磁偶极子跟踪的渐进贝叶斯滤波方法

提出一种新的非线性滤波器应用于磁偶极子目标跟踪问题.建立了跟踪问题的状态空间模型, 在此基础上, 从高斯矩近似误差的角度分析了现有卡尔曼滤波更新在磁偶极子跟踪中的问题.对此, 将贝叶斯更新过程等效为求解连续时间上的渐进贝叶斯问题, 在线性高斯条件下推导了其解析解, 表明渐进贝叶斯更新可等效为定常系统的Kalman-Bucy滤波器; 进一步采用一阶Taylor展开得到非线性近似解表达式, 导出一种渐进贝叶斯滤波器, 从理论上分析了与现有方法的异同.仿真与实测磁目标跟踪试验结果表明, 渐进贝叶斯滤波器具有良好的精度和收敛性, 能够有效抑制磁目标跟踪中由于大初始误差导致的性能下降和滤波发散, 且计算效率与扩展卡尔曼滤波器相当, 适于实际应用.     

一种带多步随机延迟量测高斯滤波器的一般框架解

提出了一种适用于线性和非线性系统的带多步随机延迟量测高斯滤波器的一般框架解. 为了完成状态的递归更新估计, 噪声向量和先前时刻状态向量被扩展到当前时刻状态向量中. 然后基于贝叶斯方法推导了扩展后状态向量的一般框架解. 对于非线性系统, 通过利用不同的数值计算方法计算贝叶斯解中的高斯加权积分可以推导获得不同的高斯近似滤波器. 最后本文利用三阶球径容积准则来实施提出的方法, 并通过量测被随机延迟多步的目标跟踪模型对所提出的方法进行了仿真, 仿真结果验证了提出方法的有效性和优点.     

有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

具有噪声信息与状态模型不确定系统的IMM自适应滤波

卡尔曼滤波器广泛用于解决线性高斯系统的状态估计问题.然而,在实际应用中过程噪声和系统模型参数先验信息未知,且量测受到异常值干扰,给准确估计系统状态带来极大困难.针对具有噪声信息和状态模型不确定的动态系统,提出一种广义交互式多模型自适应滤波算法.该算法设计多个模型并行的方式对系统不确定进行处理,对于每个模型,建立Skew-T分布非对称重尾噪声表示模型,为了解决过程噪声与系统协方差相互耦合难以求解的问题,利用逆威沙特分布对系统预测协方差矩阵进行描述,并通过变分贝叶斯推理递归计算系统状态的后验分布.仿真结果和实验验证表明,在噪声信息和状态模型不确定条件下,所提出算法具有较高的估计精度.     

基于高斯和近似的扩展切片高斯混合滤波器及其在多径估计中的应用

全球卫星导航系统(Global navigation satellite system, GNSS)信号的多径估计问题实际上是条件线性状态空间模型下的状态估计问题. 根据高斯和理论提出了适用于非高斯噪声环境的扩展切片高斯混合滤波(Extension of sliced Gaussian mixture filter, ESGMF)算法. 该算法将非高斯噪声的状态概率密度函数(Probability density function, PDF)表示为高斯和的形式,将ESGMF通过一组并行的切片高斯混合滤波器(Sliced Gaussian mixture filter, SGMF)来实现.同时, 在ESGMF算法中利用粒子滤波(Particle filter, PF)中重采样的思想对成指数增加的状态预测PDF的高斯混合个体进行约简, 以提高贝叶斯推理的效率.该算法可以获得非高斯噪声下状态PDF的迭代解析表达式. 最后, 将ESGMF应用于GPS多径参数估计, 仿真结果表明, ESGMF算法的估计精度优于基于PF和扩展卡尔曼滤波(Extended Kalman filter, EKF)的算法.     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

含有分数阶有色关联噪声的分数阶系统的卡尔曼滤波器设计

提出基于Tustin生成函数的分数阶卡尔曼滤波器设计方法,以解决含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计问题.通过Tustin生成函数方法,对连续时间线性分数阶系统进行离散化,将分数阶系统的微分方程转化为差分方程.利用增广向量法,将分数阶状态方程和分数阶有色噪声作为新的增广状态向量,从而将分数阶有色噪声转化为高斯白噪声.然后,提出一种基于Tustin生成函数的分数阶卡尔曼滤波算法,有效地实现对含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计.与基于Grddotunwald-Letnikov差分的离散化方法相比,所提出的基于Tustin生成函数的卡尔曼滤波算法得到的状态估计精度更高,状态估计效果更好.最后,通过仿真结果验证所提出算法的有效性.     

基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法

针对非线性系统模型,提出一种基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法.该方法采用Stirling 内插公式对非线性函数作多项式逼近,利用中心差分卡尔曼滤波和高斯混合概率假设密度滤波对后验多目标状态一阶统计量进行估计,并通过递推更新得到目标状态,以实现对多个目标的跟踪.该方法无需求解系统函数的雅可比矩阵,且具有二阶泰勒展开式精度.仿真结果表明,所提出方法能够增强算法的鲁棒性,提高目标状态和数目的估计精度.     

