移动机器人离散空间粒子滤波定位

从粒子滤波效率主要取决于粒子集更新的思路出发,提出一种基于离散状态空间的移动机器人粒子滤波定位方法(Discrete space particle filter, DSPF).根据定位系统误差,将机器人运行空间划分为变精度栅格作为样本粒子描述离散系统模型.地图预处理阶段获取栅格粒子的激光扫描数据,预存为栅格粒子特征.粒子权值更新时,将粒子离散化近似为栅格粒子,采用预存粒子特征进行激光扫描数据匹配,避免粒子特征的实时提取,提高了滤波更新效率.同时采用基于离散后验概率分布与当前粒子集分布之间Kullback-Leibler距离检验方法,自适应选择栅格粒子,平衡滤波效率和定位精度,能够有效解决机器人"绑架"问题.仿真结果表明,DSPF能够显著提高定位效率,并保证滤波精度.     

秩粒子滤波

将秩滤波与粒子滤波相结合,提出秩粒子滤波。它首先由秩滤波方法得到重要性密度函数,然后再采用粒子滤波方法进行滤波。由于秩滤波产生的重要性密度函数包含了最新的观测信息,与真实状态概率密度的支集重叠部分更大,所以,秩粒子滤波比无迹粒子滤波和粒子滤波具有更高的精度,且计算简单,便于工程应用。大量仿真结果验证了这一结论。     

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。     

基于卡方检验的GNSS观测值部分粗差抗差滤波算法

在进行抗差卡尔曼(Kalman)滤波过程中,为避免由于全球导航卫星系统(GNSS)观测值之间的相关性而导致粗差转移的问题,提出了一种基于卡方检验的GNSS观测值部分粗差抗差算法。首先,基于观测模型异常检验量,分析了观测值之间的相关性,并针对由于观测值之间的相关性所导致的粗差误判问题,提出了部分粗差抗差算法;根据假设检验理论,构造了滤波模型整体检验量,基于卡方检验判断整体模型是否存在异常,并给出了基于卡方检验的GNSS观测值部分粗差抗差算法整体流程框架;最后设计了两组实验,采用3种方法进行对比分析,以验证所提算法的性能。实验结果表明,所提算法极大地消弱了观测值之间相关性的影响,能准确的识别粗差位置,明显降低了粗差探测的误警率,保证了定位的鲁棒性。     

基于自适应粒子滤波的结构损伤识别

为了解决传统粒子滤波方法粒子数量的选取较难确定的问题,提出一种非平稳动力系统突变参数识别的自适应粒子滤波方法(简称APF方法).该方法利用系统后验概率密度与当前粒子集概率密度的K-L距离,自适应地更新采样粒子数量,在大幅降低识别过程中计算量的同时,不影响识别精度,使之更适合进行在线的结构系统参数识别.数值仿真结果发现,该方法的系统识别时间仅为传统粒子滤波方法的1/4,这证明了该方法在结构损伤在线识别中的有效性.     

基于自适应PSO粒子滤波的智能跟踪系统

为解决现有跟踪算法的复杂性和不实用性等问题,提出了一种新的自适应PSO粒子滤波算法。该算法能动态调整粒子数,根据三角特征提取目标信息,准确估计目标状态位置。在此算法基础上设计了智能跟踪系统,该系统以DSP为视频图像处理的核心,由FPGA预处理视频图像数据,实现了对目标的识别与跟踪。     

基于萤火虫算法改进移动机器人定位方法研究*

针对传统蒙特卡洛定位中粒子退化以及粒子贫乏造成的移动机器人定位精度下降问题,提出了利用萤火虫算法改进蒙特卡洛定位的方法。利用改进后的萤火虫算法优化粒子的采样过程,使粒子在权值更新前趋向高似然区域,并且改进了重采样策略,新的重采样可以使粒子的多样性更好。将改进后的新算法用于机器人定位实验中,结果表明新算法相比扩展卡尔曼粒子滤波在粒子数分别为10、30、50的情况下性能分别提高了20%、34%、29%,并且使用的时间更少。     

融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪

针对人脸跟踪中计算量大以及粒子退化现象,提出了结合Mean-shift与粒子滤波的改进算法。首先根据Mean-shift算法中的"核函数",建立彩色加权直方图的目标模型。再以人脸初始位置采用Mean-shift算法自适应生成新的粒子集合,通过粒子滤波算法进行权值更新和粒子再采样,得到下一帧人脸位置,同时舍弃较小粒子。实验表明该算法提高了跟踪的运算速度和稳定性,并对人脸遮挡和偏移也有一定的改进。     

一种新的自适应滤波算法

为了解决SVS_LMS算法中步长更新函数较为复杂的问题,提出一种改进的LMS自适应滤波算法。新的算法利用瞬时误差的幂函数对步长更新进行控制,同时根据MVSS_LMS算法中误差自相关估计补偿原理,采用当前步长因子和上一时刻步长的相关估计对步长因子进行补偿。通过仿真比较,新的算法相较于SVS_LMS和MVSS_LMS的改进算法具有更快的收敛速度及更小的稳态失调误差。     

