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。     

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.     

采用ARUKF算法的电力系统动态状态估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行电力系统状态估计时容易受到系统噪声和量测粗差影响的缺点,提出了一种新的自适应抗差无迹卡尔曼滤波(adaptive robust unscented Kalman filter,ARUKF)算法来改善估计过程中系统的稳定性。通过添加Sage-Husa噪声滤波器和抗差估计器,提高了未知噪声情况下系统的适应性及量测粗差情况下系统的滤波处理性能。实验结果表明,所提出的ARUKF方法与传统的UKF方法相比,在收敛速度基本不变的情况下,解决了滤波过程中系统噪声未知导致的估计精度下降问题,在系统存在粗差时具有更好的鲁棒性。     

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。     

基于自适应无迹卡尔曼滤波算法的月壤参数估计

在月球低重力环境下,载人月球车的行驶稳定性会受到月壤参数影响和发生参数无法直接获取的问题,对此提出一种月壤参数估计算法。建立月球车行驶过程中轮壤模型并进行简化,设计基于自适应无迹卡尔曼滤波的估计器,通过车轮力实现月壤参数在线估计。在Adams/Simulink中搭建月球车动力学模型及估计算法模型,并进行联合仿真。仿真结果表明,设计的估计器能够较为准确地估计月壤参数。     

基于卡尔曼滤波的轴向加速度动态标定方法

本文针对弹载加速度传感器量测误差较大的问题,提出应用卡尔曼滤波对弹丸轴向加速度传感器输出模型中的参数C进行估计。采用改进的质点弹道模型,建立卡尔曼滤波系统状态模型和以加速度传感器输出作为滤波过称中的量测值,推导并分析了相应的滤波公式,对轴向加速度实行了弹上动态标定。仿真结果表明,标定误差很小,其标定的比例系数C为一常数,和理论分析一致。     

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。     

非线性系统卡尔曼滤波新方法

为了在非线性、非高斯系统估计中获得更好的精度,提出一种新的unscented卡尔曼滤波(UKF).采用确定性采样方法,通过选择unscented变换中的参数α＝0.85,β＝2和l＝0,确定出2n 1个σ点,使这些σ点完全符合非线性系统Yi＝F(Xi)的高斯随机变量的均值和方差.仿真结果表明:σ点通过实际的非线性系统Yi＝F(Xi)传递后,其后验均值和协方差可以达到泰勒展开式的三阶精度,广义卡尔曼滤波(EKF)只能达到一阶精度.该UKF滤波与EKF算法复杂度相近,但具有比EKF更好的估计精度.     

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。     

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.     

卡尔曼滤波在多组分同时测定中的应用

卡尔曼滤波方法原理清晰，易实现计算机自动化，自行编制的卡尔曼滤波法计算机程序，计算速度快、精度高，其结果与文献值非常接近，实现了多组分的同时测定。     

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.     

分数阶离散卡尔曼滤波

分数阶微积分在控制系统的应用日益广泛,随着分数阶动态模型的引入,需要求解分数阶估计问题的方法。文章从分数阶线性动态系统模型出发,以概率论为基础,导出分数阶的卡尔曼滤波器,得到其递推模型。     

基于卡尔曼滤波的运动车辆序列图像参数估计

运动目标的参数估计是近代计算机视觉领域重要的研究课题．以运动车辆的序列图像为例来分析．考虑到跟踪运动车辆对实时性要求较高的特性,没有采用经典的最小二乘滤波和维纳滤波等,而采用了卡尔曼滤波方法,由于卡尔曼滤波在时域内进行,因此不需要保存更多的数据,使得跟踪结果实时输出。     

基于卡尔曼滤波的RLC电路状态估计

由电阻（R）、电感（L）、电容（C）所构成的二阶电路在自动控制、滤波等方面具有广泛应用。作者针对二阶或更高阶RLC电路存在求解复杂以及外界干扰影响的问题,建立高阶电路的状态方程和测量方程,采用卡尔曼滤波方法对所建立的状态空间模型进行状态估计,从而了解电流或电压在元件L以及C上的内部运行规律,最后,在不同外加激励作用下,论证了卡尔曼滤波方法对RLC电路状态估计的准确性。     

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.     

用GPS进行山地滑坡监测的卡尔曼滤波模型

用变形后的监测点和基准点上的GPS载波相位观测值组成双差观测值，提出一种滑坡监测的卡尔曼滤波模型。这种模型不仅利用包含在观测中的统计信息，而且利用边坡滑坡的有关力学状态和地质条件所提供的信息。     

智能交通系统中视频背景实时更新技术的改进研究

车辆检测是智能交通系统（ITS）的核心。探讨采用自适应算法对背景进行实时更新的方法,能有效削弱恶劣天气和环境变化在画面上产生的各种噪声。实验表明此方法具有很好的实时性,能满足视频车辆检测的要求。还探讨了一种在堵车的复杂环境下背景的实时更新算法,用前景静止物体表面灰度值的变化量,来估算背景的改变量,从理论上解决停车及车辆缓行条件下的背景更新问题,达到扩展背景差法通用性的问题。     

基于卡尔曼滤波的一级倒立摆LQR控制研究

倒立摆系统的输出不可避免地受到系统噪声和量测噪声的影响,应用卡尔曼滤波对系统输出作最优估计,可以有效地提高系统的鲁棒性。文中给出了卡尔曼滤波应用条件,对单一LQR调节器系统和前置卡尔曼滤波的LQR调节器系统作了仿真对比。并应用前置卡尔曼滤波的LQR调节器成功稳定了一级倒立摆系统。