下载文档原格式
结合零速检测的微惯性系统混合滤波高宗余;李德胜;王跃宗【摘要】分析了Unscented卡尔曼滤波(UKF)和Unscented粒子滤波(UPK)算法的特点,提出了一种混合粒子滤波算法(HUPF),以改善车载系统在运行时间长、运动状态变化频繁时导航系统不稳定的非线性特点,并使导航系统能在GPS信号缺失的情况下继续稳定工作.首先,通过零速检测(ZUPT)方法确定车载系统不同的动态特性.然后,针对检测结果选用混合滤波算法,即根据检测结果确定在不同的动态特性下采用UKF或者UPF算法对车载系统特性变化进行不同处理.最后,根据实验结果对不同方法进行了比较.结果表明,采用本文提出的滤波方法,车载导航系统在不同的动态特性下,特别是在GPS缺失的情况下能有效地降低载体在不同动态特性下误差的影响,提高车载系统动态定位精度,将由非线性误差导致车载系统误差积累造成的影响减少了55%,处理速度提高大约2倍.【期刊名称】《光学精密工程》【年(卷),期】2010(018)002【总页数】7页(P377-383)【关键词】混合滤波;惯性导航;零速检测;GPS缺失【作者】高宗余;李德胜;王跃宗【作者单位】北京工业大学,机电学院,北京,100124;北京工业大学,机电学院,北京,100124;北京工业大学,机电学院,北京,100124【正文语种】中文【中图分类】U463;U666;TP391车载导航系统通常由自主航位推算系统(DR)和全球定位系统(GPS)组成。
GPS能迅速准确提供定位、导航信息,但在城市高楼区、林荫道、涵洞内,GPS的上述功能常常失效。
在GPS接受不到信号的时候,DR只好单独工作,尽管误差随时间积累,但是在GPS无法工作时,DR导航仍不失为一种较好的方法。
随着微电子技术的发展而出现的微电子机械系统(MEMS)器件具有体积小、功耗低、质量轻、响应快、灵敏度高、成本低的优点,将其应用于车载导航领域代替传统的DR系统已成为一种趋势,但是其精度不高[1],导航误差随时间快速积累的缺点,使其应用受到一定限制。
高斯-厄米特粒子滤波器
袁泽剑;郑南宁;贾新春
【期刊名称】《电子学报》
【年(卷),期】2003(031)007
【摘要】针对非线性、非高斯系统状态的在线估计问题,本文提出一种新的基于序贯重要性抽样的粒子滤波算法.在滤波算法中,我们用一簇高斯-厄米特滤波器(GHF)来产生重要性概率密度函数.此概率密度在系统状态的转移概率的基础上融入最新的观测数据,因此更接近于系统状态的后验概率.理论分析与实验结果表明:在观测模型具有高精度的场合或似然函数位于系统状态转移概率的尾部时,用GHF产生重要性概率密度函数的粒子滤波即高斯-厄米特粒子滤波(GHPF)的性能要明显地优于标准的粒子滤波、扩展的卡尔曼滤波、GHF.
