1 南京航空航天大学自动化学院, 南京 210000
2 中国人民解放军95791部队,甘肃 酒泉 735000
提出一种基于传感器网络的分布式状态估计算法, 用于具有随机传输时延的网络化系统。为了节省通信带宽, 引入了自适应概率量化机制。考虑随机传输时延的存在, 利用缓存器中的数据设计了改进的无迹卡尔曼滤波(UKF)算法进行时延补偿。在局部估计完成后, 利用快速协方差交叉方法进行融合估计, 以获取更加精确的状态估计。此外, 还分析了融合估计误差的有界性。最后通过数值模拟算例验证了所提算法的有效性。
传感器网络 分布式状态估计 概率量化 时延 无迹卡尔曼滤波 sensor network distributed state estimation probability quantization time delay UKF
1 江苏科技大学电子信息学院, 江苏 镇江 212000
2 中科探海(苏州)海洋科技有限责任公司, 江苏 苏州 215000
针对回收对接过程中, 自主式水下机器人(AUV)的组合导航系统由于子传感器量测信息发生阶跃性突变而导致导航系统滤波发散的问题, 以分布式联邦滤波结构为基础, 提出了一种基于无迹卡尔曼滤波(UKF)的自适应容错异步融合算法。该算法以传感器的采样率为依据, 建立分布式组合导航多尺度系统模型, 在辅助信息突变时利用自适应渐消因子优化UKF动态调整增益矩阵、削弱故障信息对滤波精度的影响, 使得多源导航系统更加稳定、容错性更高。仿真实验表明, 提出的自适应容错UKF异步融合算法能更好地抑制滤波发散, 提升导航系统的精度与可靠性, 有效提高AUV的导航系统在回收对接过程中的稳定性与容错性。
自主水下机器人 回收对接 联邦滤波 异步融合 容错滤波 组合导航 AUV recovery and docking federated filtering asynchronous fusion fault-tolerant filtering UKF UKF integrated navigation
1 上海工程技术大学, 上海 201000
2 清华大学, 北京 100000
无人机在航姿模式下飞行时, 姿态角误差波动较大, 根据磁力计、加速度计和陀螺仪的互补性特点, 提出一种自适应无迹卡尔曼滤波(AUKF)算法对MEMS传感器数据进行优化求解: 以姿态四元数和陀螺漂移为状态量, 加速度计和磁力计测量值为观测量, 采用梯度下降法优化无迹卡尔曼滤波的关键参数, 即过程噪声协方差, 以提高四旋翼无人机姿态解算精度。对实际飞行数据的分析表明: 分别与常规卡尔曼滤波和传统无迹卡尔曼滤波算法相比, 该方法精度最高, 可确保小型无人机在各种情况下飞行的稳定性。
无人机 无迹卡尔曼滤波 姿态估计 数据融合 UAV Unscented Kalman Filter (UKF) attitude estimation data fusion
1 兰州交通大学自动控制研究所，甘肃兰州730070
2 兰州交通大学 甘肃省高原交通信息工程及控制重点实验室，甘肃兰州730070
3 兰州交通大学 交通运输学院，甘肃兰州70070
针对车载卫星与惯性器件的组合导航系统不确定性对导航精度影响较大的问题，依据滤波新息估计量的统计特性与模糊度隶属度函数的控制特性，设计滤波方法实现对组合导航误差的抑制。考虑系统先验知识难以准确获取，首先采用新息自适应估计（Innovation Adaptive Estimation，IAE）方法对当前量测噪声方差进行在线调整；其次根据新息确定量化参数，引入平滑加权残差平方思想（Smoothed Weighted Residual Squared，SWRS）给出表示系统不确定度的权值函数，结合定义的系统不确定度构建模糊隶属度函数；最后将两种改进方法嵌入到无迹卡尔曼滤波（Unscented Kalman Filter，UKF）框架中，对系统噪声方差予以自适应调整，形成适用于处理低成本组合导航系统的模糊IAE-UKF滤波器。设计车载组合导航测试，取不同算法下的组合位置、组合速度进行精度比较。结果表明本文组合导航算法的位置精度及速度精度均得到明显改善，实现了对组合导航误差的抑制，是一种可有效克服系统模型难以准确建立问题的滤波器。
系统不确定度 新息 模糊IAE-UKF滤波器 组合导航 系统模型 system uncertainty innovation fuzzy IAE-UKF filter integrated navigation system model
海军大连舰艇学院信息系统系, 辽宁 大连 116018
