考虑随机量测时滞和同步相关噪声的改进高斯滤波算法

经典高斯滤波算法存在量测信息实时获取,以及过程噪声和量测噪声相互独立的假设条件.然而,在工程实际应用中该假设条件有时难以满足.本文针对一类具有随机量测时滞和同步相关噪声的高斯系统的状态估计问题,设计了一种高斯滤波框架形式的最优估计算法,并给出了所设计算法的三阶球径容积法则的次优实现形式-考虑随机量测时滞和同步相关噪声的容积卡尔曼滤波器(CKF–RDSCN).其借助Bernoulli随机序列,来描述系统中可能存在的量测时滞现象,并利用高斯条件分布性质来解决噪声相关问题,在此基础上构建所提出的最优估计算法.仿真结果表明,相比于扩展卡尔曼滤波(EKF),无迹卡尔曼滤波(UKF)以及容积卡尔曼滤波(CKF),在含有随机量测时滞和噪声同步相关的状态估计问题中,CKF–RDSCN具有更高的精度和更好的数值稳定性.     

IEKF滤波在移动机器人定位中的应用

针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于环境特征的迭代扩展卡尔曼滤波(IEKF)融合算法。该算法融合了里程计采集的机器人内部数据和激光雷达传感器采集的外部环境特征,在测量更新阶段多次迭代状态估计值并对机器人的位姿进行修正,减少了非线性误差,提高了定位精度。     

基于采样的非线性滤波方法综述

对基于采样的非线性滤波方法的原理及应用进行了综述。在系统阐述贝叶斯估计理论的基础上,按照非线性函数线性化方法的不同,分析和总结卡尔曼滤波、扩展的卡尔曼滤波、sigma点卡尔曼滤波以及粒子滤波等算法的特点、使用方法和使用范围。最后,对非线性滤波的发展方向进行了展望。     

基于CKF的GPS定位误差估计及故障检测

针对卡尔曼滤波(KF,Kalman filter)算法无法解决非线性系统估计的问题和扩展卡尔曼滤波(EKF,extended Kalman filter)算法在GPS卫星导航定位误差估计中存在的线性化误差大、需求解繁琐的Jacobian矩阵等问题,将较新型的卡尔曼滤波算法——容积卡尔曼滤波(CKF,cubature Kalman filter)应用于GPS定位计算,在算法精度上与KF和EKF算法进行了比较,并利用定位误差进行GPS故障卫星的检测.利用实测导航电文数据进行实验,结果表明:CKF用于导航定位估计不仅精度高,而且实现简单,无可调参数,性能明显优于KF和EKF,并可进一步用于故障检测.     

粒子滤波技术在非线性系统中的应用和发展

粒子滤波技术因其具有灵活、易于实现、应用前景广阔,以及有效处理非线性、非高斯问题等特点,受到了越来越广泛的重视。本文详细论述了非线性系统模型、贝叶斯重要性采样、粒子滤波存在的问题、收敛性,以及在工程领域的各种应用和发展。最后对粒子滤波发展方向做了进一步的展望．     

基于CKF 的分布式滤波算法及其在目标跟踪中的应用

针对已有基于Sigma点信息滤波的分布式滤波算法,其性能易受参数影响而导致应用范围受限的问题,以容积卡尔曼滤波(CKF)为基础,利用信息滤波和平均一致性理论提出一种分布式CKF算法。该算法在保持分布式滤波优良特性(即可扩展性和对节点故障强鲁棒性)的同时,兼具CKF的高滤波精度和强稳定性。仿真结果表明了所提出算法的有效性,与分布式Unscented卡尔曼滤波(UKF)算法相比,该算法显著提高了目标跟踪的精度和稳定性。     

Kalman滤波在室内定位动态测量中的应用

为了解决室内定位动态测量系统应用中所估算的目标位置偏差大问题,提出一种基于卡尔曼滤波的室内定位法。利用双目视觉的标定原理估算出目标的位置坐标．再利用卡尔曼滤波算法对目标的估算位置进行滤波处理,以提高室内定位系统的性能和精度。实验结果表明,卡尔曼滤波算法具有良好的有效性。     

