微小型飞行器多传感器融合容积姿态估计

针对微机电系统(MEMs)陀螺仪精度低、噪声大且误差随时间累积的问题,扩展卡尔曼滤波(EKF)线性化误差的问题和无迹卡尔曼滤波(UKF)时间耗费大的问题,提出了一种欧拉角容积卡尔曼滤波(CKF)姿态估计方法。建立了欧拉角姿态运动学模型,以姿态角为状态量、加速度计和磁强计输出解算得到的姿态角为观测量,采用容积数值积分理论来计算非线性函数的均值与方差,实现了多传感器辅助的微小型飞行器(MAVs)CKF姿态估计方法。仿真结果表明:估计精度方面,CKF与UKF相当,优于EKF;滤波稳定性方面,CKF与UKF相当,显著优于EKF;时间耗费方面,CKF优于UKF。     

基于简化CKF的IMM算法北大核心

IMM算法中采用的运动模型多为线性,针对这一情况,首先对容积卡尔曼滤波(cubature Kalman filter,CKF)算法进行了简化,通过理论推导证明,简化CKF算法的时间更新结果与KF算法的一步预测结果一致。然后对简化算法进行了计算复杂度分析,分析结果表明简化算法的复杂度要远低于CKF。进而将简化的CKF算法与IMM算法相结合,提出了一种基于简化CKF的IMM算法,最后通过机动目标跟踪实验对新算法进行了仿真,实验结果表明,新算法在没有降低跟踪精度的前提下,大幅缩短了算法的运算时间,提高了跟踪的实时性。     

质点权重对多信息融合姿态估计算法精度的影响研究

首先介绍了一种新的多信息融合的矢量惯性张量姿态估计算法.该算法将每个参考矢量和相关观测矢量的顶端放置一个质点,对质点进行权重分配并计算出此质点系的惯性张量;对每个惯性张量对角化得到特征值、特征向量和主轴坐标系与各坐标系之间的变换矩阵;通过找到各自主轴坐标系的变换,就可以计算出载体坐标系与惯性坐标系之间的方向余弦矩阵,从...     

基于光流传感器的四旋翼飞行器悬停校正

由于低成本的惯性测量单元存在较大漂移,四旋翼飞行器难以稳定地悬停在固定区域,基于此,提出了一种基于光流传感器的四旋翼飞行器悬停校正方法。将光流传感器安装在四旋翼飞行器底部,利用光流信息检测四旋翼飞行器相对地面的水平移动速度,对姿态估计进行补偿,实现悬停校正。试验结果表明:该方法能够有效地提高四旋翼飞行器的悬停稳定性,从而保证飞行器能够执行战场侦察、校正射击、干扰敌人等多种军事任务。     

基于图像信息的多特征空间坦克姿态估计

坦克作为地面战场的主要目标,分析其姿态至关重要。根据坦克姿态估计的需要,在可见光条件下采集了坦克车体纵轴与瞄准镜光轴不同夹角的图像作为训练集。利用主成分分析法选取了目标的主要特征向量,每个训练子集用3个特征向量表示,利用少量的特征向量建立目标的8个特征空间,降低了空间的维数。设计判别准则将待识别目标向量与重构向量之间的余弦值进行比较,即确定目标所在的空间位置,完成了目标姿态的识别。实验结果表明,利用建立目标多特征空间的方法识别目标空间位置是有效的。     

在线估计表面粗糙度的神经网络多传感器融合方法

针对机床智能加工对加工状况监测的要求,文中提出一种在线估计表面粗糙的神经网络多传感器融合方法,用该方法可获得表面粗糙度的较好估计。文中论述了该方法的特征提取,维数压缩和归一化等预处理方法,神经网络的构造及训练等内容。仿真表明,该方法是可行和有效的。     

附加运动约束的MEMS惯性传感器融合定姿算法

针对MEMS惯性传感器因精度低、误差随时间累积导致无法满足长时间姿态测量要求的问题,提出了一种附加运动约束的姿态估计方法,即在以陀螺仪解算的姿态信息作为系统预测、以加速度计与磁强计解算的姿态信息作为系统量测的基础上,将载体运动约束作为虚拟观测量输入滤波器。同时,针对传统EKF算法精度不高的问题,提出了一种新的滤波融合算法,即迭代更新扩展卡尔曼滤波(iterated update extended Kalman filter,IU-EKF)。新算法通过将当前量测信息逐步引入量测更新过程实现后验状态估计,从而达到减弱观测模型非线性、提高滤波估计精度的目的。数值仿真结果表明:本文算法的姿态估计精度较传统的"双矢量法+EKF"模式有大幅提升。     

基于雷达与红外传感器量测融合的改进EKF算法

针对扩展卡尔曼滤波在递推过程中状态协方差可能失去正定性,从而引起滤波发散现象的问题,在滤波过程中用协方差平方根代替协方差进行迭代计算,保证其正定性。对一组异类传感器(红外传感器和雷达)观测数据采用加权最小二乘法进行融合,然后用平方根扩展卡尔曼滤波对融合的数据进行滤波。蒙特卡罗仿真结果表明,平方根扩展卡尔曼滤波和加权最小二乘数据融合方法可以保证滤波精度,并且能有效抑制滤波发散。     

