基于相对观测量的多机器人定位

研究了多机器人队列利用相对观测信息在未知环境中进行同时定位的问题。当队列中某个机器人观测到另外一个或几个机器人时,利用这些信息来同时更新整个队列的位置及协方差矩阵,也即整个队列共享所获得的观测,来得到更精确的位置估计。每个机器人都携带内部及外部传感器,内部传感器感知机器人自身的运动,外部传感器能提供机器人之间的相对观测量,如相对距离和相对方位。利用扩展卡尔曼滤波(EKF)算法融合内部及外部传感器信息,对多机器人队列进行同时定位;并对不同的观测量及机器人个数进行了仿真分析,给出了不同情况下的滤波器结构,研究比较了它们的定位精度。仿真结果表明,利用机器人之间的相对观测信息,可以显著提高定位精度。     

基于SWE的空天资源对地观测协同任务规划服务模型

空天协同对地观测是对地观测领域的新趋势。为解决现有空天资源规划调度系统相对独立、协同困难的问题,分析总结了SWE(Sensor Web Enablement)标准,并在此基础上提出了空天资源对地观测协同任务规划服务模型。在此模型中,为实现观测资源共享,建立了空天观测资源传感器描述模型,能够描述典型空天资源的载荷平台、观测机理、定位信息、使用约束和工作特性等信息;为简化观测请求交互流程,基于SOA技术对SWE标准操作进行封装及简化,用户可以在不了解观测平台细节信息的情况下提交观测数据请求。为验证模型有效性,构建了空天资源对地观测协同任务规划实验平台,结果表明该模型具有较强的可实现性和适应性。     

一种机群相对定位方法

针对机群协同编队导航定位问题,通过分析机群协同编队的特点,建立了编队成员的相对运动模型并引入视觉观测信息,提出了一种基于相对导航的机群联合组网定位方法,理论分析及仿真结果均表明了联合定位结果能达到机群中各成员惯导位置输出的平均水平,有效地减缓了编队系统的定位误差发散速度。     

机器人班组协同定位理论与技术研究

机器人部队具有伤亡小、战时长、代价低等特点,是未来进行战略突袭的主力军。机器人执行战斗任务的条件是已知敌我双方的精准位置。以机器人协同定位为主线,概述近年来机器人系统实现可定位的条件,从信息融合和优化理论两个方面对机器人定位系统进行建模,并分析相应的定位方法。在此基础上,对机器人系统协同定位方法进行探讨,从基于距离和方位两个角度分类说明,指出协同定位存在的主要缺陷,并对未来多机器人可用于协同定位的技术和理论进行展望。对我国智能化机器人部队的建立、车辆分派、路径规划等工作的开展具有理论和工程意义。     

基于EA-FPHT的无源协同定位检测前跟踪方法

针对无源协同定位系统低可观测目标的跟踪耗时及虚假航迹问题,提出一种基于能量积累的快速极坐标霍夫变换无源协同定位检测前跟踪方法。建立了多目标无源协同定位系统的数学模型。提出了快速极坐标多目标无源协同定位跟踪方法。利用目标运动速度先验信息和雷达回波帧序号信息,组合相邻两帧满足目标运动特性的雷达数据,并在第二门限中加入目标能量积累信息构成双门限。仿真分析算法性能,并得出结论:所提方法能够有效解决无源协同定位系统低可观测目标的跟踪耗时及虚假航迹问题。     

多因素空间近距离巡查效能评估建模

空间近距离巡查可以开展对目标的近距离观测和监视,用于识别目标类型和工作状态等,对在轨服务、博弈对抗等军民领域均具有重要意义。分析了空间巡查任务的一般形式,并以近距离巡查最常用的光学观测为对象,构建了巡查观测的约束模型和相对距离因素评估模型、有效观测时间评估模型、目标观测角度评估模型等多因素的观测任务效能评估模型,解决了面向巡查任务全过程的综合效能评估问题,可以更好地支撑基于评估结果的巡查策略设计和巡查轨迹优化等。基于数值算例分析和半实物仿真实验,对提出的评估模型进行了仿真验证,结果显示实际观测效果和模型评估结果一致。     