噪声相关的Biscay分布滤波

Biscay分布滤波(BDF)是一种有效的区间估计方法,它结合了滤波算法和区间表达式,有效地给出了状态的估计区间。针对一类噪声相关的线性系统给出了Kalman滤波的新形式,并在此基础上推导出与之等效的BDF,进而推广到非线性系统中。与传统的扩展Kalman滤波(EKF)相比,简要的复杂度分析和仿真实例进一步验证了新方法的有效性。     

相关噪声下非线性系统状态与偏差的分离估计算法

将用于零均值、高斯白噪声干扰下的非线性时变随机系统的伪偏差分离估计算法推广到了系统及测量噪声为非零均值高斯白噪声、系统噪声及测量噪声为相关噪声的情形.通过引入"弱化因子"概念,使得状态和偏差估计更加平滑.最后通过数字仿真证实了该方法的有效性.同扩展卡尔曼滤波器相比,其计算量小,且可以准确估计出时变规律未知的随机时变偏差.     

相关观测噪声下的动态定位分析

对车载环境下的定位误差作时间序列分析．得到二阶马尔可夫过程的定位误差模型。将定位误差作为观测噪声．以此建立的观测方程中的观测噪声具有时间相关性。利用观测量相差法，把相邻两次观测量的相关部分消去，建立起观测噪声为白噪声的观测方程，并推导出状态估计的递推方程。避免了高阶矩阵的求逆，有效地减少了计算量，并降低了对内存的需求，提高了车载动态定位系统的实时性和定位精度。仿真结果进一步证明了算法的有效性。     

一种基于卡尔曼滤波的超宽带室内定位算法

为了减小室内环境中障碍物对超宽带(UWB)传感器测距结果的影响,提出了一种基于卡尔曼滤波(KF)的超宽带室内定位算法.利用超宽带接收信号的信噪比区分视距和非视距环境,给出了超宽带传感器测距性能最小二乘标定模型,减小测距系统误差;判断相邻测距差分是否在阈值范围内,否则用卡尔曼滤波先验估计替代后验估计处理测距结果,由此减弱多径效应和非视距误差对测距的影响;用扩展卡尔曼滤波器(EKF)实现室内定位.实验结果表明:算法在复杂室内环境中可达到亚米级的动态实时定位精度.     

非加性噪声情形下卡尔曼滤波器的推广

在数字信号处理中,得到的信号总是或多或少伴随着噪声。如何去除噪声,恢复真实的信号,是信号处理面临的首要问题。一般情形下我们都假定噪声是加性的,即噪声是不依赖于信号的,此时,卡尔曼滤波器是一种非常简便的降噪方法,它是一个最优化自回归数据处理算法,是用前一个估计值和最近一个观察数据来估计信号的当前值,是用状态方程和递推的方法进行估计的,而且它在均方误差意义下是最优的。本文将噪声推广到一般的乘性噪声的情形,利用卡尔曼滤波的基本思想,同样可以得到均方误差意义下的最优滤波,最后通过一个模拟的例子验证了该方法的有效性。     

Marginalized adaptive particle filtering for nonlinear models with unknown time-varying noise parameters

Knowledge of the noise distribution is typically crucial for the state estimation of general state-space models. However, properties of the noise process are often unknown in the majority of practical applications. The distribution of the noise may also be non-stationary or state dependent and that prevents the use of off-line tuning methods. For linear Gaussian models, Adaptive Kalman filters (AKF) estimate unknown parameters in the noise distributions jointly with the state. For nonlinear models, we provide a Bayesian solution for the estimation of the noise distributions in the exponential family, leading to a marginalized adaptive particle filter (MAPF) where the noise parameters are updated using finite dimensional sufficient statistics for each particle. The time evolution model for the noise parameters is defined implicitly as a Kullback–Leibler norm constraint on the time variability, leading to an exponential forgetting mechanism operating on the sufficient statistics. Many existing methods are based on the standard approach of augmenting the state with the unknown variables and attempting to solve the resulting filtering problem. The MAPF is significantly more computationally efficient than a comparable particle filter that runs on the full augmented state. Further, the MAPF can handle sensor and actuator offsets as unknown means in the noise distributions, avoiding the standard approach of augmenting the state with such offsets. We illustrate the MAPF on first a standard example, and then on a tire radius estimation problem on real data.     

