移动机器人同时定位与建图研究综述

移动机器人同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是近年研究热点。介绍了常用的卡尔曼滤波SLAM、图优化SLAM原理和基础理论,阐述卡尔曼滤波SLAM、图优化SLAM关键技术及研究进展,并对机器人SLAM未来研究进行了展望。     

一种激光三维点云动态障碍剔除算法框架

基于激光点云地图的动态障碍剔除是同步定位与建图（simultaneous localization and mapping, SLAM）研究领域的难题之一。动态障碍的移动轨迹不仅会遮挡真实的静态环境信息,也会对移动机器人的定位和路径规划造成阻碍。针对激光点云地图中的动态障碍识别问题,该文提出一种基于卡尔曼滤波的运动障碍跟踪方法。首先,对原始点云预处理,使用欧式聚类算法,实现离散点云聚类。其次设计了基于卡尔曼滤波的运动障碍状态预估方程,并预测出动态障碍点云目标在下一时刻的位置。然后,使用匈牙利算法将预测位置与下一时刻真实位置进行匹配,实现对每一时刻动态障碍体的识别。最后,剔除后进行点云配准建图。在室内外环境下对提出的动态障碍剔除算法进行验证,并将剔除动态障碍后的点云地图可视化输出。实验结果表明该算法在室内外环境下对激光点云地图中动态障碍均能较好地识别与剔除。     

卡尔曼滤波的基本原理及应用

卡尔曼滤波在信号处理与系统控制领域应用广泛,目前,正越来越广泛地应用于计算机应用的各个领域。为了更好地理解卡尔曼滤波的原理与进行滤波算法的设计工作,主要从两方面对卡尔曼滤波进行阐述:基本卡尔曼滤波系统模型、滤波模型的建立以及非线性卡尔曼滤波的线性化。最后,对卡尔曼滤波的应用做了简单介绍。     

基于卡尔曼滤波的网络安全预测

针对现有网络安全态势预测模型往往只能对离线数据进行预测,无法根据历史信息来对当前数据进行在线实时预测的问题,提出了一种基于卡尔曼滤波的网络安全态势预测方法.首先,介绍了卡尔曼滤波的基本原理和相应的状态方程和预测方程,然后设计了基于卡尔曼滤波的网络安全态势在线预测算法,算法采用最小二乘方法来求解预测方程中的权值矩阵和噪声参数,从而获得了相应的预测表达式,可以实现对网络安全态势的实时预测.为了验证所提模型的预测效果,将其应用于离线数据集和在线实时数据中,并与其它方法进行了比较.仿真结果表明:所提模型能准确有效地对网络安全态势进行预测,具有预测精度高的优点,和其他方法相比,具有较大的优越性.     

基于IMMUKF的目标定位跟踪算法研究

目标定位跟踪的关键在于得到精确的定位数据,而要获取精确的定位数据取决于高效的滤波算法。无迹卡尔曼滤波由于具有定位精度高、算法复杂度低等特点,被广泛应用于非线性系统中。针对无迹卡尔曼滤波在目标运动状态突变时容易出现跟踪精度下降、目标丢失等问题,对传统无迹卡尔曼滤波算法进行优化和改进,通过将无迹卡尔曼滤波与IMM卡尔曼滤波算法相结合,利用IMM算法的鲁棒性有效提高了无迹卡尔曼滤波在目标机动运动时的跟踪精度,避免了目标丢失。实验仿真结果表明,IMMUKF算法具有很好的稳定性,可实现复杂的目标跟踪。     

基于Petri网建模的道路车流量预测方法研究

在对基于Petri网建模道路进行分析时发现,当利用智能算法优化交通信号时会存在一定滞后性,主要原因在于智能算法运算效率不高,以及道路车辆产生的一些随机因素等。因此,使用Petri网对交叉口进行建模并模拟车流产生,并运用改进卡尔曼滤波算法对道路车流量进行预测,用于弥补因车辆随机因素或使用智能算法造成的时滞。改进算法采用SVM回归对利用卡尔曼滤波产生的误差进行拟合与预测,用于补偿卡尔曼滤波算法产生的误差。实验结果表明,利用SVM回归改进的卡尔曼滤波对车流预测产生的总误差比传统卡尔曼滤波预测误差降低了6个百分点,证明该方法有效提高了车流预测精度。     

动态卡尔曼滤波综述

随着动态定位技术的发展,对于滤波算法提出了新的要求.本文在对当前动态滤波算法的发展及其相关比较的基础上,找出了各种算法之间的差异与不足,并对今后卡尔曼滤波的发展趋势进行了预测.     

