城市道路复杂度的浮动车自适应采样算法

基于浮动车的城市交通信息采集技术是智能交通系统获取实时交通信息的重要手段之一.针对浮动车的城市交通信息等间距采样的不足,本文设计了一种基于城市道路复杂度的自适应采样算法:①根据道路属性定义道路结点对城市道路网络复杂度的影响因子;②利用四叉树对城市道路网络复杂度进行描述;③根据浮动车的瞬时速度和道路复杂度自适应计算浮动车的采样周期.通过仿真和试验表明,新算法能够在不同复杂程度的道路情况下自适应提供有效、可靠的采样周期.     

基于卡尔曼滤波的时间序列影像背景估计

文章将卡尔曼滤波理论应用于时间序列影像的背景估计,引入衰减记忆因子解决滤波的发散问题,最终实现了对背景信号的估计。     

基于状态矩阵卡尔曼滤波的姿态估计算法研究

设计一种组合GPS／速率陀螺定姿系统。系统以方向余弦矩阵表示姿态,建立GPS／速率陀螺组合状态模型和观测模型。结合kalman滤波算法,提出一种状态矩阵卡尔曼滤波（StateMatrixKalmanKilter,SMKF）姿态估计算法,并采用拉格朗日算法对姿态矩阵进行正交化约束。与传统的基于四元数的扩展卡尔曼滤波（EKF）算法相比,基于方向余弦矩阵的姿态系统状态方程与测量方程均为线性方程,无需线性化处理,对初始姿态误差更具有较好的鲁棒性。数值仿真表明,该方法具有精度高和稳定性强等优点。     

基于分布式实时流数据的交通速度计算方法

随着城市规模的不断扩大,道路拥堵已经成为制约经济发展以及影响居民生活的一个重要因素,根据道路交通速度发现拥堵成为了解决这一问题的首要手段。道路交通速度计算的准确性和时效性是影响动态交通管理措施实施效果的关键因素。本文利用GPS浮动车技术获得的流数据,引入实时计算和流式计算平台Storm对数据进行分析处理,通过道路速度计算达到实时发现拥堵交通的目的,为交通管理部门疏导交通以及广大用户出行的道路选择提供参考依据。     

GNSS测站速度估计模型重建

获取准确的GNSS测站速度对于研究全球板块运动、地壳形变、地震活动及其地球动力学过程至关重要。为此,以GNSS基线解算后的基线向量作为观测值,重建了最小二乘综合速度解算模型和卡尔曼滤波速度估计模型。模型中,考虑了测站坐标、运动速度、年、半年周期项一同作为参数,在基线解网平差的同时,一并求解获取速度估值。同时,利用坐标时序分析的方法,顾及白噪声和幂律噪声的影响,对单日解坐标时间序列重建了时序速度拟合估计模型,以获取长期趋势项作为速度值。基于3种模型,对川滇地区中国地壳运动观测网络2010—2014年21个GPS基准站的观测数据进行了速度估计与对比分析。结果表明:3种模型所估计测站速度非常接近,差异基本处于0~1mm/a范围之内;速度估值中误差均在亚毫米水平。由此得出,3种速度估计模型具有本质的一致性,均可正确估计测站运动速度,能够满足高精度地壳形变研究的需要。     

方差分量估计卡尔曼滤波在地铁深基坑变形预测中的应用

在地铁附近基坑工程的施工阶段,通常要对地铁隧道结构进行水平位移监测、分析和预测。采用卡尔曼滤波能实时估计出水平位移状态向量,实现水平位移预测,如果卡尔曼滤波中动态噪声不准或不易确定,就会导致滤波发散而无法获得准确的预测结果。研究和采用基于方差分量估计的卡尔曼滤波,利用预报残差实时更新模型的动态噪声方差,可以避免滤波发散,提高预测精度。实际应用表明,基于方差分量估计的卡尔曼滤波能获得较好的水平位移预测效果。     

高斯混合求积分卡尔曼滤波姿态估计算法

针对求积分卡尔曼滤波QKF(Quadrature Kalman Filter)在噪声先验特性不准确时引发的滤波缺陷问题,提出了一种基于高斯混合模型的QKF姿态估计算法GMQKF。该算法首先通过引入有限高斯分量来近似状态后验分布和噪声随机模型,在线估计时变方差;然后再采用稀疏网格和高斯-厄米特数值积分理论配置多维积分点,优化了高维滤波的计算量。仿真结果表明:在非高斯噪声环境和载体发生稳态突变情况下,GMQKF算法较传统QKF减少了对随机模型的依赖,增加了系统抗干扰能力,提高了稳定性,将其用于非高斯非线性姿态估计场合可以获得更好的精度,且计算量适中。     

