏｓｉｒｃｉｅｅｆｃｉｅｙＣｏｉｅｉｇｔｅｉｒｔｏａｉｆｒｃｓｔｅｈｇｌｎｕｅｉｇｔｒｅｎｎｎｌｎａｏｄｔｎｎｐａｔｆｅｔｖｌ．ｎｓｄｒｎｈｒａｉｎｌｔｏｉｃHale Waihona Puke ｙ通信与信息处理

自适应UKF算法在目标跟踪中的应用

2
2.1
UKF 滤波算法
UT 无迹变换原理
Manuscript received January 27, 2010; accepted October 13, 2010 国家重点基础研究发展计划 (973 计划) (2007CB311006), 国家自然科学基金 (61074176), 国家自然科学基金创新研究群体科学基金 (60921003) 资助 Supported by State Key Development Program for Basic Research of China (973 Program) (2007CB311006), National Natural Science Foundation of China (61074176), and Foundation for Innovative Research Groups of National Natural Science Foundation of China (60921003) 1. 西安交通大学智能网络与网络安全教育部重点实验室、机械制造系统工程国家重点实验室电子与信息工程学院综合自动化研究所西安 710049 1. Key Laboratory for Intelligent Networks and Network Security of Ministry of Education, State Key Laboratory for Manufacturing Systems Engineering, Institute of Integrated Automation, School of Electronics and Information Engineering, Xi an Jiaotong University, Xi an 710049

国外机器人的研究现状

国外机器人的研究现状1 仿生机器人与新型机构对人的研究，国外侧重于对人行走时的步态分析，通过对人脚形状的分析，得出具有圆形截面的脚趾和脚后跟以及具有扁平截面的连接脚趾和脚后跟的中间部分具有最佳的动力学性能。

对人形机器人步态规划问题，Xia Zeyang 等人提出了一种基于样品的决定性的脚步规划方法，该方法综合考虑了自身独特的运动能力和稳定性。

对于在不同类型障碍的复杂环境中脚步规划，Yasar Ayaz 采用与人走近障碍物时绕过的方法，通过脚步实时的生成成功避开障碍物。

此外，对于双足步行机器人的复杂地面运动的研究也有新的进展，研究出一种新型的双足机构，能实现不平区域稳定地行走，该足由 4 个分别带光学传感器的鞋钉组成，总重1.5 kg。

对动物的研究则表现为对诸如蛇、鱼的结构以及运动性能的研究。

仿蛇机器人不仅可以作为管道检测装置，也可以作为地震或矿难探索装置，更可以当作极地探测器来进行科研活动。

Shigeo 和HiroyaYamada 就将仿蛇机器人的机械结构分为5 种类型：活动的弯曲关节式；活动的弯曲和拉伸关节式；活动的弯曲关节和活动的车轮式；被动弯曲关节和活动车轮式；活动的弯曲关节和履带式。

