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.     

基于改进扩展卡尔曼滤波算法的静电目标跟踪

针对静电探测的数学模型结构复杂、强非线性以及实验测量数据存在极大不确定性的特点和 ExtendedKalman Filter(EKF)在处理强非线性的测量方程时会出现滤波发散的现象.为了提高滤波精度和减少计算复杂度,采用中心差分的方法计算EKF中的非线性函数的一阶导数,并结合球形静电探测器实际探测的特点形成一种新的改进的EKF算法.将改进后的EKF应用于静电目标的跟踪,建立目标跟踪滤波器.理论分析和仿真表明,采用改进后的EKF与EKF和Unscented Kalman Filter(UKF)相比较,虽然计算时间比EKF稍有增加,但比UKF的计算时间少;而计算精度比EKF有显著提高,与UKF的计算精度相当.     

多传感器顺序统计量不敏概率数据互联算法

针对非线性系统中杂波环境下的多传感器多目标跟踪问题,提出了一种多传感器顺序统计量不敏概率数据互联算法(MSOSUPDA).算法首先根据顺序结构多传感器系统实现方法将研究问题转化为顺序处理多个非线性单传感器多目标跟踪问题,然后结合顺序统计量概率数据互联(OSPDA)的思想将单个传感器的量测点迹与多个舷迹互联,在此基础上采用不敏卡尔曼滤波(UKF)实现非线性条件下目标状态估计与协方差的递推.与MSJPDA/EKF算法相比,算法具有更高的跟踪精度和稳定性,计算量明显减小.仿真结果表明,该算该发散率与耗时分别为MsJPDA/EKF算法的19%与70%,算法综合性能明显好于MSJPDA/EKF算法.     

EKF和PF算法及其在目标跟踪中的应用

基于贝叶斯滤波的目标跟踪原理,介绍了扩展卡尔曼滤波(Extended Kalman Filter,EKF)和粒子滤波(ParticleFilter,PF)的基本思想和算法实现步骤。在非线性环境下对比分析了EKF算法和PF算法的估计精度,并给出两种方法的适用条件。EKF算法采用Taylor展开的线性变换来近似非线性模型,而PF算法采用一些带有权值的随机样本来表示所需要的后验概率密度。仿真结果表明,在强非线性非高斯环境下,PF算法的跟踪性能远优于EKF算法,当系统非线性强度不大时,EKF算法和PF算法的估计精度相差不大,但PF算法计算复杂,跟踪时间长,实时性差。     

未知激励下的无迹卡尔曼滤波新方法

无迹卡尔曼滤波（UKF）是一种识别非线性系统的有效方法,然而传统的UKF方法需要观测外部激励,这限制了UKF的应用范围。迄今为止,国内外对未知激励情况下的UKF方法的研究还非常少。该文在传统UKF的基础上,推导出在未知激励情况下的无迹卡尔曼滤波（UKF-UI）方法的递推公式,通过对观测误差的最小化,利用非线性方程求解,识别未知外部激励,进而识别非线性结构系统状态与结构未知参数。进一步采用融合部分观测的加速度响应及位移响应,消除识别结果的漂移问题。分别通过白噪声和未知地震作用下识别非线性迟滞模型的两个数值算例,考虑观测噪声对非线性系统进行识别,从而验证提出新方法的有效性。结果表明,该文所提出的UKF-UI方法,能够在部分观测结构系统响应的情况下,有效地识别非线性结构参数和未知激励。     

An adaptive strong tracking UKF filtering algorithm based on fuzzy logical system for position estimation

提出了一种用于GPS位置估计的模糊自适应强跟踪UKF(FAST-UKF)滤波算法.该算法采用强跟踪的自适应算法用以解决传统UKF算法容易受初始值和模型误差影响的问题;同时采用模糊逻辑系统解决强跟踪算法的参数估计问题,通过模糊逻辑系统实时监测滤波器的工作状况,实时对强跟踪算法的参数进行估计和调整,确保滤波器正常工作.仿真定位结果表明,模糊自适应强跟踪UKF算法相比UKF算法、传统的自适应UKF算法和强跟踪UKF算法更能够及时地适应载体运动规律变化,同时定位性能也有所提高.     

