AEKF在WSN移动节点定位中的应用

自适应扩展卡尔曼滤波(AEKF)通过引入自适应遗忘因子,限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,增强滤波跟踪性能,具有较好的鲁棒性.本文将AEKF应用到无线传感器网络动态节点的定位中,跟踪移动节点位置.该方法不仅能够实时修正模型误差,还能够自适应调整滤波器的动态范围.仿真分析结果表明,AEKF较之EKF,改善了滤波器的动态性能,较好地抑制了滤波发散过程,具有更好的跟踪性能,提高了定位精度.随着物联网的发展,无线传感器的定位研究将具有非常重要的工程意义和价值.     

后验Monte Carlo-Gaussian采样粒子滤波WSN网络定位*

环境因素导致无线传感器网络定位存在噪声影响,实质上是非平滑的非线性问题,针对传统粒子滤波算法在处理该问题时精度不高的缺点,提出一种基于后验泊松分布的Monte Carlo-Gaussian重采样粒子滤波算法的无线传感器网络定位算法。首先,基于粒子滤波算法,借鉴扩展卡尔曼滤波算法采用近似后验高斯分布思想,设计了后验泊松分布Monte Carlo-Gaussian重采样粒子滤波器。其次,采用该滤波器设计实现了无线传感器网络定位算法,解决了非平滑非线性的噪声干扰定位问题。最后,分别对滤波器和定位算法的性能进行了对比仿真实验,结果验证了所提算法的有效性。     

基于均值漂移和联合粒子滤波的移动节点定位算法

针对无线传感器网络移动节点定位面临的高精度和实时性要求,把均值漂移算法引入联合粒子滤波(Joint ParticleFilter)框架.提出了基于均值漂移和联合粒子滤波的移动节点定位算法.它使用均值漂移算法构建粒子滤波的建议分布,通过有效利用最新观测信息,提高粒子状态估计的准确性,使得采样粒子的状态分布与后验概率分布更接近,减少了状态估计必需的粒子数目.该算法还提出了基于虚拟海明距离和交互势的权重计算方式,减少相邻移动节点间的干扰.仿真实验结果表明,基于均值漂移算法和联合粒子滤波的移动节点定位,可获得比基本粒子滤波更高的定位精度,其定位精度与无味粒子滤波(Uscented Particle Filter)相当,而计算开销比无味粒子滤波减小至少50%.     

基于UKF滤波的WSN节点定位研究

无迹卡尔曼滤波(UKF)模拟系统的后验概率密度函数,避免了扩展卡尔曼滤波(EKF)中引入的较大线性化误差的缺陷.本文提出了一种基于加权最小二乘法(WLSE)和UKF的无线传感器网络(WSN)节点定位算法.算法采用TOF测距技术测量未知节点到信标节点的距离,利用加权最小二乘法估算未知节点的初始位置,并采用UKF滤波对节点进行精确定位,同时与EKF滤波结果进行比较.相关分析结果表明,算法在TOF测距基础上,将加权最小二乘法和UKF滤波结合,可以较大提高节点的定位精度.     

基于粒子滤波的室内机器人定位研究

针对传统粒子滤波定位算法在粒子的更新中仅考虑当前里程信息,论文基于KLD-粒子滤波算法实时跟踪每次迭代所需粒子数,提出了一个KLD粒子滤波定位改进算法.结合里程信息及雷达激光测量信息,将前时的测量信息融合进粒子定位算法中.该算法在粒子更新的同时优化了计算,可以使机器人定位修复快速收敛至正确位置,并通过仿真实验验证其有效...     

