无迹卡尔曼滤波（UKF）的应用比较分析

在高斯噪声环境下,由于扩展卡尔曼滤波（EKF）在目标跟踪应用中精度低和可能出现的滤波发散,将无迹卡尔曼滤波（UKF）应用于非线性系统的目标跟踪.通过UKF在目标跟踪中的应用和仿真结果的分析比较表明,与EKF相比较,UKF收敛快、对噪声适应能力强,算法实现简单.     

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。     

机动目标跟踪的TIMM算法

针对如何避免或减少由于目标的机动运动所带来的估计误差问题,提出了具有门限的相互作用多模型估计(TIMM)的新算法.该算法主要应用于雷达目标自动跟踪系统中.TIMM算法在相互作用多模型估计器(IMM)算法的基础上引入门限控制器来提高跟踪精度,该算法同样适用于其他各种改进的IMM算法.通过2个不同的例子,对由TIMM和IMM这2种算法产生的均方根误差进行比较.仿真结果表明,同IMM算法相比较,TIMM算法可减少估计误差,从而提高机动目标的跟踪性能.     

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。     

利用无迹变换建立车辆运动路径算法

随着信息化程度的不断提高,对目标跟踪的精度要求也在不断提高,不但需要采集传感器的数据越来越多,而且对物体的位置进行定位、监测的数据要即时更新,当所获得的信息不足时,控制系统采用的算法精度显得尤为重要。如果控制系统的处理器对车辆的采集频率高于传感器的处理频率,就要使算法对车辆位置能够预测;不同算法的预测值相差较大。为了优化跟踪性能,必须最大程度采集传感器的有限数据。卡尔曼滤波器结构中,只能通过开发一些精度较高的实用模型来实现。这模型往往是高阶非线性的;无迹变换很好地简化了这些模型的开发和优化。     

伪线性卡尔曼滤波在目标被动跟踪中的应用

在对目标进行纯方位跟踪时,伪线性卡尔曼滤波算法是一种有效的跟踪滤波方法,该方法可以很好地对目标运动状态进行估计。通过仿真证明了该方法降低了对模型精度的要求,具有较好的稳定性。     

基于IMM的三维机动目标跟踪算法研究

对单站雷达三维空间机动目标的跟踪方法进行了研究,选取匀速运动模型分别组合"当前"统计模型和Singer模型的两种交互多模型跟踪滤波算法来处理三维空间机动目标测量数据并进行仿真分析,仿真结果表明,IMM算法的滤波结果优于单模型滤波,验证了算法对机动目标的跟踪有效性。     

基于卡尔曼滤波与粒子滤波的SLAM研究综述

同时定位与地图构建（SLAM）问题在移动机器人研究领域受到了广泛关注,其是机器人能否实现完全自主运动功能的关键。首先阐述了SLAM系统相关模型,并介绍了经典卡尔曼滤波相关知识;其次介绍基于扩展卡尔曼滤波、无迹卡尔曼滤波与粒子滤波的SLAM算法如何解决现实世界的非线性、非高斯问题,并总结了各算法优缺点;最后,展望了基于卡尔曼滤波的SLAM算法发展趋势。     

基于KPKM算法的动目标检测与跟踪

针对均值偏移算法在跟踪目标发生形变和遮挡时丢失问题,提出了一种自适应目标检测、核函数带宽可变、Kalman滤波预测和重心轨迹跟踪的改进均值偏移算法（KPKM）。该算法利用目标检测中得到的外接矩形和重心作为均值偏移算法的初值,用改进的Kalman滤波器预测目标运动趋势,使本算法能沿着梯度方向快速收敛到目标中心。实验和仿真结果表明,该方法实现了在复杂场景下,对运动目标的精确检测和准确跟踪。     

非线性、非高斯系统滤波的最优估算

为了探寻非线性、非高斯系统滤波的最优算法,运用Python搭建Monte Carlo仿真实验模型,观察了扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、重要性重采样算法(SIR)和辅助粒子滤波(APF)的状态估计曲线,对比了仿真结果的RMSE平均值,对各种滤波算法进行性能评估.实验结果表明,EKF对于强非线性系统会出现滤波发散现象,APF比UKF和SIR有更好的跟踪准确性.     

