基于求积分卡尔曼滤波的交互式多模型算法

合集下载

基于UKF的自适应网格交互式多模型算法

基于UKF的自适应网格交互式多模型算法张园;董受全;刘淑波;初俊博;高松【期刊名称】《指挥控制与仿真》【年(卷),期】2014(000)004【摘要】针对非线性观测条件下的机动目标跟踪问题，基于机动目标的协同转弯（ CT）模型，采用无迹卡尔曼滤波（ UKF）方法和自适应网格（ AG）的模型集自适应策略，研究了一种变结构交互式多模型算法，即基于UKF的自适应网格交互式多模型（ UKF-AGIMM）算法。

对二维机动目标跟踪的仿真结果表明，本算法与相应的固定结构交互式多模型算法相比，可以解决固定结构多模型算法存在的问题，有效提高多模型算法的精度和费效比，缩短计算时间，且适合工程应用。

【总页数】5页(P47-50,55)【作者】张园;董受全;刘淑波;初俊博;高松【作者单位】大连海事大学信息与技术学院，辽宁大连 116026; 海军大连舰艇学院，辽宁大连 116018;海军大连舰艇学院，辽宁大连 116018;海军大连舰艇学院，辽宁大连 116018;海军大连舰艇学院，辽宁大连 116018;海军大连舰艇学院，辽宁大连 116018【正文语种】中文【中图分类】E911【相关文献】1.图像增强的自适应网格交互式多模型算法 [J], 陈海;单甘霖;吉兵;张凯2.基于S修正RBUKF的自适应网格交互式多模型算法 [J], 张园;董受全;刘淑波;初俊博3.防发散无迹卡尔曼滤波自适应网格交互式多模型算法 [J], 张园;董受全;钟志通;刘淑波;初俊博4.基于噪声自适应的交互式多模型算法研究 [J], 谷鹏; 颜明; 张世仓5.基于自适应转弯模型的交互式多模型算法研究 [J], 程遥; 吕植勇因版权原因，仅展示原文概要，查看原文内容请购买。

交互多模型扩展卡尔曼滤波算法的FPGA实现

ｓｈｏｗｔｈａｔｔｈｅｈａｒｄｗａｒｅ・ｂａｓｅｄｌｇａｏｒｉｔｈｍｏｆＩＭＭＥＫＦｃａｎｒｅａｌｉｚｅｂｅａｉｒｎｇｓ－ｏｎｌｙｔｒａｃｋｉｎｇｏｎｓｉｎｇｌｅｔａｒｇｅｔ，ａｎｄｏｐｅｒａｔｉｎｇｔｉｍｅｉｓｓｈａｒｐｌｙｒｅｄｕｃｅｄｗｈｉｌｅｇｕｒａａｎｔｅｅｔｈｅｐｒｅｃｉｓｉｏｎｉｓｃｏｍｐａｒａｉｔｖｅｔｏｓｏｆｔｗａｒｅｓｉｍｕｌａｔｉｏｎ．
计算和存储资源的高性能芯片，其最大的优点是可以通过可重复配置快速实现设计验证。硬件算法如果要转化成专
ｂａｓｅｄｏｎＦＰＧＡｉｓｐｒｏｐｏｓｅｄ．Ｒｅｓｏｕｒｃｅｏｐｔｉｍｉｚａｔｉｏｎａｎｄｔｉｍｅｏｐｔｉｍｉｚａｔｉｏｎｉｓｓｕｅｓａｒｅｄｉｓｃｕｓｓｅｄ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌ期
、。。
传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｅｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）
１１
研究与探讨
、ｃ
交互多模型扩展卡尔曼滤波算法的ＦＰＧＡ实现