【总页数】4页(P970-973)
【作者】袁泽剑;郑南宁;贾新春
【作者单位】西安交通大学人工智能与机器人研究所,陕西西安,710049;西安交通大学人工智能与机器人研究所,陕西西安,710049;西安交通大学人工智能与机器人研究所,陕西西安,710049
【正文语种】中文
【中图分类】TP391
【相关文献】
1.自适应高斯厄米特粒子PHD滤波多目标跟踪算法 [J], 刘欣;冯新喜;王鹏
2.基于PNGV模型和高斯-厄米特滤波的SOC估算研究 [J], 凡旭国;周金治
3.基于高斯厄米特粒子滤波算法的多用户检测 [J], 董明海;咸金龙
4.自适应高斯—厄米特滤波器 [J], 范炜; 李勇; 林波
5.基于自适应高斯-厄米特滤波的锂电SOC估算研究 [J], 张凤博;孙桓五;杨淇因版权原因，仅展示原文概要，查看原文内容请购买。
I T 技术科技创新导报 Science and Technology Innovation Herald53战争是推动科技发展的双刃剑，目标跟踪理论就是起源于军事领域的一门科学技术，经过几十年的发展，目标跟踪技术已经不仅仅局限于军事领域，而且广泛应用到涉及国计民生的各个方面如雷达、汽车(飞机)导航、车辆跟踪、可移动设备定位、图像处理等[1]。
伴随着相应科技水平的不断进步，诸如高性能计算机的出现，基础物理硬件设施等方面的不断提升，以及社会对应需求的提高，目标跟踪在相应领域获得一定的成就，在被人们重视的同时也是国内外科研人员研究的热点，也促使其不断向前发展。
1 目标跟踪原理与分类目标跟踪涉及多方面的内容，主要为系统数学模型的构建、对应运动特性的滤波算法设计、信息融合、传感器数据关联等几方面[2]。
就目标跟踪领域来说，最初研究是对具有简单运动特性的目标进行跟踪的问题跟踪问题，通常是以线性运动高斯噪声为背景。
系统模型根据目标运动特性分为以下两类：非机动目标跟踪和机动目标跟踪。
非机动目标是指标做具有简单运动特性的直线运动，速度或速度变化率改变幅度不大，目标实际运动跟踪特性较好或者误差较小。
机动目标是指目标做不规则运动，如变速运动、曲折运动甚至于无规则的运动。
此时目标实际运动趋势(速度的大小和方向)变化较大，原始的基本跟踪算法，将产生一个比较大的跟踪误差甚至滤波发散，如何解决这个问题并提高机动目标的跟踪性能是国内外专家学者研究的主要方面之一。
2 目标跟踪中经典滤波器的实现原理目标跟踪的基本概念是在20世纪50年代由Wa x在应用物理杂志上正式提出，目标跟踪研究在理论上被正式确立起来。
Wie n er 等人提出了维纳滤波理论，且应用于二战中的火控雷达，标志着现代滤波理论的诞生[3]。
1960年，Kalm a n在其博士论文中提出了卡尔曼滤波理论，首次将状态空间法引入到估计理论，分别用状态方程和量测方程描述系统的状态模型和量测模型，根据系统状态的均方误差估计得到系统状态在下一时刻的最优估计。
基于高斯—施密特粒子滤波器的多机器人协同定位
邵金鑫;王玲;魏星
【期刊名称】《计算机工程与科学》
【年(卷),期】2007(29)6
【摘要】多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统.已经应用于本领域的各种非线性算法主要有两种:一种是扩展卡尔曼滤波算法(EKF),它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器(PF).本文介绍了一种改进的粒子滤波器,即高斯-施密特粒子滤波器(GHPF),重点比较这三种算法在多机器人协同定位领域的应用效果.
【总页数】4页(P117-120)
【作者】邵金鑫;王玲;魏星
【作者单位】国防科技大学电子科学与工程学院,湖南,长沙,410073;国防科技大学电子科学与工程学院,湖南,长沙,410073;国防科技大学电子科学与工程学院,湖南,长沙,410073
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于分散式EKF的多机器人协同定位 [J], 卓书芳;何用辉;吴燕峰
2.基于EKF和PF的多机器人协同定位技术 [J], 田红兵;樊光南;宋龙
