针对粒子概率假设密度滤波算法(particle probability hypothesis density filter,PF-PHD)在多目标跟踪过程中存在粒子退化和估计精度不高的问题,提出了一种新的基于无迹卡尔曼滤波(unscented Kalman fiter,UKF)的多目标状态估计算法....针对粒子概率假设密度滤波算法(particle probability hypothesis density filter,PF-PHD)在多目标跟踪过程中存在粒子退化和估计精度不高的问题,提出了一种新的基于无迹卡尔曼滤波(unscented Kalman fiter,UKF)的多目标状态估计算法.该算法首先通过UKF算法利用当前观测值得到重要性密度函数,使粒子状态分布更接近多目标概率假设密度分布.然后利用粒子身份标签将所有粒子分为不同的粒子群,依据最新获得粒子群中的粒子和似然度估计目标状态.仿真实验表明,在复杂环境下该方法较PF-PHD能够提高估计精度和目标关联的准确性.展开更多
粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)的核心环节.首先,针对粒子滤波过程的粒子退化问题,利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布,以迭代更新方式将当前观测信息融入顺序重要性采样过程,...粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization,MCL)的核心环节.首先,针对粒子滤波过程的粒子退化问题,利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布,以迭代更新方式将当前观测信息融入顺序重要性采样过程,提出IUPF(Improved unscented particle filter)算法.然后,将IUPF与移动机器人MCL相结合,给出IUPF-MCL定位算法的实现细节.仿真结果表明,IUPF-MCL是一种精确鲁棒的移动机器人定位算法.展开更多
为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第...为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第4层低频系数作为Kriging模型输出,并通过改进的灰狼算法(grey wolf optimizer,GWO)确定Kriging模型相关参数值。最后,以待修正参数作为状态向量,以Kriging模型预测的小波系数和真实响应的小波系数之差的平方和作为观测函数,通过无迹卡尔曼滤波算法求解待修正参数。结果表明,所提方法对构架模型参数修正有良好的精度、效率和鲁棒性,且在0.03 s内收敛到真实值。展开更多
文摘针对粒子概率假设密度滤波算法(particle probability hypothesis density filter,PF-PHD)在多目标跟踪过程中存在粒子退化和估计精度不高的问题,提出了一种新的基于无迹卡尔曼滤波(unscented Kalman fiter,UKF)的多目标状态估计算法.该算法首先通过UKF算法利用当前观测值得到重要性密度函数,使粒子状态分布更接近多目标概率假设密度分布.然后利用粒子身份标签将所有粒子分为不同的粒子群,依据最新获得粒子群中的粒子和似然度估计目标状态.仿真实验表明,在复杂环境下该方法较PF-PHD能够提高估计精度和目标关联的准确性.
文摘为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第4层低频系数作为Kriging模型输出,并通过改进的灰狼算法(grey wolf optimizer,GWO)确定Kriging模型相关参数值。最后,以待修正参数作为状态向量,以Kriging模型预测的小波系数和真实响应的小波系数之差的平方和作为观测函数,通过无迹卡尔曼滤波算法求解待修正参数。结果表明,所提方法对构架模型参数修正有良好的精度、效率和鲁棒性,且在0.03 s内收敛到真实值。