临空高超声速飞行器多传感器任务分配算法

现有分配机制难以对临空高超声速飞行器进行高效、稳定、实时的探测跟踪任务分配,基于此问题构建了兼有集中式全局统筹和分布式动态反馈特点的混合式任务分配体系框架;建立了基于效能、时间、任务完成率和负载率的多传感器任务分配模型;借鉴合同网的协商签约机制,提出了具有双重定向调整机制的合同量子遗传算法(Contract Net Quantum Genetic Algorithm,CNQGA)。通过仿真验证了模型的合理性、算法的高效稳定性。对未来临空高超声速飞行器探测跟踪体系的构建具有一定的技术指导作用。     

机载多传感器角度融合跟踪结构与算法

未来战机的作战环境要求机载多传感器数据融合系统在仅有角度测量信息情况下仍须具有稳定的目标跟踪能力。对机载多传感器的角度融合跟踪系统的结构和算法进行了研究,分别给出了两个传感器同步测量时的集中式状态估计算法和异步测量时不损信息量的混合式状态估计算法,即顺序滤波方法,并对相应算法进行了仿真验证。     

相控阵雷达导引头的惯性视线重构北大核心

针对弹载相控阵雷达导引头的惯性视线重构问题,提出了基于Unscented卡尔曼滤波(UKF)的视线重构方法。与传统方法相比,提出的方法无需对导引头测量的角信息使用微分网络,避免了对测量噪声的放大。仿真结果表明,该方法可有效地重构视线角,从而进一步提高视线转率的估计精度。     

一种基于多模型融合的电驱动车辆车速估计方法

为解决分布式电驱动车辆行驶状态参数获取困难的问题,根据轮毂电机驱动车辆多信息源的特点,提出了一种基于多模型融合的车速估计方法。该方法以自适应卡尔曼滤波算法为基础,建立了车速估计的状态空间模型和量测模型,对滤波噪声方差进行了自适应调节。同时为进一步提高状态参数估计精度,设计了基于车身加速度积分的车速估计器,并且结合车辆行驶工况和路面条件,将卡尔曼滤波和信号积分两种估计模型进行了融合。采用基于dSPACE的实时仿真平台进行了仿真分析,结果表明基于多模型融合的车速估计方法具有较高的估计精度,能够满足多种行驶工况下的车速估计需求。     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。     

基于多传感器信息融合理论的无人机相对导航状态估计方法

为提升无人机的作战效能和作战指标,提升无人机的相对导航精度和导航系统可靠性,本文以无人机编队的相对导航系统为研究背景,基于容积卡尔曼滤波算法和信息滤波算法,研究了容积信息滤波算法。此外,还采用了多传感器信息融合理论,利用分布式信息融合结构构建了无人机相对导航滤波器,对来自惯导、视觉和卫星的信息进行融合,获取无人机间的相对位置、速度和姿态信息。该方法提升了无人机相对导航的导航精度、导航可靠性和滤波稳定性,容积信息滤波算法的应用避免了传统滤波算法在在高维系统中出现的数值不稳定以及精度降低等问题。论文还进行了相应的数学仿真,仿真结果表明该方法提高了无人机编队之间相对导航的精度和可靠性,证明了算法的有效性。     

异步多速率多传感器网络及在导航制导中的分布式融合估计

本文研究了具有通信带宽约束的多传感器网络系统的多速率状态分布融合估计.对于多速率采样数据系统,提出了一种新的扩充方法,将多速率采样数据系统转换为单速率系统.首先,为了满足有限的通信带宽,采用降维策略只允许局部估计信号的部分分量发送到融合中心(fusion center,FC),同时给出了一种补偿策略来补偿每个分量的未发...     

基于红外传感器的多无人机对高速飞行器协同定位跟踪方法综述

为了实现高精度远距离稳定定位与跟踪,多无人机搭载红外传感器对高速飞行器的定位跟踪方法成为研究热点。就此背景进行了综合评述,以相关技术难点及关键技术为切入点,分析了瞬时定位和动态跟踪问题的研究现状和发展方向。在瞬时协同定位方面,首先对目标瞬时定位的算法进行了分析对比,然后对造成定位误差的影响因素进行分析并探讨了误差补偿方法,最后针对传感器资源优化,讨论了能够使计算结果最优的传感器分布阵型。在动态跟踪方面,首先探讨了时间不同步问题对目标跟踪的影响及补偿方法,然后对目标运动学建模的问题进行了分析,最后对最优估计问题中各种滤波算法的应用进行对比。综述表明,无人机搭载红外传感器对高速飞行器进行定位和跟踪,存在误差来源多、相对运动速度快的技术难点,需要特别关注定位算法、误差来源及最优估计算法的影响,以尽可能实现稳定跟踪。     

一种基于IMM/MSPDAF的多传感器数据融合目标跟踪算法

基于交互式多模型和多传感器联合概率数据关联算法的机动目标跟踪,先用融合算法将红外和雷达的量测进行融合,然后利用融合后的数据,采用交互式多模型机动目标跟踪方法实现对机动目标的跟踪。仿真实验验证了算法具有良好的机动目标跟踪效果。