基于交互式多模型强机动目标被动跟踪算法

ＵＦ算法，目标作强机动时改善了常规ＩＫ在ＭＭ—ＵＦ算法失效状况，Ｋ并提高了跟踪精度。仿真结果表明，法具有较好的算
收敛速度和跟踪精度。关键词：动跟踪；迹卡尔曼滤波器；型转移概率；被无模交互式多模型
ＨＵＸｉ，ＵＹｏｇ—ｆｎｎＪｎｅｇ
（ｃｏｌｆｌｔｎＳｈｏｏＥｅｒｉＣｎｒｌｎｉｅｒｇＣａｇｎＵｉｅｓｙＸ ’ ｈｎｉ０４，ｈｎ）ｃｏｃ＆ｏｔｇｅｎ，ｈｎ ’ ｎｖｒｔ，ｉｎＳａｘ７６ＣｉｏＥｎｉａｉａ１０ａ
ｎｏ — ｕｑｏｕｔｎ，ｔｅｐａｅｓｒｓａｃｅｕｂｐｉｌｒｃｒｉｅＢａｅｉｎａｇｒｔｍｓａｐｏｏｅｎＩＭ — ｎｎｉｕｅｓｌｉｏｈｐｒｈａｅｅｒｈｄｓｏｔｍａｅｕｓｖｙｓａｌｏｉｈｎｄｒｐｓｄａＭＵＫＦａｇｒｔｍｔｎｕｅｔｃｉｎ．ＴｈｏｏｅｌｏｉｈｃｎｔａｋｔｏｇｍａｅｖｒｎａｇｔｗｈｅｃａｓｃｌｌｏｈｗｉｈｍａｅｖｒｄｅｅｔｏｉｅｐｒｐｓｄａｇｒｔｍａｒｃｓｒｎｎｕｅｉｇｔｒｅｎｌｓｉａＩＭｌｏｔｍｓａｅｄｉａｅＭａｇｒｈｒｓｂｌｄ．Ｓｉａｉｎｒｓｌｓｉｄｉａｅｔａｈｌｏｔｈａｅｔｒｃｎｅｇｎｃｐｅｄ，ｍｏｅｒｎｉｍｕｌｔｏｅｕｔｎｃｔｈｔｔｅａｇｒｈｍｓｂｔｅｏｖｒｅｅｓｅｉｄｌｔａ — ｓｔｏｒｂｂｉｔｎｉｈｅｌｒｎｇｐｅｉｉｎｉｉｎｐｏａｌｙａｄｈｇｒｆｔｉｒｃｓｏ．ｉｉｅＫＥＹＷＯＲＤＳ：ｓｉｅｔａｋｉｇ；ＰａｓｖｒｃｎＵＫＦ；ｄｅｒｎｉｉｎｐｏｂｉｉＩＭＭｏｌｔａｓｔｏｒｂａｌｔＭｙ；

基于坐标转换的卡尔曼交互式多模型滤波算法

ｉｅｃｎｒｙｔｍ．ｔａｙｅｈａｙｓｉｕｎｒＣＳｃｏｄｎｔｓａｄｉｔａｓｏｍａｉ，ｎｈｄｐｉＭＭｆｒ．ｏｔｌｓｓｅＩＡｎｌｓｓｔｅｎｖ —ｈｐｇｎｅｙＦｏｒｉａｅｎｔｒｎｆｒｔｎａｄｔｅａａｔｅＩｏｓｏｖ
ａｏｉｍａｅｎＬｎ— －ｉｈ（ＯＳＡＭＭ１Ｓｇｖｎ，ｈＯＳＡＭＭｌｏｉｍｃｕｄｆｌｓｔｅｍａｕｅｎｌｒｈｂｓｄｏｉｅＯｆｇｔｇｔＳＬ．ＩｉｉｅＴｅＬ．Ｉａｒｈｏｌｕｌｕｅｈｅｓｒｍｅｔｇｔｙ
Hale Waihona Puke 系的传统滤波算法不能够充分利用跟踪传感器的量测
信息。卡尔曼滤波在选取量测噪声误差协方差和状态噪声误差协方差矩阵时存在一定的局限性，国内外学者曾提出扩展卡尔曼滤波公式、转换测量卡尔曼滤波公式等，同时在“ 步进坐标系” 中进行了较深入的研究。目前的交互式多模型算法主要针对笛氏坐标系的，在这方面有大量的文献，但是在瞄准线坐标系建立交互式多模型算法却少有文章可供参考。在量测源信息不确定的情况下，机动目标跟踪面临着两个主要问题：目标运动模型的不确定性和目】标运动模式的非线性。多模型（ＭＭ）方法被认为是
ｆ．ｎｉｇｉｅｓｙｏｒｎｕｉｎｔｎｕｉ，ｎｉｌＯ，ｈｎ；ＮａｊｖｒｉｆｏａｔｓｄＡｓｏａｔｓＮａｊｇ２Ｃｉａ１ｎＵｎｔＡｅｃａｒｃｎｌＯ６２ＪｎｓｕｏａｉｎＲｓａｃｓｔｔｏＳＣＬａｙｎａｇ２２０，ｈｎ）．ｉｇｕＡｔｍｔｅｅｒｈＩｔｕｅｆＩ，ｉｎｕｇｎ２０６ＣｉａａｏｎｉＣ