3.基于分散式EKF的多机器人协同定位 [J], 卓书芳;何用辉;吴燕峰;
4.基于SR-CKF的相对方位多机器人协同定位算法 [J], 李朕阳;郎朗;陈孟元
5.基于最大一致容积Kalman滤波器的多机器人协同定位 [J], 于镇滔;王忠庆;刘鹏因版权原因，仅展示原文概要，查看原文内容请购买。
高斯辅助粒子算法高斯辅助粒子算法是一种用于估计无线传感器网络中目标位置的算法。
该算法主要由三个部分组成：状态空间模型、观测模型和粒子滤波器。
状态空间模型描述了目标在时间和空间上的运动规律。
它包括了目标位置、速度和加速度等状态变量，以及时间步长、噪声和随机扰动等外部因素。
为了减少误差，状态空间模型需要理论和实际经验数据的支持。
观测模型描述了传感器测量目标位置所产生的信息。
传感器可以采用不同的技术进行测量，包括超声波、红外线、微波等。
观测模型的主要任务是将传感器测量到的信息与状态空间模型进行匹配，得到对目标位置的估计。
粒子滤波器是一种基于蒙特卡罗方法的滤波器，主要用于解决非线性、非高斯的状态估计问题。
它将状态空间模型中的状态变量看作是一个向量，通过生成一系列随机样本粒子来表示状态变量的概率分布。
通过对这些粒子进行加权和调整，可以得到对目标位置估计的最优解。
高斯辅助粒子算法通过将状态空间和观测模型进行整合，采用粒子滤波器来估计目标位置，具有如下优点：首先，它可以处理非线性、非高斯的状态估计问题，适用于大多数传感器测量场景。
其次，它具有较高的计算效率，可以在较短的时间内快速准确地估计目标位置。
最后，高斯辅助粒子算法可以应用于多目标跟踪、路径规划等领域。
尽管高斯辅助粒子算法具有各种优点，但它也具有一些限制。
例如，它需要对状态空间模型和观测模型进行准确的建模，如果建模不当，可能会导致较大的误差。
此外，粒子滤波器也会受到粒子数量、初始分布和噪声等因素的影响，这些因素可能会引起算法不稳定或漂移的问题。
总之，高斯辅助粒子算法是一种有效的无线传感器网络目标位置估计算法，它能够在多种测量情况下提供准确、高效的解决方案。
在未来的研究中，需要进一步改进算法的精度和稳定性，以应对复杂环境和实际应用的需求。
基于重要性重采样粒子滤波器的机动目标跟踪方法刘维亭;戴晓强;朱志宇【摘要】采用重要性重采样技术改进了标准粒子滤波算法,通过设定有效采样尺度来减少权值较小的粒子数目,在一定程度上克服了退化现象.仿真结果表明,采用PF 跟踪机动目标,其跟踪精度要高于IMM,说明PF具有较强的处理非线性系统的能力;对标准PF采用重要性重采样策略后,PF的跟踪精度和平稳性都得到了进一步改善.【期刊名称】《江苏科技大学学报（自然科学版）》【年(卷),期】2007(021)001【总页数】5页(P37-41)【关键词】粒子滤波器;机动目标跟踪;非线性;重采样【作者】刘维亭;戴晓强;朱志宇【作者单位】江苏科技大学,电子信息学院,镇江,212003;江苏科技大学,电子信息学院,镇江,212003;江苏科技大学,电子信息学院,镇江,212003【正文语种】中文【中图分类】TN9530 引言在众多的自适应跟踪滤波算法中,交互多模型IMM(Interacting Multiple Models)算法被认为是迄今为止最为有效的次优多模型方法,因而在机动目标跟踪领域获得了广泛应用[1-3]。
但是IMM算法仍然是基于卡尔曼滤波器理论框架的,它要求机动目标的状态方程是线性的,并且噪声要符合高斯分布。
对于非线性非高斯系统的状态估计问题,比较有发展前途的是基于序列重要采样的粒子滤波器方法。
它对系统噪声没有任何限制,通过预测和更新来自于系统概率密度函数的采样集,来近似非线性系统的随机贝叶斯估计。
近年来,粒子滤波器在计算机视觉、自适应估计、语音信号处理、机器学习等获得了广泛应用[4-6]。
但是标准粒子滤波器很容易产生退化现象。
文献[8]和文献[9]分别通过无味卡尔曼滤波器和高斯-厄米特滤波器来改善粒子滤波器的重要密度函数来解决粒子滤波器的退化现象。
本文采用重要性重采样技术,选取适当的有效采样尺度作为衡量退化现象的测度,从而能够自适应地根据样本情况决定是否要进行重采样,在一定程度上抑制粒子滤波器的退化现象,同时降低了算法的复杂度,提高了粒子滤波器的状态估计性能。
