基于粒子滤波的水下目标被动跟踪算法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪中的非线性问题,克服了常规的线性化方法易发散且跟踪精度低、误差大的缺点.仿真结果表明:粒子滤波算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法,收到了良好的效果,具有较高的实用价值.     

基于UT变换改进多模型滤波的水下航行器导航方法

为了提高水下航行器组合导航系统的精度,针对滤波算法存在较大的截断误差和累积误差等问题,提出了一种基于无迹变换改进多模型滤波算法,并利用辅助信息对估计结果进行修正。首先通过无迹变换产生Sigma点对非线性测量方程进行近似,构造伪观测量进行偏差估计,然后利用基于加权因子的辅助信息融合算法,消除累积误差,进一步提高系统估计精度,最后给出算法的实现过程。仿真结果表明:与常规的多模型滤波算法相比,本文方法提高了估计精度。     

混合新生地图信息的随机有限集同步定位与地图创建方法

在密集杂波和地图特征数目多的水下环境中,针对水下机器人同步定位与地图创建(SLAM)方法存在地图特征点位置和数目以及机器人自身位置估计精度较低的问题,提出一种改进的随机有限集SLAM方法,即混合新生地图信息的随机有限集SLAM方法,该方法在概率假设密度滤波(PHD)的预测阶段,将上一时刻之前已探测到的地图信息中靠近机器人位置的地图特征加入到观测信息中,作为预测阶段的新生地图信息集合,通过增加先验信息以提高地图特征位置和数目估计精度,改善预测阶段先验信息不足的问题.仿真实验将所提方法与传统RB-PHD-SLAM方法进行比较,当机器人回到已探测过的区域时,所提方法明显改善了地图特征位置和数目的估计精度.     

改进UKF算法在双基阵纯方位目标跟踪中的应用

传统算法在解决纯方位目标跟踪时存在有偏、收敛速度慢或发散等不足,无迹卡尔曼滤波（UKF）虽然改善了系统线性化误差,但并没有明显改善卡尔曼滤波器容易发散的问题。文章在扩展卡尔曼滤波和UKF算法的基础上,提出一种衰减记忆UKF算法（MAUKF）,引进衰减因子加强对当前测量数据的利用,减小历史数据对滤波的影响。理论分析和仿真结果表明,MAUKF算法在纯方位目标跟踪中的滤波精度、稳定性和收敛时间都优于EKF、UKF算法。     

改进的中心差分卡尔曼滤波水下被动目标跟踪

中心差分卡尔曼滤波是目标跟踪领域中常用的非线性滤波方法之一,但在单站的纯方位目标跟踪中,有时受观测站的运动轨迹、观测噪声等影响,中心差分卡尔曼滤波会出现滤波不稳定甚至发散的情况。针对这一问题,本文提出一种基于奇异值分解平方根的中心差分卡尔曼滤波改进方法。通过采用QR分解和奇异值分解2种不同的方式计算协方差的平方根,代替协方差矩阵参与运算,增强算法的稳定性。通过3种不同情形下的仿真结果均表明,所提方法与常规的中心差分卡尔曼滤波和经典的平方根无迹卡尔曼滤波方法相比,具有最低的均方根误差。     

纯方位水下被动目标跟踪与卡尔曼滤波

针对水下被动目标跟踪的特点，本文对基于扩展卡尔曼滤波，修正增益扩展卡尔曼滤波，协方差平方根滤波，变系数衰减记忆滤波等纯方位水下被动目标跟踪算法进行了系统的仿真实验，比较和分析了仿真结果，研究了一些滤波器的参数选择，指出了修正极坐标系的优越性，为水下被动目标跟踪的实现提出了参考。     

基于UKF的水下目标纯方位跟踪算法

将基于无迹变换的UKF方法运用到水下目标运动分析中,给出了具体步骤,讨论了其目标运动分析问题.利用测得的纯方位序列,建立了状态方程和观测方程.通过蒙特卡洛模拟仿真,结果表明,在处理非线性问题中,UKF方法在滤波精度上有较明显的提高;在实际应用中,该方法计算量小、实现简单,有较强的实用性.     

基于自适应KF算法的模态切换水下机器人导航系统

针对新型水下检测以及作业机器人在导航精度、体积方面的要求,设计了一套基于微机电器件的组合导航系统.系统为抑制陀螺漂移而采用了互补滤波方法,以四元数为估计对象设计卡尔曼滤波器.文中采用改进的自适应卡尔曼滤波器,增大新近数据的作用,减小陈旧数据的作用,避免滤波发散,提高导航精度.通过水池实验表明互补滤波和自适应卡尔曼滤波结合能够获得比较精确、稳定的水下机器人导航信息.同时,基于实测数据进行的算法仿真表明改进后的渐消记忆指数加权自适应卡尔曼滤波可以在一定程度上改善导航效果.     