基于内点法的不敏卡尔曼滤波算法

针对非线性不等式状态约束滤波问题,提出一种基于内点法的不敏卡尔曼滤波算法。该算法在不敏卡尔曼滤波的基础上结合了优化算法的思想,采用内点优化法求解非线性不等式约束条件下的最优解。在算法实现过程中,引入障碍项,用无约束障碍函数近似化受约束目标函数,采用一个相当小的正数即障碍因子,通过序列极小化方法逐渐减小该障碍因子,经过迭代快速搜索出非线性不等式状态约束问题的近似最优解。对具有约束的航路跟踪系统进行实验仿真,实验结果表明新算法在处理非线性不等式状态约束滤波问题时,能够有效地提高状态估计精度,获得较高的滤波精度,且时间复杂度较低。     

基于Meanshift采样的辅助变量粒子滤波跟踪算法

针对视频图像运动目标跟踪时的时延问题和目标被遮挡时易丢失的问题,提出了一种基于Meanshift采样的辅助变量粒子滤波跟踪算法。采用AVPF算法作为跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,最后估计目标状态。仿真结果显示,本文算法能够有效处理跟踪过程中目标部分被遮挡的问题,具有较好的鲁棒性和较好的实时性。     

基于路标的轮式机器人定位

基于路标的轮式机器人定位是机器人导航系统研究的热点问题,本文阐述了扩展卡尔曼滤波定位算法,该算法将机器人的内部传感器里程计和外部传感器激光传感器所提供的数据融合后对机器人的位姿修正,进行准确定位。对该算法编写的仿真程序实验结果表明,该定位系统具有较高的精度,有效地保证了机器人的正确航向。     

智能视频监控系统中的目标跟踪方法研究

针对单一的传统目标跟踪算法计算量大、跟踪易丢失等问题,采用均值漂移算法嵌入到粒子滤波的跟踪框架中,遇到遮挡时,算法切换到粒子滤波进行跟踪,并采用重采样方法来抑制粒子退化现象;而在无遮挡时,采用均值漂移算法来提高跟踪的实时性和鲁棒性。实验结果表明,该算法可以增强算法目标在遮挡情况下的实时性和鲁棒性。     

基于Kalman和Surf的Camshift目标跟踪研究

传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。     

基于UKF算法的电池荷电状态SOC估算研究

新能源汽车锂电池荷电状态是反映电池及电源系统的重要参数,为达到实时估算SOC目的,基于无迹卡尔曼滤波算法提出SOC估算解决方案。在MATLAB/Simulink环境中建立一阶Thevenin等效电路模型和无迹卡尔曼滤波算法,通过建立混合功率脉冲特性实验,辨析出不同SOC和温度对电池模型的影响参数,将辨析出来的参数代入到UKF算法中进行仿真实验。实验结果表明,该荷电状态估算具有较高的精准度。     

一种针对人体运动目标的Mean-Shift跟踪算法

针对传统的Mean-Shift目标跟踪算法在跟踪人体运动目标时的不足,提出了一种基于Mean-Shift目标跟踪算法的人体目标跟踪方法。该方法首先利用人眼视觉阈值效应和区域生长法检测目标,再用Mean-Shift跟踪算法对目标进行跟踪。实验表明该方法大幅提高了人体运动目标的跟踪精度。     

基于 CMT 的红外可见融合跟踪算法

现有大部分融合跟踪算法都使用分类器型跟踪算法,这种算法在目标尺度发生变化时会存在一定误差。虽然已有一些解决方案,但仍不能从根本上解决该问题,而且一般无法估算目标的旋转状态。为此,基于CMT 算法提出一种新的基于点的多传感器融合跟踪算法。在获取目标状态上综合了多传感器信息,并对目标中心使用卡尔曼滤波进行修正,能够跟踪目标并获得目标的尺度及旋转信息。实验结果表明,该算法在常见分辨率下跟踪非旋转目标,重叠率与现有算法相当,在分辨率较高的情况下,在实时性上具有优势。     

空间目标的数据处理研究

随着人造卫星的日益智能化,精确跟踪卫星的坐标和速度也越来越重要。然而,目前对空间目标的跟踪滤波研究主要集中在航天、天体测量等领域,在雷达数据处理领域则鲜有研究。本文针对雷达数据处理的特点,采用协议地球坐标系下的卫星运动模型分析比较了最小二乘法、扩展卡尔曼滤波法和不敏卡尔曼滤波法的性能。研究结果发现扩展卡尔曼滤波的费效比最好,适合用于空间目标的跟踪滤波。     

基于卡尔曼滤波算法的智能铅鱼测深系统研究

为了改善目前水文缆道测量中依靠压力传感器测量入水深度在复杂水文环境下精度不高等缺点,采用基于AR误差模型的卡尔曼滤波、卡尔曼数据融合等方法优化姿态传感器采集到的姿态角数据;采用卡尔曼滤波、涌浪滤波以及伯努利方程减小测深用压力传感器测量时产生的误差。实验结果表明,采用卡尔曼滤波算法和涌浪滤波算法能够有效减少水深压力传感器产生的系统误差,同时提高测深系统的整体精度。