扩展卡尔曼滤波(EKF)

摘要： 精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法.首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验.实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果.

摘要： 为解决智能车在未知地下车库环境,由于单独使用二维激光雷达点云信息的数量有限,当存在动态障碍物时位姿匹配容易产生误匹配导致定位与建图精度降低的问题,提出了一种根据光照加权的扩展卡尔曼滤波算法将RGB-D相机的视觉信息和二维激光雷达的点云信息进行融合。首先,采用改进的IMLS-ICP(implicit moving least square-iterative closest point)算法对激光点云数据进行处理以得到更高的匹配精度;然后,针对视觉匹配算法较慢的问题,采用ORB(oriented FAST and rotated bRIEF)算法对直方图均衡化滤波优化后的图像进行处理来加快图像处理的速度与特征匹配的精度;采用视觉词袋模型进行回环检测来重定位以减少累计误差的影响;最后,通过搭建的汽车实验平台进行车库实验,验证了采用该方法能够得到更高的定位精度和更加准确的建图效果,提高了系统的鲁棒性。

摘要： 激光雷达(light detection and ranging,LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning,PDR)融合的室内定位方法,以扩展卡尔曼滤波(extended Kalman filter,EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明:当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性方面均有效提高,PDR定位误差为0.98 m,LiDAR定位误差为0.6 m,EKF融合后定位误差下降到0.32 m。

摘要： 采用改进的鲸鱼优化算法(WOA)优化充电电流,实现对单液流锌镍电池的充电控制.采用脉冲电流对电池进行充电实验,建立Thevenin等效电路模型并进行参数辨识,运用扩展卡尔曼滤波(EKF)实现荷电状态(SOC)估算.构建的单液流锌镍电池充电时间-能耗模型,以缩短充电时间、降低能量损耗为目标,采用权重系数将时间-能耗的双目标模型转换为单目标模型;将0～95％的SOC分为19个阶段,并设置相对应的充电电流值,使用改进WOA优化19个电流值,求出最优的充电时间与能耗.在单液流锌镍电池充电过程中,用改进的WOA对电流优化后,与0.5 C恒流充电方法相比,能耗减少了1.58％、时间缩短了 2.27％.

摘要： 提出一种锂离子电池降阶电化学模型,基于单粒子电池模型,通过拉普拉斯变换、帕德近似和离散化等处理,提高模型解算速度.该模型使用扩展卡尔曼滤波(EKF)算法设计电池状态估计器,具有较高的估计精度,除电压以外的状态量估计误差均低于1％,电压估计误差控制在约2％.在电池状态初始估计值有较大误差的情况下,可实现快速收敛.

摘要： 无线传感器网络(WSN)中高精度目标跟踪时的传感器能量管理为当前的研究热点.针对节省能量和能耗均衡问题,提出一种基于能耗约束的传感器选择算法.算法实现以扩展卡尔曼滤波(EKF)增益矩阵及传感器量测能耗矩阵为待优化变量,以估计协方差矩阵的迹与传感器量测能耗函数的和为目标函数,结合传感器节点能耗阈值约束,通过凸优化方法求解.理论推导与仿真实验结果表明,在保证估计精度条件下,本文算法可以有效节省网络能量,实现网络能量均衡.

摘要： 全球导航卫星系统/惯性导航系统(GNSS/INS)组合导航可以提供连续、高精度的位置、速度、姿态信息,被广泛应用于无人机的状态估计.其中滤波算法的构建是其组合关键.不同组合导航的模式会对导航定位结果产生相应的影响.针对直接法和间接法这2种常见的组合模式,分别构建了基于扩展卡尔曼滤波(E KF)的全球定位系统/惯性导航系统(GPS/INS)松组合模式,并将其运用于不同飞行场景下无人机(UAV)的实时动态状态估计.仿真场景以及实际数据验证结果表明,间接法在精度和稳定性方面优于直接法,直接法在滤波计算速率方面优于间接法.因此,当系统具有较高的计算性能,且面向高精度的应用情况下可选择间接法作为无人机导航的技术方案;对于快速求解但精度要求不高的应用情况下,选择直接法作为无人机导航的技术方案可以在一定程度上降低系统的成本.