卡尔曼滤波器算法

卡尔曼滤波器算法卡尔曼滤波器算法是一种常见的数据处理算法，它能够通过对数据进行滤波，去除噪声和干扰，提高数据质量，广泛应用于各个领域。

本文将对卡尔曼滤波器算法进行详细介绍，包括其原理、应用场景以及实现方法。

一、卡尔曼滤波器算法的原理卡尔曼滤波器算法的原理是基于贝叶斯概率理论和线性系统理论的。

其核心思想是通过对系统状态的不断测量和预测，根据预测值和实际值之间的误差来调整状态估计值，从而获得更准确的状态估计结果。

具体来说，卡尔曼滤波器算法可以分为两个步骤：预测和更新。

1. 预测步骤在预测步骤中，通过上一时刻的状态估计值和状态转移矩阵对当前时刻的状态进行预测。

状态转移矩阵是描述系统状态变化的数学模型，可以根据实际情况进行定义。

2. 更新步骤在更新步骤中，通过测量值和状态预测值之间的误差，计算出卡尔曼增益，从而根据卡尔曼增益调整状态估计值。

卡尔曼增益是一个比例系数，它的大小取决于预测误差和测量误差的比例。

二、卡尔曼滤波器算法的应用场景卡尔曼滤波器算法具有广泛的应用场景，下面列举几个常见的应用场景：1. 飞机导航系统在飞机导航系统中，卡尔曼滤波器算法可以通过对飞机的位置、速度和姿态等参数进行滤波，提高导航的准确性和精度。

2. 机器人控制系统在机器人控制系统中，卡尔曼滤波器算法可以通过对机器人的位置、速度、姿态和力量等参数进行滤波，提高机器人的控制精度和稳定性。

3. 多传感器融合系统在多传感器融合系统中，卡尔曼滤波器算法可以通过对多个传感器的数据进行滤波和融合，提高数据质量和精度。

三、卡尔曼滤波器算法的实现方法卡尔曼滤波器算法的实现方法具有一定的复杂性，下面介绍一般的实现步骤：1. 定义状态向量和状态转移矩阵根据实际情况，定义状态向量和状态转移矩阵，描述系统状态的变化规律。

2. 定义测量向量和观测矩阵根据实际情况，定义测量向量和观测矩阵，描述传感器测量数据与状态向量之间的联系。

3. 计算预测值和预测误差协方差矩阵根据状态向量、状态转移矩阵和误差协方差矩阵，计算预测值和预测误差协方差矩阵。

基于SRCDKF的交互式多模型算法

ｍｅｈｄｕｈａＦｂｓｄＩｔｏｓｓｃｓＥＫａｅＭＭｇｒｈ，ａｄａｓｖｉｓｃｍｐｔｇｃｍｐｉａｅａｏｉｍａｒ．Ｎｍｅｕｎｅｃｒｉｌ－ｌｉａｏｔｍｎｏａｏｄｏｕｉｏｌｔｄＪｃｂｔｘｕｒｓｍｏｔａｌｓｍｕａｌｎｃｉｏｏ
矩阵在传播过程中的半正定性，从而具有良好的数值稳定性。本文结合上述方法的优势，针对非线性机动目标跟踪问题，提出了基于平方根中心差分卡尔曼滤波器
计算，比Ｐ也Ｆ方法节约了大量运算。根据Ｓｇａ点选ｉｍ取的不同，ＳＫＰＦ方法主要分为Ｕｓｅｔｄ卡尔曼滤波ｎｃｎｅ（Ｋ）中心差分卡尔曼滤波（ＤＦ）而ＣＫＵＦ和ＣＫ，ＤＦ具
来代表系统所有可能的行为方式，基于每个模型的滤波器并行的工作，系统的整体估计则是各模型滤波器所作估计的数据融合。实际跟踪问题中，测量值多在极坐标系下获得，而
多好的方法来解决此问题，互式多模型方法（ＭＭ）交Ｉ综合了这些方法的优点，目前工程中广泛应用的方是法之一｜Ｊｌ。该方法的主要思想是设计一系列的模型
的相关统计参量，从而避免了ＥＦＫ方法中Ｊｏｉａｂ矩阵ｃ
ＸＩＺｈｎｇｔＡｏ —ｉＷＡＮＧｈｎ。ｉＷＵｎｇｎｇ，Ｓｅｇｌ，Ｙａ
（ａｊｇＲｓａｃｎｔｕｅｏｌｔｎｃｅｈｏｇ，Ｎｎｉｇ２０３，ｈｎ）ＮｎｉｅｅｒＩｓｔｔｆｅｒｉｓｃｎｌｙｎｈｉＥｃｏＴｏａｊ１０９Ｃｉｎａ

