基于空气阻力因子估计的乒乓机器人精确轨迹跟踪

乒乓机器人轨迹跟踪中,由于摄像机成像畸变、目标高速运动造成的成像模糊和空气阻力等不确定因素会导致跟踪误差.针对这些问题,本文提出一种基于空气"阻力因子"估计的轨迹跟踪算法.该方法结合了Kalman滤波器快速高效的跟踪优点,先从空气动力学模型推导出"阻力因子"项,并将其引入状态向量,重新对增广的状态向量进行非线性特征建模,再采用针对非线性估计的扩展Kalman滤波算法进行状态估计.实验结果表明,该算法跟踪精度优于传统轨迹跟踪算法(速度误差由±0.5m/s减少为±0.2m/s),并具有数值计算的实时性和高效性.     

基于UKF的简化交互多模型视频图像机动目标跟踪算法

在视频图像运动目标的状态估计与跟踪问题中,常用的扩展卡尔曼(EKF)算法简单、计算量小,但仅适用于弱非线性和弱高斯环境下.本文提出一种基于无迹卡尔曼滤波(UKF)与简化交互多模型(IMM算法相结合的视频图像运动目标跟踪算法,有效地克服了EKF算法在强非线性状态下或对小运动目标跟踪时精度低,容易发散的问题.仿真结果表明,该算法估计和跟踪非线性目标的性能明显优于基于EKF算法,其跟踪精度可达到三阶(泰勒级数展开)精度.     

使用粒子滤波和差分进化法实现轮廓跟踪

退化现象可能导致基于粒子滤波(PF)的轮廓跟踪误差增大甚至失败。为解决这一问题,提出一种将PF状态向量后验概率密度估计问题转化为最优化问题,并使用差分进化法(DE)求解轮廓跟踪算法。该算法的最优化目标函数定义为轮廓模型与运动目标边缘匹配误差;函数参数为运动参数向量;PF的状态向量分布空间作为DE的搜索空间。目标函数的最优解对应着运动参数的最优估计值。在仿真图像序列的轮廓跟踪实验中,重心位置误差不大于0.5pixel,每帧图像平均耗时约80ms。     

基于Radon变换和梯度跟踪的海岸线提取算法

针对视频图像中自动提取海岸线的问题,提出了一种基于Radon变换和彩色图像梯度跟踪模型的海岸线提取算法.根据海水和陆地的彩色图像信息差异,在计算彩色梯度向量的基础上,利用Radon变换检测线状奇异性的特点,设计剖面分析方法,预测水陆交界处大致方向和动态范围,以达到缩小检测区域的目的:最后采用一种改进的最大梯度跟踪模型对海岸线进行搜索,以提取最终的海岸线精确定位参数.实验结果验证了该算法对海岸线检测的有效性和较强的鲁棒性.     

基于自适应因子化 H∞滤波的单站无源跟踪

针对单站无源跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于自适应因子化 H∞滤波的单站无源跟踪算法.该算法利用 sigma 点转换和鲁棒 H∞滤波能够减小观测方程的线性化误差和降低观测误差不确定性的特点,通过新息控制减小野值对滤波的干扰,利用比例因子和渐消因子自适应调整采样点到中心点的距离和状态预报误差的协方差,从而克服基于 UT 变换的 H∞滤波采样时的非局部效应问题,增强了单站无源跟踪系统对噪声的鲁棒性.仿真实验结果表明,本文方法通过对 UT 变换进行简化,在自适应因子化的同时,算法的计算量与基于 UT 变换的 H∞滤波基本持平,且跟踪精度优于基于 UT 变换的 H∞滤波算法.该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法.     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

基于频响函数截断奇异值响应面的有限元模型修正

考虑由于模型参数误差造成的有限元模型偏差的问题,提出一种基于频响函数截断奇异值响应面的模型修正方法。利用傅里叶反变换将结构频响函数变换为时域内的脉冲响应函数,通过延迟坐标法重构脉冲响应函数的相空间矩阵,进而对相空间矩阵进行截断奇异值分解,提取有限个较大的奇异值作为频响函数的特征量。以待修正模型参数为样本集输入,截断的奇异值为样本集输出,建立支持向量机响应面模型并进行训练,以逼近模型待修正参数与频响函数的特征量之间的非线性映射关系。以目标频响函数的特征量与支持向量机响应面模型输出的特征量之间的差值最小化为目标,利用遗传算法通过优化求解参数修正量。仿真计算表明:支持向量机的保留奇异值响应面能准确预报训练集以外样本的保留奇异值,具有较强的泛化能力;结合遗传优化算法能获得准确的参数修正量,算法对噪声有较强的鲁棒性。     

一种基于子空间学习的实时目标跟踪算法

针对当前目标跟踪算法鲁棒性低且运算慢的问题,本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下,采用增量式PCA子空间学习方法学习一个正交子空间,利用学习到的正交子空间对目标外观进行线性表示;针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题,本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案,解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明,本文的跟踪方法能够达到很高的跟踪精度,同时也达到了接近实时的跟踪速度。     

利用响应数据识别模态参数的子空间在线递推算法

基于随机子空间算法,利用矩阵空间的性质和QR分解将行空间到过去行空间的投影展开为一种用于跟踪的修改递推模式.通过子空间跟踪算法,不断跟踪计算投影的左奇异值向量,再利用最小二乘法求出系统的模态参数.最后用悬臂梁作为实验模型,通过不断改变系统激励的频带范围,验证方法的有效性及稳定性.结果表明,只要选取适当的衰减系数,该方法就可以既保证一定的识别精度,又具有良好的跟踪特性.     

基于PI迟滞模型的压电驱动器自适应辨识与逆控制

压电陶瓷驱动器的迟滞非线性特性严重影响了其跟踪定位精度,甚至引起闭环系统失稳.本文采用经典PI模型描述压电驱动器的迟滞非线性,利用自适应投影算法对PI模型的权向量进行在线辨识,并与传统的最小二乘辨识方法进行比较.迟滞PI模型的优点是模型存在解析逆,因此本文对压电驱动器采用自适应逆跟踪控制,利用驱动器的输出位移与参考位移之差使用自适应投影算法在线辨识PI模型的权向量,并计算PI逆模型的权向量和阈值,最终得到要输入的电压值.最后实验结果表明自适应逆跟踪控制比传统的逆模型跟踪控制精度提高了49.8%.