摘要： 直接序列扩频通信在水声中具有广泛的应用场景,但水声直扩通信中的扩频码长较短,扩频增益低,导致在低信噪比的背景下,解扩后依然存在很多噪声引起的杂波干扰,对水声信道的信号到达时间,相位,多普勒等参数准确估计造成了极大困扰,并直接决定了在低信噪比条件下水声直扩通信的可行性.为了水声直扩通信在低信噪比的背景下能够拥有较好的稳健性,本文将一种多目标跟踪技术联合概率数据关联(JPDA)算法应用于水声信道的分辨及参数估计中,并利用扩展卡尔曼滤波(EKF)方法对信道参数进行滤波,仿真结果表明,在低信噪比背景下,传统匹配滤波及EKF方法都无法准确估计出信道参数,但是JPDA算法依然具有良好的效果.

摘要： 针对基于视觉传感器的移动机器人在快速运动或发生旋转时出现图像模糊和特征丢失,以至无法进行特征匹配,从而导致系统定位和建图的准确度及精确度下降问题,该文提出了一种以深度相机(RGB_D)融合惯性测量单元(IMU)的方案。采用ORB SLAM2算法进行位姿估计,同时将IMU信息作为约束弥补相机数据的缺失。两种传感器的测量数据采用基于扩展卡尔曼滤波的松耦合方式进行非线性优化,通过数据采集实验表明,该方法能有效提高机器人的定位精度和系统建图效果。

摘要： 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，属于无线传感器网络技术领域。步骤如下：(1)首先采集WiFi的信号强度并记录位置坐标来构建指纹数据库，再采用加权k近邻法进行定位；(2)采集MEMS惯性传感器数据，结合加速度和基于差分加速度有限状态机的计步算法进行计步，融合多种传感器读数进行航向估计，结合卡尔曼滤波和非线性步长模型来估计步长；(3)使用扩展卡尔曼滤波融合WiFi指纹法和行人航位推算的定位结果；(4)结合粒子滤波和室内地图信息校正估计位置。本发明通过融合，解决了WiFi指纹法定位精度易受信号波动影响的问题以及行人航位推算方法定位误差随时间增加而累积的问题，能够显著地提高定位精度。

摘要： 本发明公开了一种基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法。本发明将状态模型中的高阶多项式定义为系统的隐变量，并将状态模型等价改写成基于原始变量和隐变量相结合的伪线性模型；视高阶隐变量为系统的各阶加性参数，再通过对它们之间进行随机动态建模，建立起由状态与参数相结合的扩维线性状态模型；对测量模型进行相应处理，建立基于状态与参数相结合的扩维线性测量模型；然后对扩维后的模型进行进一步的初始化，滤波器迭代，时间更新和测量更新，设计得到基于强跟踪滤波的高阶扩展卡尔曼滤波器。本发明在解决状态模型和观测模型为强非线性情况下的估计精度低，计算成本高，鲁棒性差等问题，可以应用到非线性动态系统的目标跟踪领域。

摘要： 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，属于无线传感器网络技术领域。步骤如下：(1)首先采集WiFi的信号强度并记录位置坐标来构建指纹数据库，再采用加权k近邻法进行定位；(2)采集MEMS惯性传感器数据，结合加速度和基于差分加速度有限状态机的计步算法进行计步，融合多种传感器读数进行航向估计，结合卡尔曼滤波和非线性步长模型来估计步长；(3)使用扩展卡尔曼滤波融合WiFi指纹法和行人航位推算的定位结果；(4)结合粒子滤波和室内地图信息校正估计位置。本发明通过融合，解决了WiFi指纹法定位精度易受信号波动影响的问题以及行人航位推算方法定位误差随时间增加而累积的问题，能够显著地提高定位精度。

