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.     

一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法

针对海洋背景噪声和水声传感器测量噪声大、信噪比低所导致的水下SLAM方法数据关联复杂、精度低的问题,提出一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法,该方法基于PHD滤波避免了复杂的数据关联,且在非线性函数高斯权重更新过程中引入平方根无迹变换,并进一步结合衰减记忆滤波,解决了由于模型误差和计算误差造成的协方差矩阵非正定和不对称性所导致的滤波发散问题,提高水下SLAM方法的精度.仿真实验将所提方法与RB-PHD-SLAM和UKF-PHD-SLAM方法进行对比分析,结果表明所提方法在对自身定位及地图特征估计精度上均有了明显的提高.     

基于UKF的数字轨道地图的三维线路生成方法

针对基于卫星导航系统的列车定位对数字轨道地图的实际需求, 提出了一种基于无迹卡尔曼滤波的线路估计方法, 生成线路的三维数字轨道地图; 对于铁路线路的3种平面线形(直线、缓和曲线和圆曲线), 采用以里程为参数的菲涅尔(Fresnel)积分模型统一建模; 对于纵断面的直线和曲线, 采用二次曲线模型建模; 用无迹卡尔曼滤波对模型的状态(里程、三维坐标)和参数(方位角、曲率、曲率变化率、坡度、坡度变化率)进行联合估计; 将归一化新息平方和估计距离误差作为线路分段的判断条件, 最终用分段点和几何参数完成三维线路的生成; 采用仿真的平面线路数据对比了离散点法、三次多项式法和本文Fresnel法, 利用青藏线14.7 km的实测数据进一步对Fresnel法进行了验证。仿真结果表明: 在相同的误差要求下, 3种方法的平面距离误差均值都在0.024 m以内, 但Fresnel法采用了最少的分段点, 数据约简率高达99.76%; Fresnel法的最大累积里程误差最小, 由0.964 m降低为0.060 m, 减少了93.77%;Fresnel法比三次多项式法的方位角和曲率估计精度都高, 更加接近真值; 实际数据测试结果表明Fresnel法分别采用22个和20个分段点及参数即可完成线路的平面曲线和纵断面曲线生成, 平面和纵断面曲线距离误差均值都在0.03 m以内, 累积里程误差最大只有0.078 m, 位置精度和几何精度都较高。      

纯距离条件下的UKF目标参数估计方法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标.无迹变换卡尔曼滤波器（Unscented Kalman Filter,UKF）通过产生采样sigma点对系统状态进行逼近,可以较好地解决这一问题.将UKF应用到多站测角被动目标跟踪问题中,并通过仿真试验证实了算法的有效性.     

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。     

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。     

基于检测无迹信息融合算法的多传感融合方法

针对单一传感器对目标车辆识别准确率低的问题,提出一种基于毫米波雷达和摄像头信息融合的目标跟踪方法,同时,基于扩展信息融合(EIF)和无迹信息融合(UIF)原理建立了检测无迹信息融合(CUIF)算法,对多传感器信息进行融合。CUIF算法采用分布式融合结构,将来自不同传感器的轨迹相互关联并融合以获得目标轨迹,并利用分布式检测系统对获取的传感器延迟信息进行实时系统状态补偿,从而解决了单传感器信号延迟、丢包等问题。通过CarSim与Simulink联合搭建仿真和试验平台对所研究的融合模型进行算法验证。试验结果表明,CUIF算法的目标丢失率比EIF和UIF减少了10%以上,它将时间延迟缩短至5 ms,满足系统对实时性的要求。     

基于多传感器数据融合算法的轴荷称重

为了提升轴荷动态称重系统在载荷任意位置加载时的称重精度，提出了基于多传感器的卡尔曼数据融合算法。通过分析均载与偏载下纯位移称重算法输出的称重数据，建立位移与车厢姿态角度关系的车厢数学模型；利用该模型建立位移与角度的卡尔曼数据融合算法；通过实车数据采集验证该算法的有效性。多传感器数据融合算法与单一位移称重算法相比，平均称重准确率提高了2.78%。     

CAUKF算法在船载导航目标跟踪中的应用

为定量分析内河船舶导航系统的跟踪性能,建立基于GPS/DR组合信息的船载导航系统非线性模型,以该模型作为系统模型,采用附有航向约束参考条件的自适应无迹变换卡尔曼滤波算法,推导得出非线性导航滤波器的滤波方程。按照船载目标的实际非线性模型进行演化时,采用此算法能够较好地实现非线性函数后验信息与估计误差的拟合。仿真结果表明,此算法比以往扩展卡尔曼滤波类算法在减少运算量和提高跟踪效果方面改善明显,具有良好的实用性。     

利用多模型法的铁道车辆状态诊断

本文介绍利用多模型法中的IMM法检测铁道车辆悬挂系统故障的方法,开发了利用模型更新的IMM法推测车辆悬挂系统故障的算法,应用多车身动力学SIMPACK进行了车体、转向架间横向振动减振器的故障检测模拟,论证了检测精度的大幅提高。