Aksel Andreas Transeth 等采用摩擦力模型方法建立了一蛇形机器人模型，该机器人能与包括地面的障碍物以外的物体接触，对地震或矿区救援很有帮助。

Kristin Y.Pettersen 等人对蛇形机器人在存在障碍物环境中运动进行了复合建模，仿真结构证明该模型能实现不规则环境中的一般运动。

但蛇形机器人目前要真正达到在复杂环境中畅通无阻地运动，还有待进一步研究。

对海洋的开发，相对于其它的水下自动化装置，仿生鱼具有更好的推进力和流体适应性。

其研究主要体现在结构和运动特性上。

JunGao 和K.H.Low 等人对胸鳍驱动和尾鳍驱动鱼形机器人进行了分析，讨论了鱼结构和运动各参数的关系。

Yu Zhong 等人对由阀体与尾鳍构成的机器人鱼的运动性能进行了研究，采用量纲分析方法，建立了一种能预测运动的机器鱼模型。

基于UKF的机器人末端执行器位姿实时估算方法

基于UKF的机器人末端执行器位姿实时估算方法Zhao Pen g ,Yan g Mu ,Zhan g Bao.The Viberation A -nal y sis and Dam p er Desi g n of O p tic Instrument in Fl y in g Platform [J ].O p tics and Precision En g ineer -in g ,1997,7(3):58‐63.[5] 刘树峰,白鸿柏,李玉龙,等.金属橡胶光电吊舱的减振器设计研究[J ].新技术新工艺,2011(3):87‐89.Liu Shufen g ,Bai Hon g bai ,Li Yulon g ,et al.Desi g nand Anal y sis of Dam p er for O p toelectronic Pod [J ].New Technolo gy &New Process ,2011(3):87‐89.[6] 李玉龙,何忠波,白鸿柏,等.无人机载光电平台无角位移减振器研究进展[J ].航空制造技术,2011(18):78‐85.Li Yulon g ,He Zhon g bo ,Bai Hon g bai ,et al.RecentDvance of Non ‐An g ular Vibration Absorber for O p -to ‐Electronic Platform of UAV [J ].AeronauticalManufacturin g Technolo gy ,2011(18):78‐85.[7] 甘至宏.光电吊舱内框架减振系统设计[J ].光学精密工程,2010,18(9):2036‐2042.Gan Zhihon g .Desi g n of Inner Frame Vibration Ab -sorbin g S y stem for O p toelectronic Pod [J ].O p tics and Precision En g ineerin g ,2010,18(9):2036‐2042.[8] 朱石坚,楼京俊,何其伟,等.振动理论与隔振技术[M ].2版.北京:国防工业出版社,2008.[9] 闻邦椿,刘树英,张纯宇.机械振动学[M ].2版.北京:冶金工业出版社,2008.(编辑王艳丽)作者简介:刘家燕,女,1968年生三中国科学院长春光学精密机械与物理研究所航空光学成像与测量重点实验室副研究员三主要研究方向为航空成像与测量方面的结构设计三发表论文3篇三程志峰,男,1979年生三中国科学院长春光学精密机械与物理研究所航空光学成像与测量重点实验室副研究员三王平,男,1982年生三中国科学院长春光学精密机械与物理研究所航空成像与测量技术部助理研究员,长春理工大学光电工程学院博士研究生三基于UKF 的机器人末端执行器位姿实时估算方法项筱洁1 何庆稀1 应征21.温州职业技术学院,温州,3250002.浙江省特种设备检验研究院,杭州,310022摘要:为了能在工业机器人运动过程中快速准确地估算出末端执行器的位姿,提出了一种基于unscented 卡尔曼滤波器(UKF )的末端执行器位姿实时估算方法,并将该方法应用于以激光跟踪仪作为反馈系统的工业机器人中三首先,在工业机器人运动过程中实时获取各个关节运动参数,并结合工业机器人的结构参数计算末端执行器的位姿初值,然后借助于激光跟踪仪实时跟踪测量固定在机器人末端执行器上的一个测量点,运用UKF 融合以上两类数据,估算出末端执行器的实时位姿三计算机仿真验证了该方法的有效性与实时性,同时表明该方法具有易于实现二计算速度快和精度高等优点三关键词:工业机器人;UKF ;数据融合;激光跟踪仪中图分类号:TP241.2 DOI :10.3969/j .issn.1004-132X.2014.10.008Real ‐Time Pose E stimation for Industrial Robot End Effector Based on UKFXian g Xiao j ie 1 He Qin g xi 1 Yin g Zhen g 21.Wenzhou Vocational &Technical Colle g e ,Wenzhou ,Zhe j ian g ,3250002.Zhe j ian g Provincial S p ecial E q ui p ment Ins p ection and Research Institute ,Han g zhou ,310022Abstract :To estimate the p ose of industrial robot end effector q uickl y and accuratel y ,a real ‐time estimation method was p ro p osed based onUKF.This method was a pp lied to industrial robot with la - ser feedback control s y stem.In the industrial robot movin g p rocess ,a rou g h estimation value of end ef -fector p ose was ac q uired b y usin g forward p osition anal y sis and kinematics p arameters of industrial ro -bot in real time.And the p osition of a measured p oint fixed on end effector was obtained b y a laser tracker.Then ,UKF was em p lo y ed to inte g rate the p revious rou g h estimation value and the measuredp oint p osition.The accurate p ose of industrial robot end effector was evaluated b y utilizin g this meth -/doc/7e9efead27fff705cc1755270722 192e44365869.html p uter simulation results show that the p resented method is achieved easil y ,and has fast calcu -lation and hi g h accurac y .Ke y words :industrial robot ;unscented Kalman filter (UKF );data fusion ;laser tracker0 引言工业机器人具有较强的通用性二柔软性二自动收稿日期:2014 03 11基金项目:国家高技术研究发展计划(863计划)资助重大项目(2011AA04A101)性与准确性等特点,因而较多地应用于柔性制造系统(FMS )二计算机集成制造系统(CIMS )二工厂自动化(FA )等领域中[1],特别是因其具有较高的重复定位精度而广泛应用于焊接二喷涂二搬运等工作中三与重复定位精度相比,工业机器人的绝对四2131四中国机械工程第25卷第10期2014年5月下半月。