An enhanced adaptive Kalman filtering for linear systems with inaccurate noise statistics

This paper investigates the simultaneous state and noise covariance estimation for linear systems with inaccurate noise statistics. An enhanced adaptive Kalman filtering (EAKF) based on dynamic recursive nominal covariance estimation (DNRCE) and modified variational Bayesian (VB) inference is presented. The EAKF realizes the concurrently estimation of state and noise covariance matrices by introducing a nominal parameter in the traditional recursive covariance estimation and designing a new adaptive forgotten factor for the dynamic model of the estimated information propagation. The simulation of a target tracking example shows that, compared with the existing filters, the proposed filter has good adaptive performance for inaccurate and time-varying noise covariance matrices.     

基于动态环境衰减的粒子滤波室内定位算法

针对精确的室内定位中节点受复杂环境的干扰带来因距离相同而位置不同的环境差异,造成定位精度不足和定位稳定性较差的问题,提出了一种新的动态环境衰减因子(DEAF)模型的算法。算法构造DEAF模型,且重新定义了其取值方式。在算法中,首先利用粒子滤波算法对接收到的信号强度(RSSI)进行平滑处理;然后利用DEAF模型计算目标节点的估计距离;最后用三边测量法求出目标节点的坐标。通过与几种常用的滤波模型进行对比实验,得出这种动态环境衰减模型结合粒子滤波的算法能很好地调和不同位置带来的环境噪声差异,算法使定位平均误差降到0.68 m左右,且在室内定位中有较高的定位精度和较好的稳定性。     

数值鲁棒的非线性滤波新方法

应用多维情形的二阶插值公式构造新型非线性滤波器。该滤波器不需非线性函数的偏导计算，便能代替常规的扩展卡尔曼滤波器，并有滤波精度高、数值计算稳定和适用范围宽等优点。仿真实例表明新滤波器具有较高的性能。     

图像脉冲噪声的自适应长距离相关迭代滤波法

提出一种基于局部极值噪声检测的自适应长距离相关迭代滤波算法.该算法首先采用局部极值法进行噪声检测,然后在一定的搜寻范围内计算信号点与噪声点的背景均方误差值,并以该背景均方误差值为基础采用自适应加权法进行滤波,最后将这一滤波过程进行迭代计算.实验结果表明,该算法滤波效果优于传统的滤波算法,它可以有效地去除图像中的脉冲噪声,并较好地保持图像细节信息,在噪声密度很大的情况下也表现出很好的滤波性能.     

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.     

多新息抗差-自适应卡尔曼滤波定位算法研究

针对移动机器人在定位过程中,由传感器测量误差和机器人模型引起的位姿误差导致系统定位精度急剧下降的问题,提出了一种多新息卡尔曼滤波算法.在标准卡尔曼滤波的基础上,当传感器测量值存在误差时,引入抗差权因子,通过改变误差测量值的权值提高滤波器的估计精度;当机器人位姿存在误差时,引入自适应因子,通过调整状态协方差矩阵的大小抵制位姿误差引起的滤波发散.同时,引入了多新息,即多个时刻的新息向量,进一步提高此非线性系统的精度.实验表明:当存在测量误差和位姿误差时,该滤波算法能有效提高定位精度.     

基于相关系数模型的新型滤波算法*

针对椒盐噪声滤除问题,提出了一种新的滤波算法：对输入图像进行基于欧氏距离的相关系数建模,利用信号阈值判决区间将像素点分为信号点和噪声点,在相关系数模型下搜索相关性最大的信号点对噪声点进行恢复,信号点不作处理。实验结果表明,该算法对椒盐噪声的消噪性能较其他算法有较大提高。由于对基于窗口的传统操作模式进行了改进,该算法在90%的高密度噪声环境下仍具有较好的滤波性能。