分布式粒子滤波算法在目标跟踪中的应用

针对无线传感器网络中目标跟踪的精度与网络能耗这一对矛盾,提出了一种改进的分布式粒子滤波算法。通过调整滤波器的似然分布保持粒子的多样性,同时将无线传感器网络中的跟踪机制进行改进,采用根据跟踪精度自适应调整动态簇内工作的传感器节点的数目。仿真结果表明:提出的改进算法在提高跟踪性能的同时减少了能量损耗,延长了网络的使用寿命。     

基于改进的洪泛广播和粒子滤波的无线传感器网络节点定位

针对目前移动无线传感器网络定位问题存在的不足,提出了一种基于改进的洪泛广播机制和粒子滤波的节点定位算法。对于一个给定的未知节点,首先采用改进的洪泛广播机制,从离它最近的锚节点得到的有效平均跳距来计算出它到它的所有邻居节点的距离。然后采用一种差分误差校正算法,以减小平均跳距中由于多跳累积造成的测量误差;其次,采用粒子滤波和虚拟锚节点来减小预测区域,得到更有效的粒子预测区域,从而进一步减小对未知节点位置的估计误差。仿真结果表明,所提算法与定位算法DV-Hop、蒙特卡罗Baggio（MCB）和基于测试的蒙特卡罗定位（MCL）相比,能够有效地抑制冗余广播和减小与节点定位相关的消息开销,以较低的通信成本实现较高精度的定位性能。     

基于TDOA和改进粒子滤波算法的智能交通系统运行车辆定位

为了克服已有车辆定位系统依靠GPS或RFID等固定设备进行定位时硬件成本高、同时对运动车辆进行定位时往往精度不高的缺点,提出了一种基于TDOA和改进粒子滤波的运动车辆定位方法;首先,通过TDOA算法和最小二乘法获取多个车辆坐标值估算值并对具有较大误差的坐标进行删除;然后通过RSSI信号强度对剩余的坐标值进行加权获取估计坐标的初始值;为了进一步提高定位的精度,设计了改进的粒子滤波算法以每个时刻的坐标初始值为观测值估算车辆的真实坐标,在算法中通过设计重要性概率密度函数和重采样提高滤波的精确度;取100m×800m的道路区域进行仿真,结果表明:文中方法能较为精确地实现运动车辆的定位,且与其它方法比较,具有硬件成本低和定位误差小的优点,是运动车辆定位的一种可行方法。     

粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

基于量子粒子群优化的WSN节点定位改进

针对无线传感器网络定位低成本、低功耗和高精度的要求,在基于接收信号强度(RSSI )测距的基础上,提出 了一种量子粒子群优化(QPSO)的改进加权质心定位算法,即采用QPSO优化WCLA的佑计坐标来改善定位误差, 并改进收缩扩展系数增强QPSO算法的收敛速度。仿真表明,改进的算法与WCLA算法和经过粒子群优化的 WCI_A算法相比,其节点定位精度得到显著提高,且能克服粒子群优化算法的收敛速度慢、易陷入局部极小值的缺点。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

陪护机器人粒子滤波定位法中重采样算法研究

针对室内陪护机器人粒子滤波定位方法,研究了四种粒子滤波重采样算法：多项式重采样算法、残差重采样算法、分层重采样算法和系统重采样算法,并分别对其进行仿真比较。实验证明残差重采样算法粒子收敛速度和粒子匮乏程度取折衷,性能优于其它三种重采样算法,在此基础上利用仿真实验结果在HHR-0303服务机器人上进行了实验。实验证明采用残差重采样算法的粒子滤波算法,利用声纳配合里程计定位的方案能达到定位目的。     

移动传感器网络节点快速一致性滤波定位

针对移动传感器网络拓扑结构的动态特性,提出了一种快速卡尔曼一致性滤波定位算法。该算法依据Mc- tropolis准则,仅利用通信节点之间的RSSI值快速调整融合步长。在网络拓扑结构未知的情况下,利用卡尔曼一致性 滤波定位算法实现位置求精。仿真结果表明,与Saber算法相比,该方法能够在降低通信量的同时,提高节点的定位 精度,适合移动传感器网络。     

机器人定位中的自适应粒子滤波算法

The research of robot localization aims at accuracy, simplicity and robustness. This article improves the performance of particle filters in robot localization via the utilization of novel adaptive technique. The proposed algorithm introduces probability retracing to initialize particle sets, uses consecutive window filtering to update particle sets, and refreshes the size of particle set according to the estimation state. Extensive simulations show that the proposed algorithm is much more effective than the traditional particle filters. The proposed algorithm successfully solves the nonlinear, non-Gaussian state estimation problem of robot localization.     