扩展容积卡尔曼滤波定位技术研究

为提高被动定位技术的精度与环境适应性,本文提出运用一种新的非线性滤波方法—扩展容积卡尔曼滤波算法进行多角度传感器目标定位;它首先利用EMD(经验模态分解)算法对目标的量测噪声协方差矩阵进行估计;然后,将过程噪声协方差和量测噪声协方差融入循环过程;同时,为保持算法的稳定性和正定性,利用求平方根的形式对算法改进。通过对扩展容积卡尔曼滤波与UKF(不敏卡尔曼滤波)算法跟踪目标的结果进行比较,在运算复杂度与UKF相当的前提下,扩展容积卡尔曼滤波算法不仅可以对未知量测噪声情况下的目标进行跟踪,而且显著提高了被动定位的精度。     

一种改进的UKF算法及其在深空自主光学导航中的应用

利用星敏感器以及光学导航相机,通过测量星光信息以及天体边缘信息,进行了自主光学导航方案的设计.通过观测量的转化改进了Unscented卡尔曼滤波方法(UKF)的具体实现形式,并将改进的方法与扩展的卡尔曼滤波方法(EKF)、UKF以及基于平方根分解的方法(SR-UKF)进行了比较,通过仿真对其算法的优越性进行了验证.仿真结果表明,这种基于观测量转换的UKF算法,不仅在计算量上有所减少,在精度上也有较大提高.     

An initial alignment technique for strapdown inertial navigation systems based on large misalignment angles

针对捷联惯性导航系统( SINS)大失准角初始对准情况下非线性模型线性化导致模型不准确和影响对准精度的问题,设计了一种基于最小二乘支持向量机( LS-SVM)的大失准角对准算法.该方法采用基于加性四元数误差( AQE)的大失准角误差方程,采用简化的无迹卡尔曼滤波器(UKF)来模拟LS-SVM训练样本.捷联惯性导航系统和全球定位系统(GPS)的速度和位置误差作为LS-SVM的输入样本,简化UKF得到的失准角经小波去噪后作为输出样本.LS-SVM算法采用交叉验证法选择最佳的核函数参数.仿真结果表明,在大失准角下LS-SVM算法在对准时间和对准精度上与简化UKF和EKF相比均表现出较好的性能.     

UKF和KF两级滤波的雷达与红外配准算法

针对雷达与红外传感器的时间和空间偏差配准问题,给出时空偏差配准模型,提出了一种时空偏差实时估计算法.该算法将目标的运动状态和传感器偏差组合在同一状态方程中,构建扩维状态的系统动态方程和量测方程,并通过对量测方程的非线性分析,采用UKF和KF两级滤波的方法进行目标状态和配准偏差的联合估计.仿真结果表明,与采用UKF滤波的方法相比,该算法具有更高的估计精度,而且减小了计算量.     

Estimate-Merge-Technique-based algorithms to track an underwater moving target using towed array bearing-only measurements

Bearing-only passive target tracking is a well-known underwater defence issue dealt in the recent past with the conventional nonlinear estimators like extended Kalman filter (EKF) and unscented Kalman filter (UKF). It is being treated now-a-days with the derivatives of EKF, UKF and a highly sophisticated particle filter (PF). In this paper, two novel methods based on the Estimate Merge Technique are proposed. The Estimate Merge Technique involves a process of getting a final estimate by the fusion of a posteriori estimates given by different nonlinear estimates, which are in turn driven by the towed array bearing-only measurements. The fusion of the estimates is done with the weighted least squares estimator (WLSE). The two novel methods, one named as Pre-Merge UKF and the other Post-Merge UKF, differ in the way the feedback to the individual UKFs is applied. These novel methods have an advantage of less root mean square estimation error in position and velocity compared with the EKF and UKF and at the same time require much lesser number of computations than that of the PF, showing that these filters can serve as an optimal estimator. A testimony of the afore-mentioned advantages of the proposed novel methods is shown by carrying out Monte Carlo simulation in MATLAB R2009a for a typical war time scenario.     