自适应卡尔曼滤波技术在水下机器人运动控制中的应用

水下机器人的位置和速度传感器受环境影响较大，数据滤波问题是运动控制的核心问题之一。建立了水下机器人运动的状态方程和量测方程，并在此基础上采用自适应卡尔曼滤波方法对水下机器人的传感器数据进行了滤波分析，并引入渐消记忆指数加权方法，避免了系统误差和量测误差统计特性的不准确对系统滤波效果的影响。结果表明此方法能达到很好的滤波效果。     

基于粒子群优化卡尔曼滤波的水下机器人信号处理

在卡尔曼滤波的基础上,引入粒子群优化算法,对卡尔曼滤波方法进行改进,提出基于粒子群优化的卡尔曼滤波器模型,从而提高水下机器人测量数据的精度,降低系统噪声和量测噪声所带来的误差。水池仿真试验结果表明改进的滤波方法有效、实用。     

水下航行器导航系统的模糊自适应多模型滤波方法

为了提高水下航行器组合导航系统的精度,针对系统模型和量测噪声随实际工作环境的不同而变化的特点,提出了一种基于模糊自适应改进多模型滤波的算法。首先依据多模滤波的思想,对系统进行离散化建模;然后基于协方差匹配技术,利用滤波信息的统计方差和计算方差的偏差作为模糊系统输入,设计模糊推理系统调节量测噪声方差,最后给出算法的实现过程。仿真结果表明,所提方法可增强估计算法的抗干扰能力,提高了估计精度。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法.该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态.Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定.     

水下航行器水下障碍规避性能分析与仿真

水下航行器的障碍躲避是提高水下航行器生存能力的关键技术,针对信息融合跟踪算法避障容易误差偏差和局部收敛的问题,提出一种基于Kalman滤波量化融合规避的水下航行器水下避障算法。构建水下航行器的运动系统方程,采用方位信息的量化融合方法进行自适应路径规划,结合Kalman滤波进行障碍信息的干扰抑制,采用强跟踪滤波实现障碍参量信息量化融合规避,实现水下航行器水下障碍躲避。仿真结果表明,采用该方法进行水下航行器避障,能有效规避障碍目标,提高对障碍物的方位估计精度,有效规避的准确概率达到最优。     

模糊自适应卡尔曼滤波在惯性/地磁导航中的应用

为了提高自主、无源组合导航系统的精度和可靠性,针对惯性/地磁组合导航系统中滤波发散、量测噪声统计特征随实际情况不同而变化的问题,本文在无迹卡尔曼滤波的基础上,通过监测滤波新息的方差和均值变化,采用模糊自适应滤波算法,"在线"调整模型中的噪声方差阵,来改变滤波器的估计均方误差和滤波增益.通过自适应调整Sigma采样中权值的比例因子α,来解决UT变换的非局部效应,达到提高组合导航的精度的作用.仿真结果表明,模糊自适应卡尔曼滤波器可以有效的提高惯性/地磁组合导航系统,克服了传统滤波算法的缺点和不足,提高了滤波精度.     

自主式水下航行器水下回收融合引导技术方案及算法

[目的]为解决母艇携载的自主式水下航行器(AUV)在水下自主回收和对接的问题,基于惯导(INS)、声学超短基线定位(USBL)、光学等信号引导的多源数据融合,提出一种面向移动平台的AUV水下回收对接引导方法.[方法]为此,设计融合多传感器信息的扩展联邦卡尔曼滤波器,采用分散滤波并再经信息融合方法以提高滤波精度.分别以I...     

基于动态时间规整算法的复杂供输机构非平衡监测数据扩增方法

针对复杂供输机构非平衡监测数据导致性能退化数据不足的问题,提出一种基于时间序列数据扩增的供输机构性能退化程度评估方法.在滤波算法处理实测数据基础上,利用动态时间规整算法(DTW)扩增性能退化阶段运动加速度参数,并将扩增数据与理论计算值作比较.实装试验结果表明:本文所提方法能够有效解决供输机构监测数据不平衡的问题.     

基于前视声呐图像的AUV目标识别与跟踪

声呐图像由于水体不均匀、边界不规则以及声呐设备本身性能的限制,导致图像噪声明显、亮度不均、分辨率低,使得水下AUV装备在使用前视声呐进行水下目标检测时难度较大。针对该问题,基于m750d声呐探测获得的AUV声呐数据,进行了数据提取、高斯滤波处理、扇形映射处理,并采用Jet映射对声呐灰度图像进行了伪彩色映射提高数据标注速度和精度,制作获得了4组2 500张声呐图像的AUV目标检测数据集;采用YOLOv4-tiny目标检测算法开展AUV目标检测研究,研究结果表明该方法在该数据集上表现优秀,mAP@0.50达到94.17%,FPS在22帧左右,说明该轻量级网络在水下AUV目标识别与跟踪应用上具有较好的应用价值。     

一种基于INS/GPS/CNS的全信息导航滤波算法

为解决INS/GPS两组合导航系统因观测信息不完整造成的姿态误差发散、系统稳定性较弱的问题,本文利用CNS搭建了基于INS/GPS/CNS的全观测信息导航系统。通过建立以位置误差、速度误差及平台失准角误差为观测量的系统数学模型,提出一种基于INS/GPS/CNS的全信息导航滤波算法,提高了系统的导航精度,改善了系统的稳定性。试验结果表明,本文所提算法相较于传统两组合滤波算法,各导航参数的精度在不同程度上得到改善,长航时条件下姿态误差收敛、稳定性较高。     

海面浮动光电平台对空无源定位与跟踪

提出利用海面浮动光电平台在波浪作用下的机动实现对空中目标定位与跟踪的方法。建立基于角度与角速度实现无源定位的数学模型,采用无迹卡尔曼滤波进行噪声干扰下的跟踪滤波,通过仿真分析了滤波算法在目标固定不动和目标匀速运动2种情况下的有效性。结果表明,对于含有零均值高斯噪声的角度和角速度测量数据,利用无迹卡尔曼滤波可以进行距离估算,并具有一定的精度和稳定性。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法。该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态。Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定。