误差配准在两种纯距离定位算法的应用比较

组网雷达系统中,由于观测信息量的增加,对目标存在多种定位算法。很多情形下,误差配准公式是基于某一定位算法推导而来,误差配准的结果也相应的用来提高此定位算法的定位精度。定位算法的复杂程度不同导致基于此算法推导误差配准公式难度不一致,不同定位算法的定位精度也不尽相同。因此,对两种多距离定位算法的定位精度、误差配准推导难易程度进行了理论分析和仿真计算,给出了定位精度的解析表达式和仿真结果。利用表达式简单的定位算法推导基于最小二乘的误差配准公式,并将误差配准结果反馈给定位精度高的定位算法,以最大程度提高误差配准结果的应用效果,减轻计算复杂度,提高信息的利用度。     

未来海上协同作战技术

未来海上作战,主宰战争胜负的不再是单个舰艇,而是海上编队及编队与其他兵种的协同作战能力.这就需要解决各种不同层次的协同作战问题,包括海战场各作战单元的网络化连接、多源多平台信息融合处理、多平台多传感器目标协同探测和高精度定位、实时高速信息分发、协同作战指挥控制、武器协同分配及协同综合控制等技术,使分布在不同作战平台上的传感器、指挥系统和武器系统协同一致地迅速做出反应,实现信息共享、作战力量一体化、作战行动一体化、探测打击和评估一体化,从而达到作战效能最大化.     

未来海上协同作战技术

未来海上作战，主宰战争胜负的不再是单个舰艇，而是海上编队及编队与其他兵种的协同作战能力。这就需要解决各种不同层次的协同作战问题，包括海战场各作战单元的网络化连接、多源多平台信息融合处理、多平台多传感器目标协同探测和高精度定位、实时高速信息分发、协同作战指挥控制、武器协同分配及协同综合控制等技术，使分布在不同作战平台上的传感器、指挥系统和武器系统协同一致地迅速做出反应，实现信息共享、作战力量一体化、作战行动一体化、探测打击和评估一体化，从而达到作战效能最大化。     

多无人机协同打击任务的攻防博弈策略研究

针对多无人机协同打击的攻防博弈问题,给出了一种新的方法。建立了无人机的能力函数,通过能力函数的雅可比矩阵,给出多无人机协同打击位置的计算方法,进而建立了多无人机协同打击任务的攻防博弈模型,给出了h人有限策略静态博弈模型与纯策略纳什均衡的求解方法,最后进行了仿真验证。仿真结果表明:考虑多无人机协同打击能力的攻防博弈比没考虑的博弈相比,更全面地考虑了影响敌我双方决策的因素,获得了更大的评估收益值和打击效能,且提高了多无人机的协同打击能力。     

运动矢径对AUV协同定位精度影响的仿真

针对在基于运动矢径的自主水下航行器(AUV)协同定位算法中运动矢径对定位精度的影响进行了仿真分析.利用扩展卡尔曼滤波设计了AUV协同定位算法,通过设定不同的运动矢径对该协同定位算法进行仿真,分析研究了运动矢径的变化对定位精度的影响.仿真结果表明,该定位算法受运动矢径的影响,增大运动矢径会使滤波误差波动变大,降低定位精度.     

机动目标跟踪的非线性算法

卡尔曼滤波器对线性高斯滤波问题能提供最优解, 而对目标运动模型、观测方程等要求的非线性就不再适合,提出了一种机动目标自适应非线性粒子滤波算法-" 粒子滤波器"(Particle Filters PF)法, 这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型, 分析比较了粒子滤波(PF)与扩展卡尔曼滤波算法(EKF) 的滤波精度、运算量等方面指标.给出了基于典型非线性模型的算法仿真, 仿真结果表明粒子滤波新方法优于EKF对机动目标跟踪.     