基于误差修正的DV-Hop传感器节点定位算法

传统的DV-Hop传感节点定位算法,估计未知节点与各锚节点之间距离是用跳段距离代替直线距离.在实际网络定位环境中,未知节点和锚节点之间多数是折线连接.当平均每跳距离的估计值与实际值的偏差较大时,未知节点到锚节点之间估计距离与实际距离之间的误差会增大.为解决上述问题,提出一种粒子群优化算法修正DV-Hop算法定位误差的传感器节点定位方法.采用DV-Hop算法估计待测节点和锚节点之间距离,通过三边测量法确定节点的位置,并将传感器节点定位问题转换成一个多约束优化问题,最后通过粒子群优化算法对定位误差进行修正,并通过仿真对其性能进行测试.仿真结果表明,相对传统DV-Hop算法可大幅度提高传感器节点定位精度,符合无线传感器网络定位需求,具有较好的应用价值.     

基于改进粒子滤波器的移动机器人同时定位与建图方法

提出一种基于改进粒子滤波器的移动机器人同时定位与建图方法.该方法将常规粒子滤波器与粒子群优化算法有机结合,引入最新的机器人观测信息以调整粒子的提议分布,从而在保证算法精度的同时,减少定位与建图所需的粒子数,并有效缓解粒子退化现象.此外,考虑到常规的重采样过程容易引起样本贫化现象,引入概率算子以增加粒子的多样性.实验结果表明该方法的可行性和有效性.     

基于地图信息和位置自适应修正的粒子滤波室内定位方法

现有以航位推算为基础的室内定位算法存在累积误差大、定位精度较低等缺点,为此提出一种基于地图信息和位置自适应修正的粒子滤波室内定位方法。该方法利用已知的室内地图信息在定位过程中控制粒子的生灭,在重采样过程中根据粒子的退化情况对补偿粒子的位置进行自适应调整,从而修正目标位置。实验结果表明,该定位方法克服了航位推算算法的累积误差问题,有效提高了定位精度。     

基于改进粒子群最优化算法的Gmapping研究

传统的Gmapping算法在RPPF-SLAM的基础上改进了提议分布与重采样策略,提升了算法性能。但是Gmapping在频繁地进行粒子迭代过程中会出现粒子退化现象,导致正确的粒子被丢弃或者粒子的多样性下降,直接影响到建图效果。针对上述问题提出了一种融合改进粒子群最优化算法的粒子滤波SLAM算法,采用PSO算法对采样后的粒子群进行更新,并且对不同权重大小的粒子进行粒子分层,依据分层结果优化重采样策略,保证粒子在高似然区域的占比同时也改善了粒子的多样性。在MATLAB上对改进粒子群优化算法进行仿真实验,结合搭载ROS系统的移动机器人实现真实环境的定位与建图。实验结果表明改进后的算法有着更高精度的定位与更精确的建图效果。     

机器人传感器定位中的模糊性干扰消除仿真

研究机器人准确定位问题.机器人装备的传感器数量较多,不同类型数据采集传感器对环境中突变性因素的敏感程度不同,造成用于定位的传感器信息反馈到终端后融合,结果存在偏差,出现了传感定位信息的模糊性.传统的传感信息融合方法多是根据先验信息进行信息融合,但是机器人传感器采集的多是随机信息,大大增加了融合后定位信息模糊性的可能,造成定位不准.提出了一种机器人定位模糊性寻优遗传算法.通过固定较大小的基因位来改善遗传算法的机器人位置寻优性能,每次基因位的固定都能改变机器人定位的寻优空间,对寻优位置进行细化,消除融合中带来的特征模糊性干扰.后期的仿真结果表明,改进方法可以改善机载机器入的定位能力,定位准确性大幅提高.