摘要： 本发明公开了一种基于扩展卡尔曼滤波的自适应毫米波波束追踪方法。本发明公布的波束追踪方法首先根据用信道角度变化的速率，确定最大和最小追踪间隔，之后通过比较追踪前后波束成形后信噪比的变化判断是否使用扩展卡尔曼滤波器进行追踪。本发明公布的方法不需要知道信道的瞬时增益，只需要将信道的角度变化作为待估计量，可以根据通信信道角度变化的速率，实时自动调整波束追踪的频率，在保证追踪精度的同时，有效延长波束追踪的时间，降低波束追踪的开销。

摘要： 本发明涉及一种基于扩展卡尔曼滤波的电力系统状态估计方法，包括以下步骤：步骤1、获取多源量测数据；步骤2、构建基于长短期记忆神经网络建立系统的状态预测模型，并判断是否达到模型的训练精度；步骤3、采用扩展卡尔曼滤波对多源量测数据进行处理，对系统的非线性模型线型化；步骤4、采用加权最小二乘法实现对系统的状态估计，得到电力系统的状态最优估计。本发明能够克服在大规模系统中估计时间较长的缺陷，更加满足状态估计实时性的要求。

摘要： 本发明涉及一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法，其包括以下步骤：根据力矩平衡建立考虑侧倾运动和横摆运动的五自由度车辆动力学模型，得到系统的状态方程和输出方程；基于采集的待估计车辆的相关数据，利用双扩展卡尔曼滤波方法对所述状态方程和输出方程进行求解，得到待估计车辆侧倾状态的估计结果。本发明得到的侧倾角估计值可以用于商用车的防侧翻控制，具有估计精度高、实时性好、成本低等优点。本发明可以广泛应用于汽车电子控制领域。

摘要： 本发明公开一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，首先，根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理；然后，使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量，并使用EKF实现飞行器的状态估计；最后，使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声，提高EKF的跟踪精度。通过本发明方法有效解决了飞行器飞行过程中红外和雷达的传感器信号融合以及环境噪声的不确定性所导致的状态估计困难的问题。

摘要： 本发明涉及一种交通信号灯配时方法，尤其为一种基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法，包括将交通信号灯配时系统抽象为智能体，十字路口的交通环境抽象为被控对象，交通信号灯的配时方案抽象为动作，车辆的累计等待时间的变化抽象为奖励，智能体根据被控对象提供的状态信息选择动作；执行动作后，被控对象将当前状态和奖励反馈给智能体，并且不断重复此过程，智能体以获取最大奖励值为目标不断更新参数直至得到最优动作；经验池用来存储训练样本，并用于DQN网络训练，通过EKF模型的不断迭代更新得到真实参数的最优估计值，然后利用真实参数的最优估计值替代不确定性参数值得到准确的值函数并选择最优的配时方案。

摘要： 本发明涉及一种噪声自适应强跟踪扩展卡尔曼滤波器四旋翼姿态解算方法，属于无人机技术领域，包括构建状态方程和观测方程，初始化系统噪声和量测噪声初值；计算下一时刻的一次预测状态；计算新息，更新强跟踪滤波器，将次优渐消因子拆分；计算得到改进的一步预测误差协方差矩阵对下一时刻的噪声方差及噪声均值重新估计，将估计值引入EKF公式；计算卡尔曼增益矩阵、状态的二次估计和误差协方差的二次估计，判断是否循环结束；输出结果。本发明引入强跟踪滤波器，解决了传统扩展卡尔曼滤波器因泰勒展开近似线性化等问题导致的跟踪能力弱的问题，通过改进次优渐消因子引入形式，保证了协方差矩阵计算结果的对称性，提高了系统跟踪速度。

摘要： 本发明涉及卡尔曼滤波器技术领域，具体地说，涉及一种多项式非线性的高阶扩展卡尔曼滤波器系统。其包括隐式变量定义单元、伪线性重写单元、变量结合单元、线性形式重写单元和联合估计单元。本发明通过将多项式模型中的所有高阶项作为隐式变量，等价地表示为伪线性，避免了截断误差的舍入，将原态和隐式变量相结合，建立了线性增广状态模型，对应新的状态模型，将测量模型等价地改写为线性形式，设计了一种新的高阶扩展卡尔曼滤波器，实现状态和隐式变量的联合估计，新的高阶扩展卡尔曼滤波器具有相同的性质：递归性和实时性。