一种自适应UKF滤波算法[发明专利]

专利名称：一种自适应UKF滤波算法
专利类型：发明专利
发明人：何俊,张清华,孙国玺,肖明,熊建斌,丘海健申请号：CN201410691143.1
申请日：20141125
公开号：CN104539265A
公开日：
20150422
专利内容由知识产权出版社提供
摘要：本发明公开了一种自适应UKF滤波算法，是一种将基于极大似然准则的卡尔曼滤波算法和基于最大后验估计的自适应UKF滤波算法结合到一起的算法，通过两种算法对协方差进行实时的估计，然后平均取中得到对先验协方差真实值跟踪效果更好的估计值，从而提高滤波精度及滤波稳定性。

申请人：广东石油化工学院
地址：525000 广东省茂名市官渡二路139号大院
国籍：CN
代理机构：北京科亿知识产权代理事务所(普通合伙)
代理人：汤东凤
更多信息请下载全文后查看。

基于UKF的自适应野值剔除算法

设计与应用
计算机测量与控制．２０１６．２４（８）犆狅犿狆狌狋犲狉犕犲犪狊狌狉犲犿犲狀狋牔犆狅狀狋狉狅犾
ห้องสมุดไป่ตู้
· ２８３ ·
文章编号：１６７１４５９８（２０１６）０８０２８３０３ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０１６．０８．０７７中图分类号：ＴＰ３９３文献标识码：Ａ
０引言
在基于ＲＳＳＩ（ｒｅｃｅｉｖｅｄｓｉｇｎａｌｓｔｒｅｎｇｔｈｉｎｄｉｃａｔｉｏｎ）信号的定位系统中，对运动目标进行跟踪常用的方法有：卡尔曼滤波［１］、扩展卡尔曼滤波［２］、无迹卡尔曼滤波［３］和粒子滤波［４］等。由于环境中存在各种随机噪声干扰，使得观测数据不可避免地受到噪声的污染，导致观测数据中存在着干扰数据，这些干扰数据会不同程度的影响滤波器的滤波过程，甚至会使滤波发散。为了解决这类问题，在文献［５］中提出一种自适应卡尔曼滤波目标跟踪算法，对于线性系统具有很好的跟踪效果，但是对于非线性系统跟误差较大。在文献［６］中提出一种改进的扩展卡尔曼滤波目标跟踪算法，弱非线性系统具有很好的跟踪效果，但是对于强非线性系统跟误差较大。在文献［７］中提出了一种自适应粒子滤波目标跟踪算法，但是该方法在粒子迭代的过程中存在粒子退化的问题。在文献［８］中提出一种基于梯度自适应规则的ＵＫＦ算法，但是该方法的计算复杂度比较大。在文献［９］中提出一种根据信息来修正预测值的目标跟踪算法，取得很好的跟踪效果。在此基础上，本文提出一种基于ＵＫＦ的自适应野值剔除算法，根据信息对其预测值和增益进行自适应控制。