多模型卡尔曼滤波

多模型卡尔曼滤波
多模型卡尔曼滤波（Multi-Model Kalman Filter）是一种控制系统中常用的状态估计方法，广泛应用于机器人、汽车、飞行器等各类自动化系统中。

该算法的核心思想是通过多种“子卡尔曼滤波器”来对某个系统的状态进行估计，从而更准确地反映出系统的实际状态。

多模型卡尔曼滤波算法的基本流程如下：
1.建立多个卡尔曼滤波器模型，每个模型都有自己的状态估计方程、观测方程和协方差矩阵。

2.通过一定的“模型选择策略”，根据不同的系统状态或环境参数，选择最合适的一个卡尔曼滤波模型进行状态估计。

3.当系统的状态或环境参数发生变化，根据实时的观测数据和卡尔曼滤波器的预测结果，重新选择最合适的卡尔曼滤波模型。

4.根据不同的模型权重，将各个卡尔曼滤波器的状态估计结果进行加权平均，得到最终的状态估计结果。

多模型卡尔曼滤波的主要优点在于，能够适应不同的系统状态或环境
条件，并且可以自动地选择最优的卡尔曼滤波模型进行状态估计。

此外，多模型卡尔曼滤波还可以提高系统的鲁棒性和容错性，即使某个
卡尔曼滤波模型由于某些原因失效，仍然可以通过其他模型保持系统
的正常运行。

在实际应用中，多模型卡尔曼滤波可以应用于各类自动化系统中，如
机器人、自动驾驶汽车、导航系统等。

例如，在自动驾驶汽车中，多
模型卡尔曼滤波可以用于对车辆的位置、速度、加速度等状态进行估计，从而实现精准的控制和导航。

总之，多模型卡尔曼滤波是一种有效的状态估计方法，具有高鲁棒性、高容错性和自适应性的优点，在自动化系统中有着广泛的应用前景。

两阶段卡尔曼滤波自适应交互式多模型算法

０引言
动目标而言，有可能采取各种不同的机动，因而不可能采用较少的子滤波器来准确描述目标的机动。为
需但机动目标跟踪理论是一个比较前沿的理论，在此，要用到大量具有不同参数的子滤波器，是研究表明使用过多的子滤波器并不一定能解决问题，军事领域和民用领域都有着广泛的应用。民用方面如：上导航、中交通管制等；海空军事应用如：弹防导御、战场监视、确制导等。其中，动目标跟踪在精机
．
ａａｉｅｉｔｒｃｉｅｍｕｌｉｅｍｏｅａｇｉｈｄｐｔｖｎｅａｔｖｔｐｌｄｌｌｏｒｔｍｗｉｈｃｍｂｉｇｔｅｔｏｓａｅｔｏｎｈｗ — ｔｇＫａｍａｉｅｎｈｅｌｎｆｌｒａｄｔｔ
（．军工程大学导弹学院，１空陕西三原７３０；．３１队，京１８０２９６７部北１１０）０４０
摘要：对于机动目标跟踪问题，由于目标机动能力的增强，需建立大量模型来逼近真实模式，使建立的目标
模型与目标的实际运动适配，但这使计算量增大，而且性能不一定能提高。针对这个问题，两阶段卡尔曼滤将波器与一般的交互式多模型算法相结合，计了一种自适应交互式多模型算法。该算法采用两阶段卡尔曼估设计器估计目标的加速度，然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波。与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量，