基于模糊自适应无迹Kalman滤波的车辆状态参数估计

为了精确估计车辆行驶状态参数,提出了一种基于模糊自适应无迹卡尔曼(Kalman)滤波的车辆状态参数估计方法,将模糊控制引入到无迹卡尔曼滤波算法中,通过模糊控制动态调整系统测量噪声,实现滤波的自适应调节。采用非线性三自由度汽车模型作为车辆状态参数估计模型,以前轮转角和纵向加速度为系统输入向量,以横摆角速度、质心侧偏角及纵向车速为状态向量,以侧向加速度为输出向量。应用Carsim软件和Matlab/Simulink软件进行联合仿真,验证该算法的有效性,结果表明:模糊自适应无迹卡尔曼滤波算法比无迹卡尔曼滤波和扩展卡尔曼滤波估计精度高、效果好。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

采用自适应无迹卡尔曼滤波的卫星姿态确定

针对现有算法卫星姿态确定中模型参数估计不准确,系统存在外界干扰下稳定性差和跟踪精度不足的问题,提出一种自适应无迹卡尔曼滤波算法,对卫星三轴姿态进行估计.首先分析了陀螺和星敏组合定姿的工作原理,然后推导了以误差四元数为状态变量的卫星姿态运动学方程.滤波过程中,该算法引入自适应矩阵,对量测噪声协方差矩阵进行调整;依据滤波发...     

基于视觉特征的移动机器人Monte Carlo定位方法

提出了一种通过引入基于三角定位的重采样阶段对基于视觉特征的常规Monte Carlo定位加以改进的方法，以提高原有方法的实现效率，既能提高计算效率，又能避免过收敛现象。重采样的实现根据感知更新前后采样分布信息熵的变化和有效采样数目来判断，并且基于感知组织的贝叶斯网络识别视觉特征的方法为三角定位提供了准确的特征来源，有效减少了假阳性特征，大大简化了与环境模型的匹配。实验结果验证了方法的有效性。     

基于双层修正无迹卡尔曼的水下节点定位算法* .txt

摘要：针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波（UKF）定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。 .txt     

基于动态生成树和改进不敏卡尔曼滤波的传感器网络目标跟踪算法研究

针对在传感器网络目标跟踪的实际应用中,节点感知的数据与目标真实状态之间通常呈现非线性的特点,提出了一种基于改进不敏卡尔曼滤波的传感器网络目标跟踪算法。通过引入粒子群技术对不敏卡尔曼滤波中δ采样点的分布和收敛速度进行优化,使得δ采样点的分布更加接近目标的真实状态,以提高目标跟踪精度。同时,构建了一个随目标移动而动态生成的树形结构作为算法的执行平台。仿真结果表明,采用动态生成树作为算法执行平台提高了节点资源的利用率,降低了网络能耗,采用粒子群优化后的不敏卡尔曼滤波提高了目标跟踪精度,减少了算法运行时间。     

基于粒子滤波的移动机器人同时定位和环境模型的建立

介绍了一种基于粒子滤波的移动机器人同时定位与地图创建方法。通过旋转超声传感器获得环境信息，利用贝叶斯规则更新栅格地图，然后利用粒子滤波对机器人进行定位，之后地图更新和机器人定位交替进行，直到将整个环境探测完毕。仿真结果表明机器人能较好的完成环境探测的任务。     

基于改进蝗虫优化算法的移动机器人路径规划

为提升蝗虫优化算法(GOA)在移动机器人路径规划中的应用效果,将基于Levy飞行的局部搜索策略和基于线性递减参数的随机跳出策略引入到GOA中,提出了改进蝗虫优化算法(IGOA)。相比于GOA,IGOA中的Levy飞行局部搜索策略增强了算法的随机性,线性递减参数的随机跳出策略降低了算法陷入局部最优的概率。移动机器人2种不同行驶环境的路径规划实例中,IGOA获得的结果更优。     

融合深度学习与粒子滤波的移动机器人重定位方法

为有效解决移动机器人重定位问题,提出一种融合深度学习和粒子滤波的机器人重定位方法。首先,提出了3自由度移动机器人重定位方法架构,主要包含重定位模型构建和机器人在线重定位两个递进阶段;其次,在PoseNet基础上提出并构建了针对3自由度移动机器人的重定位网络模型G_PoseNet,并将由G_PoseNet预测的位姿结果作为粒子滤波定位算法的初始化状态,支撑后续重定位过程;然后,提出了一种基于数据模型的机器人绑架状态判定方法,以确定是否启动重定位过程;最后,在公开数据集上与实际环境中做了大量实验验证了此方法,结果表明:G_PoseNet模型能够保证一定的位置预测精度并提升了姿态角预测精度,机器人重定位成功率达到87%。