基于梯度自适应规则的自适应UKF算法及其应用

基于梯度自适应规则的自适应UKF算法及其应用
郝顺义;刘华伟;黄国荣;夏奇
【期刊名称】《计算机测量与控制》
【年(卷),期】2014(22)4
【摘要】针对量测噪声方差统计值未知的非线性UKF (Unscented Kalman Filter)滤波问题,提出了一种基于梯度自适应规则的自适应UKF算法;在标准的非线性UKF算法基础上,根据残差方差阵的估计值与真实值之差构造代价指标函数,并将该函数相对于参数变化的负梯度方向作为参数更新的方向,构建自适应调节机制;将算法应用于GPS/DR (Dead-Reckoning)组合导航系统中,仿真结果显示状态估计误差具有良好的收敛性,估计精度较噪声观测器有明显改善,表明算法对量测噪声方差阵的动态变化具有较强的适应性.
【总页数】4页(P1205-1208)
【作者】郝顺义;刘华伟;黄国荣;夏奇
【作者单位】空军工程大学航空航天工程学院,西安 710038;空军工程大学航空航天工程学院,西安 710038;空军工程大学航空航天工程学院,西安 710038;空军工程大学航空航天工程学院,西安 710038
【正文语种】中文
【中图分类】V249.32
【相关文献】
1.基于分离度梯度的步长自适应自然梯度算法 [J], 李广彪;许士敏
2.基于通用FLAC的模糊自适应UKF算法及其应用 [J], 李建文;郝顺义;黄国荣
3.基于极大似然准则和最大期望算法的自适应UKF算法 [J], 王璐;李光春;乔相伟;王兆龙;马涛
4.基于自适应渐消UKF的FastSLAM算法 [J], 王秉洲;王慧斌;沈洁;张丽丽
5.基于自适应UKF算法的锂电池荷电状态估计策略 [J], 谈发明;张士荣
因版权原因，仅展示原文概要，查看原文内容请购买。

