扩展卡尔曼滤波的有向传感器网络移动目标跟踪算法

针对传感器网络中跟踪目标需要大量的节点协同工作,还需要实时处理和传输大量数据,提出一种基于扩展卡尔曼滤波的有向传感器网络目标跟踪算法(EK-MTDC),重点研究了传感器网络中的扇区数量对节点间数据传输与目标跟踪精度的影响,根据对目标状态的分析,通过压缩参与监测的节点个数,选择激活网络中节点相交区域内的节点对跟踪目标进行监测。仿真结果表明,该算法能在不降低跟踪效果的前提下,降低网络能耗,延长其使用寿命。     

浮球式惯性平台连续翻滚自标定自对准方法

针对浮球式惯性平台系统的标定与初始对准问题,提出了一种基于姿态角的连续翻滚自标定自对准方法。根据浮球平台工作原理,建立了惯性器件误差模型,推导了浮球平台的姿态动力学方程;设计了平台在重力场连续翻滚的施矩方案;利用分段线性定常系统和输出灵敏度理论分析了系统的可观性。仿真结果表明,该方法可以同时实现平台系统42项误差系数的高精度标定与初始对准,有效地提高了系统的测量精度。     

多机器人最大熵博弈协同定位算法

研究了多机器人观测到同一目标时的协同定位问题。建立了各个机器人相对观测一致程度的数学描述模型,进而提出用基于极大熵准则的最大熵博弈获取使相对观测一致程度最优的协同定位方式。针对博弈结果的多样性,相应地改变观测方程的雅克比矩阵,推导了可适应多机器人各种博弈结果的扩展Kalman滤波协同定位算法。仿真实验表明,方法可实现机器人团队在协同定位时有选择、更高效地共享相互间的观测信息;在保证协同定位精度提高的同时有效地消除了多机器人相对观测信息间的冲突。     

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。     

组网雷达的改进粒子滤波算法

针对现代战争中有源雷达容易受到干扰和反辐射导弹的摧毁,以及无源雷达隐蔽性高,只能测量方位角度,测量精度小等特点,提出利用集中式有源雷达系统与无源雷达系统协同组网对目标进行跟踪。但是在实际环境中,噪声属性以及有源雷达,无源雷达接收信号的特点决定了组网雷达需要应用非线性滤波技术对信号进行处理。传统的非线性技术包括卡尔曼滤波、扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)等方法。非线性近似过程带来的误差相对较大,而且均要求观测噪声和过程噪声为独立或相关的高斯白噪声。而粒子滤波避免了传统非线性滤波方法的缺陷,但是存在粒子退化,于是用EKF和UKF在每一时刻更新粒子,用更新的粒子及其协方差构造重要性函数,然后重采样。仿真实验表明这两种改进粒子滤波方法有很好的效果。     

多传感器定位误差对跟踪性能影响的研究

集中讨论了带有传感器定位误差的多传感器跟踪问题中的滤波方法 ,设计了两个基于一个非线性飞机等效机动模型的扩展卡尔曼滤波器 (EKFs) :最优 EKF(OF)和次优 EKF(SF) ,并应用于带有定位误差的多传感器跟踪问题中。 Monte-Garlo模拟结果表明定位误差对飞机的位置估计影响较大 ,但不影响速度或加速度估计 ;同时说明 OF的性能明显优于 SF。     

基于球坐标系下BLUE滤波的IMM算法

针对机动目标跟踪中常见的量测转换问题,提出了一种基于球坐标系下最优线性无偏估计滤波的交互多模型算法。该算法的核心思想是将最优线性无偏估计滤波作为交互多模型中的基本滤波,完成对机动目标的跟踪。在仿真试验中,将该算法与基于扩展卡尔曼滤波的交互多模型算法进行比较,结果表明该算法有效地抑制了扩展卡尔曼滤波中常见的滤波发散问题,并且提高了跟踪的精度,具有较好的实用性。     

一种固定单站对运动辐射源的无源定位跟踪算法

首先提出了一种测量目标辐射源脉冲到达时间和到达方向实现固定单站对运动辐射源进行无源定位的算法,该算法克服了EKF(扩展卡尔曼滤波)算法的一些缺点。另外给出了两种将该算法和卡尔曼滤波算法结合的改进方法,可以获得更优的定位效果。计算机仿真结果证明了上述两种方法是正确的。