基于弱形式解的粒子流滤波器

针对粒子流滤波器中粒子速度场计算复杂,难以滤波求解的问题,提出一种基于弱形式解的粒子流滤波器.通过将粒子速度场等效为势函数的梯度,推导该速度场所满足的偏微分方程的弱形式;应用Galerkin有限元法和蒙特卡罗积分法,推导出一个易于计算的弱形式常数近似解. 仿真算例表明,在一定初始条件下,多峰型后验分布会使高斯假设滤波器局部收敛,而粒子流滤波器是有效的,且具有较高的跟踪精度和较好的鲁棒性.     

基于改进动态系统稳定估计器的机器人技能学习方法

提出一种基于改进动态系统稳定估计器的机器人技能学习方法. 现有的动态系统稳定估计器方法可以通过非线性优化来确保学习系统的全局稳定性, 但是存在确定高斯混合分量个数困难以及稳定性和精度无法兼顾的问题. 因此, 根据贝叶斯非参数模型可以自动确定合适分量个数的特性, 采用狄利克雷过程高斯混合模型对演示进行初始拟合. 随后利用参数化二次李雅普诺夫函数重新推导新的稳定性约束, 有效地解决了动态系统稳定估计器方法中稳定性和精度难以兼顾的问题. 最后, 在LASA数据库和Franka-panda机器人上的实验验证了新方法的有效性和优越性.     

Polyhedral contact formation identification for autonomous compliant motion: exact nonlinear bayesian filtering

This work presents new experimental results for the estimation of large position and orientation inaccuracies of contacting objects during force-controlled compliant motion. The estimation is based on position, velocity, and force measurements. The authors have described the contact modeling and presented some Kalman filter identification results for small inaccuracies. However, when dealing with larger inaccuracies, the nonlinear estimation problem remained unsolved. This problem has now been solved satisfactorily by applying a new Bayesian estimator. The Bayesian filter is valid for static systems (parameter estimation) with any kind of nonlinear measurement equation, subject to Gaussian measurement uncertainty and for a limited class of dynamic systems. Experimental results of this new filter are given for the estimation of the positions and orientations of contacting objects during the cube-in-corner assembly described in the first reference.     

Computing point estimates from a non-Gaussian posterior distribution using a probabilistic k-means clustering approach

The Kalman filter algorithm gives an analytical expression for the point estimates of the state estimates, which is the mean of their posterior distribution. Conventional Bayesian state estimators have been developed under the assumption that the mean of the posterior of the states is the ‘best estimate’. While this may hold true in cases where the posterior can be adequately approximated as a Gaussian distribution, in general it may not hold true when the posterior is non-Gaussian. The posterior distribution, however, contains far more information about the states, regardless of its Gaussian or non-Gaussian nature. In this study, the information contained in the posterior distribution is explored and extracted to come up with meaningful estimates of the states. The need for combining Bayesian state estimation with extracting information from the distribution is demonstrated in this work.     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.     

Adaptive Gaussian filters for nonlinear state estimation with one-step randomly delayed measurements

This paper proposes new algorithms of adaptive Gaussian filters for nonlinear state estimation with maximum one-step randomly delayed measurements. The unknown random delay is modeled as a Bernoulli random variable with the latency probability known a priori. However, a contingent situation has been considered in this work when the measurement noise statistics remain partially unknown. Due to unavailability of the complete knowledge of measurement noise statistics, the unknown measurement noise covariance matrix is estimated along with states following: (i) variational Bayesian approach, (ii) maximum likelihood estimation. The adaptation algorithms are mathematically derived following both of the above approaches. Subsequently, a general framework for adaptive Gaussian filter is presented with which variants of adaptive nonlinear filters can be formulated using different rules of numerical approximation for Gaussian integrals. This paper presents a few of such filters, viz., adaptive cubature Kalman filter, adaptive cubature quadrature Kalman filter with their higher degree variants, adaptive unscented Kalman filter, and adaptive Gauss–Hermite filter, and demonstrates the comparative performance analysis with the help of a nontrivial Bearing only tracking problem in simulation. Additionally, the paper carries out relative performance comparison between maximum likelihood estimation and variational Bayesian approaches for adaptation using Monte Carlo simulation. The proposed algorithms are also validated with the help of an off-line harmonics estimation problem with real data.     

Continuous Finite-Dimensional Locally Optimal Filtering of Jump Diffusions

This paper considers continuous-time state estimation for a dynamic system with Gaussian and Poisson white noise. We design a finite-dimensional filter with a lower computational cost than the extended Kalman–Bucy filter: its order is the dimension of the estimated part of the system state vector. The nonlinear structure of the filter is selected using the mean squared optimal unbiased estimation for each infinitesimal period of time. We develop an algorithm to find the structural functions of the filter that is based on the Kolmogorov–Feller equation for the density function. A numerical method to calculate them a priori by sequential Monte Carlo trials is presented, which requires the histograms of the desired functions. Due to its cumbersome form, some numerical and analytical approximations of the suggested filter are also given. They structurally coincide with the corresponding nonlinear extensions of the Kalman–Bucy filter but have a considerably smaller order and calculable parameters.