一种基于容积滤波的快速飞行姿态估计方法

为了提高飞行姿态的测量精度,工程上一般使用滤波算法对测量数据进行滤波降噪处理,由于建立在线性递推估计框架之上的卡尔曼滤波算法在处理非线性问题时精度不佳,且无迹卡尔曼滤波算法无法保证正交且解算量大,于是容积卡尔曼滤波算法便应运而生了。由于采用了容积采样准则,其解算量仍然较大,为此本文基于乔列斯基分解原理改进了容积卡尔曼滤波的逆矩阵运算方法,使解算精度保持不变的同时能够大幅降低解算时间,为工程应用提供了一种参考。     

基于自适应无味卡尔曼滤波的机床选点温升快速辨识方法研究

研究目的：为了缩短机床温升试验时间,提出一种机床热特性快速辨识方法,利用较短时间的温度采样数据即可准确预测出完整的温升曲线,进而获得热平衡时间及稳态温度等热特性参数。创新要点：提出了基于自适应无味卡尔曼滤波的机床选点温升快速辨识方法,其中最短辨识时间判据可以有效解决如何寻找准确辨识热特性参数的最短采样时间问题,而自适应无味卡尔曼滤波则可以实时调整参数,防止外界因素对辨识的干扰。研究方法：由于无味卡尔曼滤波在非线性状态预测和参数辨识上具有优势,所以本文将无味卡尔曼滤波算法应用到机床选点温升辨识上。为了防止辨识过程中的发散退化等问题,将无味卡尔曼滤波发展为自适应无味卡尔曼滤波（图1）。在快速辨识方法上提出了最短辨识时间判据（图2）。文章中又将此算法应用到实际的立式加工中心温升辨识上,证明了该算法的可行性及有效性（图5和6）。最后又将带有自适应调整过程的无味卡尔曼滤波算法和不带调整过程的算法做了对比,显示了自适应调整过程对辨识算法的重要性（图6和11）。重要结论：基于自适应无味卡尔曼滤波的机床选点温升快速辨识方法可以准确快速地辨识出温升曲线,获取热特性参数,将原来394 min的热平衡试验时间缩短,只需28 min即可得到温升变化情况。     

单目视觉惯性的同时定位与地图构建综述

在机器人领域,同时定位与地图构建（SLAM）是导航定位的关键技术。单目视觉传感器由于结构简单、成本低且能获取丰富的视觉信息,被广泛应用于 SLAM。随着无人机、AR 设备以及自动驾驶汽车技术的快速发展,视觉惯性 SLAM（VI-SLAM）技术得到了越来越多人的关注。针对 VI-SLAM,从滤波与非线性优化的角度出发,首先介绍相关算法理论框架,然后分析几种具有代表性的单目 VI-SLAM 算法创新点及实现方案,并通过 EuRoC MAV 数据集评估各算法优劣,最后结合深度学习与语义 SLAM,对 SLAM 未来发展趋势进行探讨。     

GPS动态导航定位的当前统计模型与自适应滤波

GPS动态定位的数据处理中广泛应用卡尔曼滤波,而卡尔曼滤波的应用要求动态模型（函数模型）和随机模型可靠和切合实际,但实际测量定位中难以保证观测对象的规则运动,因而容易出现模型误差.针对GPS动态定位的这一问题,本文探讨了在实际应用中存在模型误差时的卡尔曼滤波,介绍了一种基于协方差匹配技术的自适应卡尔曼滤波算法,该法当Q已知时可以准确地估计出R.它的独特之处在于原理上易于理解,在实际中也很容易实现,它是通过判定发散的判据,求出噪声统计的估计值,然后再按得到的噪声统计估计值计算新息序列的协方差阵,因此消除了滤波发散现象.     

基于EKF和RBF的路面附着系数估计

针对车辆行驶下的路面附着系数估计问题,提出了扩展卡尔曼滤波算法(EKF,Extended Kalman Filter)与径向基神经网络(RBF,Radial Basis Functionneural network)相融合。通过扩展卡尔曼滤波算法得出路面附着系数估计所需要的车辆状态参数,结合轮速等直接数据采用径向基神经网络对路面附着系数进行估计。神经网络的训练样本通过Carsim/Simulink收集不同行驶工况,并采用差值寻优的方法对径向基神经网络算法中的决定系数进行优化。基于双移线工况验证了该算法在路面附着系数估计上具有较高的精准度。     