为了提高对具有蛇形机动能力的反舰导弹目标轨迹的准确跟踪能力, 提出了结合CT转弯机动模型与非线性滤波的目标跟踪方法。首先利用CT模型成功地模拟了蛇形机动的轨迹, 然后比较分析了EKF算法与UKF算法对蛇形机动目标的跟踪效果。尽管UKF算法在精度方面优于EKF算法, 但是其运算时间较EKF算法明显增加。为实现UKF算法对目标跟踪的实时性, 采用比例最小偏度采样减少采样点数量, 通过比例修正方法对采样点的分布进行优化, 并结合实际状态方程和测量方程直接进行线性运算。仿真实验表明, 改进后的UKF算法对蛇形机动目标的跟踪效果与UKF算法相当、明显优于EKF算法, 且运算时间较改进前缩短了50%以上。
目标跟踪 CT模型 蛇形机动 改进UKF算法 Sigma点 target tracking CT models S maneuver improved UKF Sigma points
1 大连大学辽宁省北斗高精度位置服务技术工程实验室, 辽宁 大连 116622
2 大连大学大连市环境感知与智能控制重点实验室, 辽宁 大连 116622
3 中原工学院机电学院, 郑州 450007
针对SLAM在复杂环境下对噪声干扰鲁棒性差以及运动轨迹预测误差问题, 在UKF中引入自适应估计理论与鲁棒H∞控制准则, 提出一种鲁棒自适应UKF-SLAM算法。该算法利用自适应估计理论, 构建抗差因子和自适应因子, 自适应估计测量和状态噪声等价协方差阵, 实现粗差分离和噪声方差自适应补偿; 利用鲁棒H∞控制准则对系统状态均值和协方差进行迭代更新, 提高噪声干扰鲁棒性、降低预测误差。仿真结果表明:该算法能保证移动机器人在不同噪声环境下具有良好的鲁棒性与定位精度。
移动机器人 无迹卡尔曼滤波 自适应估计 抗差估计 mobile robot SLAM SLAM UKF adaptive estimation robust estimation
中国工程物理研究院电子工程研究所, 四川绵阳 621999
针对强非线性和时变噪声统计特性不明的高动态运动环境下全球卫星导航系统/惯导系统(GNSS/INS)深组合导航系统滤波精确度较差甚至发散的问题, 提出一种自适应混合无迹卡尔曼滤波(UKF)算法。该算法以 UKF算法为基础, 采用混合滤波思想对 UKF滤波算法进行简化; 并根据高动态下系统量测噪声时变, 且易快变、突变的特点, 设计了一种基于渐消记忆指数加权的自适应量测噪声估计器, 实时估计和修正噪声统计量并自适应调节估计周期。仿真结果表明, 在量测噪声变化的情况下, 相比于常规 UKF算法, 本文算法各向定位测速精确度均有所提升, 水平方向精确度提升 60%以上, 效果明显; 此外, 算法耗时减少 18.64%, 说明本文算法能够在提升滤波精确度的同时减少部分计算量。
GNSS/INS深组合 无迹卡尔曼滤波算法 量测噪声变化 噪声估计 deep integrated GNSS/INS Unscented Kalman Filter(UKF) measurement noise variation noise estimation 太赫兹科学与电子信息学报
2019, 17(2): 221
1 江西经济管理干部学院, 南昌 330088
2 西安卫星测控中心,西安 710043
研究了双星协同探测对多目标的跟踪问题。首先, 在双星协同探测可观测性分析的基础上建立基于重力转弯模型的主动段状态方程和观测方程;接着, 提出基于二元多项式思想的Symmetry Measurement Equation(BPGM-SME)算法解决多目标跟踪情形中的航迹交叉跟踪异常问题；在此基础上为提高单目标跟踪精度和收敛速度, 提出基于迭代思想的改进无迹卡尔曼滤波算法。通过仿真表明, 采用BPGM-SME算法对多个目标跟踪都能取得较好的跟踪效果, 在单目标跟踪方面改进无迹卡尔曼滤波算法能够取得比无迹卡尔曼滤波算法更好的收敛性效果和跟踪精度。
动目标跟踪 双星协同探测 改进UKF 跟踪精度 multi-target tracking double-satellite cooperative detection BPGN-SME BPGN-SME improved UKF tracking accuracy
针对传统获取四旋翼无人机关键参数的时域方法存在的对环境适应性不强, 计算量大, 风洞试验成本高、周期长等问题, 提出了基于UKF数据预处理与CIFER组合的辨识算法。首先, 建立了悬停条件下四旋翼无人机的系统模型, 然后对基于四旋翼无人机平台的实测数据进行无迹卡尔曼滤波处理, 再将其应用到频域辨识工具CIFER软件包中, 对于模型中不易确定的关键参数进行辨识。结果表明, 经过数据预处理的数据辨识得到的结果在低频阶段跟踪性能好, 曲线吻合程度较好, 关键参数可信度高。
四旋翼无人机 系统辨识 CIFER辨识算法 无迹卡尔曼滤波 quad-rotor UAV system identification CIFER algorithm UKF