基于GPS浮动车采集交通信息的路段划分方法

针对目前GPS浮动车采集交通信息的路段划分方法大多忽略交叉口不同行驶方向车流运行条件的差别,且假设路段不同位置的交通状态均衡,从而导致交通信息质量偏低,无法有效满足交通状态判别和车辆动态导航系统数据需求的问题,设计了能够区分车流不同行驶方向统计交通数据的方向路段划分方法与区分路段不同位置统计交通数据的子路段划分方法,以便从路网空间数据结构方面改善交通状态判别和车辆动态导航系统的信息基础。     

利用卡尔曼滤波估计导航信号电离层差分改正

针对星基增强系统中估计电离层延迟改正数的问题,提出了利用卡尔曼滤波估计导航信号电离层延迟的方法。将电离层格网点处的电离层垂直延迟及其变化率作为状态变量进行滤波估计,根据电离层的时域缓变特性建立了状态模型,基于星基增强系统中使用的格网模型建立了观测模型。仿真结果表明,与传统的电离层延迟校正方法相比,该方法具有更高的估计精度。     

抗差估计在多站多星卡尔曼滤波精密定轨中的应用

针对在多站多星卡尔曼滤波定轨中,粗差探测判断标准选择不合适时会影响卡尔曼滤波解精度的问题,采用放宽粗差探测阈值并在滤波阶段采用抗差估计的方法来控制滤波的精度。利用IGS站和BD站的观测数据,分别计算了GPS、BD卫星单天弧度的定轨结果,并与IGS精密星历、武大精密星历作比较。结果表明,利用抗差卡尔曼滤波方法轨道精度得到了提高。     

Robust Kalman filter for rank deficient observation models

A robust Kalman filter is derived for rank deficient observation models. The datum for the Kalman filter is introduced at the zero epoch by the choice of a generalized inverse. The robust filter is obtained by Bayesian statistics and by applying a robust M-estimate. Outliers are not only looked for in the observations but also in the updated parameters. The ability of the robust Kalman filter to detect outliers is demonstrated by an example. Received: 8 November 1996 / Accepted: 11 February 1998     

Unscented Kalman filter with nonlinear dynamic process modeling for GPS navigation

This paper preliminarily investigates the application of unscented Kalman filter (UKF) approach with nonlinear dynamic process modeling for Global positioning system (GPS) navigation processing. Many estimation problems, including the GPS navigation, are actually nonlinear. Although it has been common that additional fictitious process noise can be added to the system model, however, the more suitable cure for non convergence caused by unmodeled states is to correct the model. For the nonlinear estimation problem, alternatives for the classical model-based extended Kalman filter (EKF) can be employed. The UKF is a nonlinear distribution approximation method, which uses a finite number of sigma points to propagate the probability of state distribution through the nonlinear dynamics of system. The UKF exhibits superior performance when compared with EKF since the series approximations in the EKF algorithm can lead to poor representations of the nonlinear functions and probability distributions of interest. GPS navigation processing using the proposed approach will be conducted to validate the effectiveness of the proposed strategy. The performance of the UKF with nonlinear dynamic process model will be assessed and compared to those of conventional EKF.     

Adaptive estimation of multiple fading factors in Kalman filter for navigation applications

Kalman filter is the most frequently used algorithm in navigation applications. A conventional Kalman filter (CKF) assumes that the statistics of the system noise are given. As long as the noise characteristics are correctly known, the filter will produce optimal estimates for system states. However, the system noise characteristics are not always exactly known, leading to degradation in filter performance. Under some extreme conditions, incorrectly specified system noise characteristics may even cause instability and divergence. Many researchers have proposed to introduce a fading factor into the Kalman filtering to keep the filter stable. Accordingly various adaptive Kalman filters are developed to estimate the fading factor. However, the estimation of multiple fading factors is a very complicated, and yet still open problem. A new approach to adaptive estimation of multiple fading factors in the Kalman filter for navigation applications is presented in this paper. The proposed approach is based on the assumption that, under optimal estimation conditions, the residuals of the Kalman filter are Gaussian white noises with a zero mean. The fading factors are computed and then applied to the predicted covariance matrix, along with the statistical evaluation of the filter residuals using a Chi-square test. The approach is tested using both GPS standalone and integrated GPS/INS navigation systems. The results show that the proposed approach can significantly improve the filter performance and has the ability to restrain the filtering divergence even when system noise attributes are inaccurate.     

