针对移动目标跟踪过程中,传感器感知信息存在噪声以及运动轨迹突变导致目标观测失真甚至丢失的问题,提出了一种扩展卡尔曼滤波交互多模型算法(EKF-IMM)。该算法以交互多模型算法为主体,同时融入EKF算法做滤波处理,使得在目标跟踪过程中,不仅对目标的不同运动状态具有自适应能力,同时还能对运动状态中可能的非线性问题做更好的处理,提高算法的鲁棒性。仿真实验表明,EKF-IMM算法能很好得适应多变的目标运动,与标准KF-IMM算法相比,该算法降低了噪声对传感器的干扰,提高了定位精度。

考虑到车辆纵向运动和横向运动的主要耦合因素,提出了一种利用扩展卡尔曼滤波理论间接测量车辆行驶状态参数的方法。首先,研究了卡尔曼滤波理论及其算法的具体流程,建立了基于Dugoff轮胎模型的耦合三自由度动力学模型,结合基于横向加速度反馈的预瞄最优曲率驾驶员模型,建立了"人-车"闭环整车系统;其次,搭建了基于扩展卡尔曼滤波理论的车辆行驶状态估计器仿真平台;最后,对某车型给定蛇形路径行驶工况进行了仿真。结果表明该驾驶员模型能很好地跟踪车辆的横向轨迹,且前轮转向适当,易于实现;借助车辆易测得的纵向、横向加速度信息,结合扩展卡尔曼滤波算法能准确地估计运动耦合条件下车辆的纵向速度、横向速度和横摆角速度,且误差控制在5%以内。

液位是工业测量的重要参数之一，如何准确有效的对液位进行测量一直是研究的一个重点。为解决上述问题提出将视频技术应用于液位测量的新方法。当出现干扰时，以往的直接测量算法很难准确测量，而运用此方法，首先根据液位运动特性，建立其运动的数学模型，在采用更新函数的背景差法基础上，提出了一种卡尔曼滤波的预估校正算法，避免了测量中对单帧图像信息的依赖，提高了检测系统抗扰性。实验仿真表明，算法有效地保证了液位跟踪的准确性、稳定性和连续性。

基于MARG传感器的EKF算法可以有效地抑制MEMS陀螺精度低及陀螺漂移较大等缺陷,为MEMS陀螺的广泛应用提供了有效途径。然而MARG传感器中的磁强计容易受到外界磁场干扰,从而对融合结果产生不利影响。基于MARG传感器组成的微型姿态解算系统,提出了一种消除外界磁场干扰的抗磁干扰算法,有效地对存在磁场干扰时的姿态解算融合结果进行了优化。

针对变体飞行器姿态控制问题,考虑气动参数不确定性和外部干扰的影响,文章提出了一种基于气动参数在线辨识的自适应控制方法。首先,基于变体飞行器运动模型,建立了气动参数辨识模型和面向控制的模型;接着,提出了一种基于气动参数在线辨识的自适应控制方法,其基于扩展卡尔曼滤波算法设计了一种气动参数在线辨识方法,在存在系统噪声和量测噪声的条件下实现了对未知气动参数的高精度在线辨识;然后提出一种基于滑模控制和干扰观测器的控制方案,并将气动参数在线辨识结果用于控制器中模型参数的更新,从而实现对变体飞行器姿态的自适应控制。基于所提出的气动参数在线辨识方法,在气动参数可辨识性分析的基础上对可辨识气动参数进行了在线辨识仿真,结果表明,所提方法可保证90%以上气动参数的辨识相对误差小于5%,表现出较高的辨识精度...

针对机械臂末端运动的复杂性以及非线性,提出了一种改进的基于粒子滤波的交互多模型算法。对扩展卡尔曼(Kalman)滤波和粒子滤波进行对比分析,得出粒子滤波在处理非线性问题时具有良好的滤波性能。针对粒子滤波中先验分布与似然函数分布重合度不高的问题,利用粒子群算法进行了改进。将改进的粒子滤波作为滤波器;分析交互多模型算法中存在的对滤波效果影响很大的野值点,运用自适应抗差理论进行改进。经过实验对算法的应用效果进行检验,结果表明:改进的算法能够降低噪声的影响,提高机械臂末端的跟踪定位精度。

针对移动机器人室内定位过程中,单目视觉难适应光照变化、里程计累计误差导致定位误差较大问题,提出边缘侧多传感器融合的定位方法。以稀疏直接法(半直接法)作为单目视觉的前端,实时单目相机估计位姿,通过惯性传感器恢复尺度输出位置信息,并且获取IMU的加速度以及偏航角、里程计当前速度,通过扩展卡尔曼滤波算法融合3种传感器信息,实现更加精确的定位。在移动机器人侧处理传感器读取的信息,从而减小机器人体积。边缘侧混合式多传感器信息融合使移动机器人在单个传感器失效以及无法人为干预时,也能够精确实时地在多种复杂环境中完成自主定位。

针对移动机器人单传感器数据短时丢失、定位精度低、传感器频率异步等问题,采用激光雷达、IMU、轮式里程计获取定位信息,提出基于扩展卡尔曼滤波和互补融合的组合数据融合方法。先通过S-G滤波算法对初始定位数据进行预处理,利用扩展卡尔曼滤波融合算法实现IMU和轮式里程计传感器的定位数据融合,得到融合数据1;再利用互补融合算法将融合数据1和激光雷达进行融合得到融合定位数据2。其中融合数据1对激光雷达进行实时补正,解决频率异步的位移偏差,从而明显提高定位精度。最后采用Gazebo仿真平台,搭建移动机器人模型以及设置传感器的基本参数,验证算法的有效性和稳定性。实验结果表明:数据融合算法提高了非线性传感器的定位精度和稳定性,并且平均定位误差在8 cm内。

在机器人惯性导航研究中,针对传统滤波方法在非线性系统模型下误差大的问题,提出了一种基于改进粒子滤波的机器人姿态解算方法。粒子滤波精度较高且不受系统模型非线性程度的影响,与扩展卡尔曼滤波算法相比在非线性系统应用中有巨大的优势。使用扩展卡尔曼滤波对系统状态进行预测,使粒子分布向高似然区移动。对粒子滤波算法的重采样过程进行了改进,提升了算法的效率。不同的地面环境下系统噪声有较大变化,将地面环境信息作为观测信息融合到系统中,对算法参数进行实时修正能够获得更高的精度。实验结果表明,应用此算法进行姿态解算精度较高,且性能优异。

针对液压马达在实践中经常出现的故障模式从液压马达的模型出发抽取重点关心的状态方程采用扩展卡尔曼滤波(EKF)器的状态估计方法对液压马达故障进行诊断研究较好地提高了故障诊断的效率与精度。经某型液压马达故障诊断仿真结果表明该方法可以准确地对液压马达的故障进行诊断是一种有效的故障诊断方法。