基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

基于SINS/GPS的高速列车组合导航系统

为提高高速列车的导航精度,提出了一种基于SINS/GPS的组合导航系统.分析了SINS和GPS的误差源,设计了SINS/GPS高速列车组合导航算法.仿真结果表明,所提出的SINS/GPS高速列车组合导航系统精度高,可靠性好,克服了惯性导航系统误差随时间增大的缺陷.     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

基于联合卡尔曼滤波器的交通信息融合算法研究

基于现有的研究方法,提出了一种基于联合卡尔曼滤波器的交通信息融合算法。首先利用浮动车的覆盖率和浮动车的历史平均行程时间来修正浮动车的平均行程时间估计值,用于浮动车覆盖率不满足最小覆盖率时的路段平均行程时间估计;利用路段上浮动车的覆盖率来确定联合卡尔曼滤波器的融合系数;利用联合卡尔曼滤波器对固定型检测器的平均行程时间估计和浮动车的平均行程时间估计进行信息融合,得到路段的平均行程时间估计。该融合方法计算量小,融合时间快,有利于实际应用。试验结果表明,该方法提高了区间平均行程时间估计的精度。     

简易瞬态工况法排放测试中车速信号的卡尔曼滤波研究

针对采用简易瞬态工况法(VMAS)进行排放测试时,速度信号受干扰导致加速度计算误差大的问题,提出了用卡尔曼滤波进行降噪处理的方法.用仿真算例分析了该滤波方法的滤波效果,并与传统的FIR滤波法的滤波效果进行了比较,证明了卡尔曼滤波法的有效性.同时还建立了VMAS测试中速度滤波的状态空间模型.基于这一模型,用卡尔曼滤波方法进行了等速和加速工况的实测信号验证,结果表明方法正确有效.     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

改进联合滤波在GPS/DR组合定位中的应用

根据低成本车辆GPS/DR组合定位系统传感器精度低和计算能力弱的特点,提出一种改进联合卡尔曼滤波(FKF)算法,并简化主滤波器信息融合算法,稍微降低融合精度,提高计算效率。试验结果表明,提出的改进联合滤波算法具有融合精度高、容错性好、计算量小、便于工程实现等优点。     

基于卡尔曼滤波理论的交通信息预测模型及其应用

为了改善交通预测值的精度，采用改进的卡尔曼滤波法进行交通信息预测，提出了其噪声协方差μ的计算方法。改进的预测法能利用实测的交通参数对未来的预测值不断进行修正，适用于交通状况的实时分析。     

基于卡尔曼滤波的Galileo动态定位

采用一种Galileo动态定位滤波的方法，该方法从Galileo接收机输出的定位结果入手，将各种误差因素的影响等效为一个总误差，对Galileo接收机的机动载体加速度采用当前统计模型，利用线性卡尔曼滤波器进行动态定位数据的处理，并将带次优渐消因子的卡尔曼滤波算法应用到Galilex，动态定位中。本模型简单，实时性好，滤波后定位精度得到提高。