一种新的自适应非线性卡尔曼滤波算法

为避免由于系统噪声统计特性不准确所导致的滤波性能下降问题,改进了一种基于新息的系统噪声方差调整方法,并将其与扩展卡尔曼滤波、Unscented 卡尔曼滤波和差分滤波相结合,形成自适应非线性卡尔曼滤波.将此方法应用到非线性测量光电跟踪系统中,并与采用基本非线性卡尔曼滤波进行性能对比.仿真实验结果证明该方法可以实时调整系统噪声方差,有效地避免由于系统噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于基本非线性卡尔曼滤波.     

基于二阶转换测量Kalman滤波的目标跟踪算法(英文)

为了减小传统跟踪滤波算法线性化误差,提高光电跟踪系统的跟踪速度和跟踪精度,本文在三维空间中,提出了二阶去偏转换测量卡尔曼滤波算法.该算法利用二阶泰勒展开的方法,推导出了光电跟踪系统观测方程的转换测量值误差的均值和协方差矩阵表达式,并对测量误差进行去偏差补偿处理,再经过转换测量卡尔曼滤波,可显著减小传统滤波算法的线性化误差.仿真结果表明,二阶去偏转换测量卡尔曼滤波(SCMKF)算法的跟踪精度优于非去偏转换测量卡尔曼滤波(CMKF)和扩展卡尔曼滤波(EKF),以及unscented卡尔曼滤波(UKF)算法,并且具 有更快的收敛速度,和采用统计方法的去偏转换测量卡尔曼滤波(DCMKF)的跟踪精度相当,但计算简单,提高了跟踪速度.     

基于主动建模的自主移动机器人自适应容错控制

针对非线性自主移动机器人可能发生的驱动器故障,提出了一种新的自适应容错控制方法,即基于主动建模的逆动力学控制(IDC)方法.无色卡尔曼滤波(UKF)非线性估计方法用于对系统进行主动建模--状态和故障参数的在线联合估计,含有可调参数的逆动力学控制器用于根据UKF的估计结果进行控制策略的重构.仿真实验证明,具有主动建模的控制器能够有效地补偿系统的驱动器故障,使故障后的系统仍具有令人满意的性能.     

Fast Tracking of Power Quality Disturbance Signals Using an Optimized Unscented Filter

This paper presents a hybrid approach for tracking the amplitude, phase, frequency, and harmonic content of power quality disturbance signals occurring in power networks using an unscented Kalman filter (UKF) and swarm intelligence. The UKF is a novel extension of the well-known extended Kalman filter (EKF) using an unscented transformation to overcome the difficulties of linearization and derivative calculations of signals with a low signal-to-noise ratio (SNR). Further, the model and measurement error covariance matrices $Q$ and $R$, along with the UKF parameters, are selected using a modified particle swarm optimization (PSO) algorithm for accurate tracking of signal parameters. To circumvent the problem of premature convergence and local minima in conventional PSO, a dynamically varying inertia weight based on the variance of the population fitness is used. This results in a better local and global searching ability of the particles, which improves the convergence of the velocity, and in a better accuracy of the UKF parameters. Various simulation results for nonstationary sinusoidal signals occurring in power networks with varying amplitudes, phases, and harmonic contents corrupted with noise having a low SNR reveal significant improvements in noise rejection and speed of convergence and accuracy.      

A New UKF Based Fault Detection Method in Non-linear Systems

To detect the bias fault in stochastic non-linear dynamic systems, a new Unscented Kalman Filtering（UKF） based real-time recursion detection method is brought forward with the consideration of the flaws of traditional Extended Kalman Filtering（ EKF）. It uses the UKF as the residual generation method and the Weighted-Sum Squared Residual （WSSR） as the fault detection strategy. The simulation results are provided which demonstrate better effectiveness and a higher detection ratio of the developed methods.     

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.