基于二阶RC锂电池模型的自适应卡尔曼SOC估算

为了更加精确地估算锂电池荷电状态,建立能够反映电池动态工作特性的二阶RC等效模型。在模型参数辨识的基础上,先用数学分析、电路模型构建相关状态方程与观测方程,再结合扩展卡尔曼滤波算法,针对状态噪声与观测噪声的不确定干扰,提出一种自适应调整方案。通过锂电池放电实验,结合MATLAB仿真分析,验证了自适应调整后的卡尔曼滤波算法可更精确地预估锂电池荷电状态,与扩展卡尔曼滤波算法相比,该算法降低了约2.31%的误差。     

改进的强跟踪卡尔曼滤波器在MSINS/GPS组合导航中的应用研究

通过深入分析次优渐消因子的解算原理,提出了一种无须先验知识的多时变渐消因子估计方法,用于改进强跟踪卡尔曼滤波算法,并将其应用于MSINS/GPS浅组合中。采用多个次优渐消因子,分别对不同的数据通道进行渐消,可以有效提高滤波算法的跟踪能力。仿真结果表明,改进的强跟踪卡尔曼滤波算法解决了量测相关、初值选取敏感性等问题,可以提高系统的实时性、鲁棒性。     

噪声方差未知卡尔曼滤波平滑

文章基于噪声方差未知的卡尔曼滤波,提出新的固定点卡尔曼滤波平滑器,推导出方差未知时卡尔曼滤波平滑方程,并且给出平滑增益阵和平滑误差方差阵新算法,结论分析平滑运算可以改善滤波的性能,提高估计的精度.     

卡尔曼滤波在GNSS桥梁变形监测系统中的应用

卡尔曼滤波作为一种动态实时数据处理方法已经广泛应用于测量领域,介绍卡尔曼滤波方法在变形监测测量中滤波模型的建立、初值的确定和精度的评定方法,开发基于GNSS的桥梁变形监测系统,并结合具体工程应用实例说明。     

基于无人驾驶配送实验平台的封闭园区内动态环境视觉SLAM研究

针对动态环境下SLAM算法定位信息精度不足、建图偏移严重问题,本研究基于无人驾驶配送实验平台提出一种面向封闭园区内动态环境的视觉SLAM系统。该系统以ORB＿SLAM2为框架,添加了基于人体关键点提取的行为识别线程。在输入图像ORB特征点提取的同时,通过HRNet网络进行人体关键点的提取,通过30帧图像内容进行行为识别,判断图像中人体的行为状态是否为运动,并以此为依据筛选并剔除动态特征点,最后通过静态特征点进行位姿估计。实验结果表明,在TUM数据集动态子序列下,与ORB＿SLAM2、DS＿SLAM相比,本研究所提算法在系统精度与速度上达到平衡,有效提高了位姿估计的准确性。     

基于DSP芯片的嵌入式车载GPS定位系统研究

鉴于DSP芯片的高性能低功耗特别适合数字信号的各种滤波,设计了基于DSP的GPS/DR定位系统.首先对车载定位的发展进行介绍,进而阐述了GPS/DR的定位原理,重点介绍了基于联合扩展KALMAN滤波算法的GPS/DR的定位算法研究,并用MATLAB 7.0仿真了扩展KALMAN滤波的性能.在采用联合扩展卡尔曼滤波结构中,分别设计GPS、GPS/DR组合导航子滤波器.同时基于DSP的GPS/DR定位系统软硬件设计,介绍了GPS接收器电路、陀螺仪电路、里程计和行使方向电路、扩展存储器与DSP的连接电路及DSP的最小系统,最后总结和分析了实验结果,论证了方案的优越性.     

基于无迹卡尔曼滤波器的雷达测距算法研究

广义卡尔曼滤波(EKF)在进行数据处理时,仅对测距系统和量测方程作泰勒级数展开且仅保留线性项,因而EKF只适用于弱非线性对象的估计,被处理对象的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。将无迹卡尔曼滤波(UKF)应用于非线性系统的目标处理。通过UKF在雷达测距中的应用和仿真结果分析表明,与EKF相比,UKF收敛快、对噪声适应能力更强且算法实现更简单。自适应无迹卡尔曼滤波（AUKF）可以对系统模型进行实时估计,通过分析知道无迹卡尔曼滤波算法满足实时性跟踪要求,实现了对运动目标的快速跟踪。     

纯方位目标运动分析的自适应算法

基于Lainiotis算法的基本原理，使用贝叶斯估计理论和半马尔科夫过程的概念，利用一组并行的、且是自适应加权的卡尔曼滤波器对纯方位目标运动分析问题进行求解，对本算法与伪线性卡尔曼滤波算法的估计结果进行了比较，结果表明，这种估算方法在大的环境噪声、远距离和小目标速度等不利条件下仍具有较好的估计性能。