一种UKF与PF相结合的相位解缠算法

针对干涉相位图解缠问题,该文提出一种基于掩膜图的无损卡尔曼滤波与粒子滤波相结合的相位解缠算法,并结合基于AMPM局部相位梯度估计技术快速和精确地从复干涉相位图中获取相位梯度等信息以及最大堆排序算法从高质量像元到低质量像元的路径快速地搜索最佳待解缠像元,减少在路径跟踪过程中所消耗的时间。该文算法不仅可以高效、精确地在相位解缠的同时进行干涉图滤波,降低前置预滤波器的难度与复杂度,甚至可以在解缠高信噪比干涉相位图时免去预滤波的过程,而且在一定程度上能将相位解缠误差限制在低质量像元区域,减少误差传递效应,提高相位解缠的精度,在实测数据和模拟数据实验结果中表明:比现有的传统算法如枝切法等InSAR干涉相位解缠算法有更高的精度和稳健性。     

一种Kalman滤波系统误差及其协方差矩阵的半参数估计方法

提出用半参数估计理论来解决系统误差对Kalman滤波解的影响问题。即用半参数模型中的非参数分量表达观测模型和动力学模型中未知的系统误差,在移动的窗口内,基于观测残差和状态向量预测残差拟合模型系统误差,进而修正相应的观测向量和状态预测向量的协方差矩阵,以消除系统误差对滤波的影响。同时这种方法还有明显的优点,就是在滤波过程中不需要对系统误差做任何假设。文中推导了基于正则核估计来解算导航系统半参数模型的相应公式,并根据一个模拟的算例,证明了算法的有效性。     

顾及模型误差的卡尔曼滤波相位解缠

本文提出一种顾及模型误差的卡尔曼滤波相位解缠算法,该算法在卡尔曼滤波的状态空间模型中引入一与误差因素有关的控制变量,对相位误差进行补偿,通过在解缠过程中将卡尔曼滤波增益限制在一定范围内,把误差阻遏在相当小的区域,最后对解缠相位进行卡尔曼滤波平滑操作,减少了误差的传播.分别采用仿真数据和真实InSAR数据进行实验,并与原卡尔曼滤波相位解缠结果进行对比分析,验证了本文方法的有效性.     

移动机器人SLAM位姿估计的改进四元数无迹卡尔曼滤波EI北大核心CSCD

在全自主运动控制的移动机器人系统中,自身位姿的估计和校正对于移动机器人的运动至关重要。卡尔曼滤波是解决移动机器人同步定位与地图构建(SLAM)常用方法。相较于卡尔曼滤波,无迹卡尔曼滤波(UKF)无须对复杂的非线性函数进行雅可比矩阵运算。本文基于无迹卡尔曼滤波,根据先验协方差的平方根选择sigma点,计算协方差以及加权均值。用四元数表示姿态,将四元数矢量转换为旋转空间进行矩阵运算,在此基础上设计了一种位姿估计算法——基于四元数平方根的无迹卡尔曼滤波(QSR-UKF)算法。试验将EKF、QSR-UKF、SR-UKFEKF 3种算法的位姿估计结果进行仿真分析,并通过相关定量指标进行了描述,验证了本文算法的有效性。     

基于扩展卡尔曼滤波的非线性带滑移滞变系统的实时估计

利用扩展卡尔曼滤波方法对Baber与Noori提出的带滑移滞变模型进行了参数的实时估计。考虑到该方法在收敛性上对参数初始值的选取的依赖性较强,提出了一种用于确定各参数初始估计值的方法。计算实例表明了该方法的有效性和实用性。     

卡尔曼滤波在GPS数据预处理中的应用

为了提高GPS数据预处理过程中基线解算的精度,文章研究利用多项式拟合法得到Kalman滤波的系统状态方程和转移矩阵,提出利用Kalman滤波算法对三差观测值进行粗差及周跳的修复。实验结果证明Kalman滤波可以对含噪信号进行有效的降噪,经降噪后的信号具有更好的分布。