改进UKF算法在无人机姿态解算中的应用

改进UKF算法在无人机姿态解算中的应用李迟;李书臣;曹江涛【期刊名称】《自动化技术与应用》【年(卷),期】2017(036)010【摘要】针对四旋翼无人机姿态解算过程中噪声干扰造成的飞行波动,在无迹卡尔曼滤波(UKF)的基础上进行改进,采用了迭代卡尔曼滤波(ISR-UKF)和结合了衰减因子的单侧最小偏度采样滤波二种滤波方法对噪声进行处理.ISR-UKF在选取了采样点后进行了二次采样,而最小偏度采样滤波将UKF的采样点由2n+1个减少到n+2,分别将以上二种方法在飞机悬停和慢飞的条件下和UKF进行比较,通过仿真结果表明:ISR-UKF在滤波精度上较UKF有所提高,而最小偏度采样在采样点利用率和实时性方面有较好效果.%The noise interference causes the flight fluctuations in the attitude calculation of the quad rotor unmanned aerial vehicle (UAV).In view of this,iterative Kalman filter (ISR-UKF) method and unilateral minimal skew sampling filter method combining with attenuation factor are proposed.The ISR-UKF processes a secondary sampling after selecting the sampling points;the minimal skew filter makes the sampling points in UKF reduces to n+2 from 2n+parisons to the UKF on hover and slow flight condition demonstrates that the ISR-UKF has higher filtering accuracy and the minimal skew filter is better in sampling efficiency and real-time performance.【总页数】5页(P53-56,60)【作者】李迟;李书臣;曹江涛【作者单位】辽宁石油化工大学,辽宁抚顺113001;辽宁石油化工大学,辽宁抚顺113001;辽宁石油化工大学,辽宁抚顺113001【正文语种】中文【中图分类】TP274【相关文献】1.改进UKF算法在PMLSM无位置传感控制中的应用 [J], 王桂荣;李建勇2.改进的强跟踪SVD-UKF算法在组合导航中的应用 [J], 孙磊;黄国勇;李越3.改进UKF及其在双馈风力发电机参数辨识中的应用——基于遗传算法优化 [J], 陈柳4.改进的强跟踪UKF算法及其在INS/GPS组合导航中的应用 [J], 胡高歌;刘逸涵;高社生;杨一5.一种改进的UKF滤波算法在BDS/SINS组合导航系统中的应用研究 [J], 马晓杰;林雪原;孙巧妍;陈祥光因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Vol. 34, No. 1
ACTA AUTOMATICA SINICA
January, 2008
An Adaptive UKF Algorithm for the State and Parameter Estimations of aபைடு நூலகம்Mobile Robot
SONG Qi1, 2 HAN Jian-Da1
Autonomous control is a key technology for autonomous systems widely used in areas such as satellite clusters, deepspace exploration, air-traﬃc control, and battleﬁeld management with unmanned systems. Most unmanned systems are highly nonlinear, vary with time, and are coupled; in addition, their operating conditions are dynamic, complex, and unstructured, which represent the unpredictable uncertainties of the control system. The issue of overcoming these uncertainties and achieving high performance control is one of the main concerns in the ﬁeld of autonomous control. Robust and adaptive control methods followed traditionally suﬀer from several problems, including conservativeness, online convergence, and the complications involved in their real-time implementation. These problems necessitate the development of a new control algorithm that addresses the situation more directly. To this end, autonomous control methods on the basis of model-reference have become the focus of research, and basic technology and online modeling method has attracted more and more research attention. Neural networks (NN) and NN-based self-learning were proposed as the most eﬀective approaches for the active modeling of an unmanned vehicle in the 1990s[1−2] . However, the problems involved in NN, such as training data selection, online convergence, robustness, reliability, and realtime implementation, limit its application in real systems. In recent years, sequential estimation has become an important approach for online modeling and model-reference control with encouraging achievements[3] . The most popular state estimator for nonlinear system is the extended Kalman ﬁlter (EKF)[4] . Although widely used, EKFs have some deﬁciencies, including the requirement of diﬀerentiability of the state dynamics as well as susceptibility to bias and divergence in the state estimates. Unscented Kalman ﬁlter (UKF), on the contrary, uses the nonlinear model directly instead of linearizing it[5] . The UKF has the same level of computational complexity as that of EKF, both of which are within the order O(L3 ). Since the nonlinear models are used without linearization, the UKF does not need to calculate Jacobians or Hessians, and can achieve
Received November 30, 2006; in revised form April 29, 2007 Supported by National High Technology Research and Development Program of China (863 Program), Hi-Tech Research and Development Program of China (2003AA421020) 1. Robotics Laboratory, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, P. R. China 2. Department of Auto-control, Shenyang Institute of Aeronautical Engineering, Shenyang 110136, P. R. China DOI: 10.3724/SP.J.1004.2008.00072
Abstract For improving the estimation accuracy and the convergence speed of the unscented Kalman ﬁlter (UKF), a novel adaptive ﬁlter method is proposed. The error between the covariance matrices of innovation measurements and their corresponding estimations/predictions is utilized as the cost function. On the basis of the MIT rule, an adaptive algorithm is designed to update the covariance of the process uncertainties online by minimizing the cost function. The updated covariance is fed back into the normal UKF. Such an adaptive mechanism is intended to compensate the lack of a priori knowledge of the process uncertainty distribution and to improve the performance of UKF for the active state and parameter estimations. The asymptotic properties of this adaptive UKF are discussed. Simulations are conducted using an omni-directional mobile robot, and the results are compared with those obtained by normal UKF to demonstrate its eﬀectiveness and advantage over the previous methods. Key words Adaptive Unscented Kalman ﬁlter (UKF), innovation, MIT rule, process covariance
second-order accuracy, whereas the accuracy of the EKF is of the ﬁrst order. However, since UKF is with in the framework of the Kalman ﬁlter, it can only achieve a good performance under certain assumptions about the system modeling. But in practice, the assumptions are usually not totally satisﬁed, and the performance of the ﬁlter might be seriously downgraded from the theoretical performance or could even diverge. To avoid these problems, an adaptive ﬁlter may be applied, which automatically tunes the ﬁlter parameter to adapt insuﬃciently known a priori ﬁlter statistics. There have been many investigations in the area of adaptive ﬁlter. Maybeck[6] used a maximum-likelihood estimator for designing an adaptive ﬁlter that could estimate the system-error covariance matrix. Lee and Alfriend[7] modiﬁed the Maybeck s methods by introducing a window-scale factor. The new automated adaptive algorithms are integrated into the UKF and can be applied to the nonlinear system. One disadvantage of the algorithm is that it is not very robust numerically. Loebis et al.[8] presented an adaptive EKF method, which adjusts the measurementnoise-covariance matrix, employing the principles of fuzzy logic. However, in practice, it is always diﬃcult to determine the values of the increment of covariance at each sampling time. Mohame et al.[9] investigated the performance of multiple-model-based adaptive Kalman ﬁlters for vehicle navigation using GPS. The method assumes a knowledge of all the possible statuses beforehand. In this paper, an on-line innovation-based adaptive scheme of UKF is proposed to adjust the noise covariance. The ﬁlter parameter is tuned by using an MIT adaptation rule that minimizes the cost function of the innovation sequence. The asymptotic properties of the proposed adaptive UKF are discussed. Extensive simulations are conducted with respect to the dynamics of an omnidirectional mobile robot. Estimation accuracy is signiﬁcantly improved with the adaptive approache compared to the conventional UKF.