一种新的非线性/非高斯滤波方法

自主滤波方法是一种递归式贝叶斯估计方法 ,该方法采用一组抽样值来近似目标状态的概率密度函数 ,可用于非线性系统模型和观测模型、非高斯观测噪声条件下的滤波。将该算法与扩展卡尔曼滤波方法进行了比较 ,仿真结果表明 ,该算法性能优于扩展卡尔曼滤波方法     

数据同化系统中的集合时间局地化鲁棒滤波方法

针对传统的卡尔曼滤波方法对不确定因素不具备鲁棒性问题,在集合鲁棒滤波的基础上,提出一种从观测角度构建优化数据同化的方法,称之为放大观测协方差矩阵的集合时间局地化鲁棒滤波,并推导了新方法的算法准则和递归公式。利用非线性系统Lorenz-96模型,基于性能水平系数、驱动参数、观测数目和集合数目变化的条件,对新方法和集合卡尔曼滤波方法的鲁棒性和同化精度进行比较。结果表明:集合卡尔曼滤波方法的均方根误差大于时间局地化鲁棒滤波的;在观测数或集合数较少的情况下,集合卡尔曼滤波出现了滤波发散问题,而鲁棒滤波的均方根误差波动较小;相较于传统的集合卡尔曼滤波算法,观测角度构建的时间局地化的H_∞滤波方法对系统参数的变化更具鲁棒性,滤波精度更高。     

基于鲁棒高阶容积滤波的无人机相对导航状态估计方法

由于无人机相对导航系统具有非线性强、噪声非高斯的特点,传统的基于卡尔曼滤波算法设计的相对导航滤波器存在估计失准甚至发散的问题。考虑到高阶容积卡尔曼滤波和最大熵滤波算法分别在解决非线性问题和非高斯问题时的优势,利用最大熵滤波的量测更新方法对高阶容积卡尔曼滤波的测量更新方程进行了改进,将传统的量测更新问题转换成了线性衰退的求解问题,避免了对测量噪声进行高斯假设,同时解决了系统非线性和量测噪声非高斯的问题。进行了相应的数学仿真,仿真结果表明:所提算法的估计精度超过了高阶容积卡尔曼滤波和最大熵滤波算法的,验证了算法的有效性。     

基于改进遗传粒子滤波与SME的多目标跟踪算法

针对基于对称量测方程的多目标跟踪,传统的滤波手段无法解决因对称变换带来的非高斯问题,提出一种新的遗传粒子滤波方法。新的滤波算法利用粒子的噪声含量与权值的负相关,改进了更新过程中权值计算所依赖的概率密度函数,避免了新量测噪声的求解。同时利用遗传算法的优势,保障了粒子的多样性,提高了粒子的使用效率,防止了滤波发散及局部最优。仿真结果表明,基于对称量测方程的多目标跟踪中,改进的遗传粒子滤波算法较扩展卡尔曼滤波算法、不敏卡尔曼滤波算法和联合概率数据关联滤波算法跟踪效果更好。     

新的自适应渐消扩展卡尔曼滤波在GPS定位中的应用

当实际数据出现突变时,基于最小二乘、扩展卡尔曼滤波的GPS定位解算存在定位结果精度低和稳定性差的问题。提出一种自适应渐消扩展卡尔曼滤波算法,通过自适应渐消迭代系统噪声协方差,来实现抑制数据突变影响。试验结果表明:该算法相比最小二乘、扩展卡尔曼滤波,其定位精度有所提高;相比传统渐消扩展卡尔曼滤波,其收敛速度、稳定性有所提高。     

基于迭代卡尔曼粒子滤波的目标跟踪算法研究

粒子滤波在基于图像序列的目标跟踪中获得了广泛应用．针对其计算量较大的问题,提出一种迭代卡尔曼粒子滤波算法,将非线性跟踪问题分解为线性子结构的全局状态空间模型和非线性子结构的局部状态空间模型,利用粒子滤波在卡尔曼滤波估计值的局部范围内搜索目标,逼近真实目标状态．将实验结果与粒子滤波进行比较,结果表明,迭代卡尔曼粒子滤波减少了粒子数,降低了计算量,能够对高机动目标进行实时稳定的跟踪．     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。