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于求积分卡尔曼滤波的交互式多模型算法
马丽丽，陈金广 ’
（．１西安工程大学计算机科学学院，西安７０４；２西安电子科技大学电子工程学院，西安７０７）１０８．１０１
摘要：针对非线性系统中的多模型估计问题，将求积分卡尔曼滤波算法应用到交互式多模型算法过程中，提出一种基于求积分卡尔曼滤
［ｂｔａｔｉｉｅｒｌｆｕｔｌｍｏｅｅｍｔｎｉｎｎｎａｓｓｍ，ｅｕｄａｒＫｌａｉｒｇＫ）ｓｍｌｅｅＡｓｃ］Ａｍｎａｔｏｅｏｌｐｄｌｓａｏｌｅｒｙｔｔａｒｔｅａｎｌｉ（ＦｉｅｐｙｄＯｈｒｇｔｈｐｂｍｍｉｅｔｉｎｏｉｅｈＱｉｕｍＦｔｎＱｅｏｔｔ
Ｂ பைடு நூலகம்ｄ０ａｒｔｒｌｎＦｌｒｎａｅｎＱｕｄａｕｅＫａｍａｉｅｉｇｔ
ＭＡｉｌ．Ｌ－ＣＨＥＮｉ－ｕｎ ’ ｉＪｎｇａｇ‘ 。
（．ｃｏｌｆｍｐｔｒｃｎｅＸｉｎＰｌｔｃｎｃＵｎｖｒｉ， ’ｎ７０４，ｈｎ；１ＳｈｏＣｏｕｅｉｃ， ’ ｏｙｅｈｉｉｅｓｙＸｉ１０８ＣｉａｏＳｅａｔａ２ＳｈｏｏＥｅｔｎｃｎｉｅｒｇＸｉｉｎＵｎｖｒｉ， ’ｎ７０７，ｈｎ）．ｃｏｌｆｌｃｒｉｇｎｅｎ，ｄａｉｅｓｙＸｉ１０１ＣｉａｏＥｉｔａ
ｍａｒｘｏｏｌｅｒｅｕｔｎｓｕｎｃｓａｙａｄａｌｔｅｂｔｅｒｏｒｏｍａｃａｅｏｔｉｅｈｎｔａｆｔｅｉｅａｔｌｐｅｍｏｅｔｉｆｎｎｉａｑａｉｓｉｎｅｅｓｒｎｉｌｅｔｒｅｒｒｐｅｆｒｎｅｃｎｂｂａｎｄｔａｈｔｏｎｔｒｃｎｇｍｕｔｌｄｌｎｏｔｈｉｉａｇｒｔｂａｅｎｕｎｃｎｅｌａｌｒｎ．ｉｌｔｏｅｕｔｈｗｆｅｔｅｅｓｏｅｎｗｌｏｔｍ．ｌｏｈｍｓｄｏｓｅｔｄＫａｍｎｆｔｉｇＳｍｕａｉｎｒｓｌｓｓｏｔｅｃｖｎｓｆｈｅａｇｒｈｉｉｅｈｅｉｔｉ
目标跟踪系统中，系统动态模型难以用单一模型来描述，此时需要使用其他方法获得更准确的状态估计，其中，多模型算法是一类有效的滤波算法。在过去的三十年中，多模型算法得到了深入研究，取得了许多重要成果。其中多模型方法是比较受关注的一类方法，从最开始的静态多模型和动态多模型，一直到变结构多模型，多模型算法经历了三代变迁，其中的交互式多模型（ｔａｔｇＭｕｔｌｄｌＩＩｅｃｉｌｐｅＭｏｅ，ＭＭ）ｎｒｎｉ算法与其他多模型算法相比，运算效率相对较高，估计精度相对较好，因此受到了广泛关注Ｉ。对于非线性系统，需要使用非线性滤波方法。常用的方
［ｙｗｏｄ］ＩｔｒｃｎｌｐｅＭｏｅ（ＫｅｒｓｎｅａｔｇＭｕｔｌｄｌＭＭ）ｎｎｉｅｌｒｇＱｕｄａｕｅｌｎＦｌｒｇＱ）ｔｒｅａｋｎ；ｔｅｓｍａｏｉｉＩ；ｏｌａｆｔｎ；ａｒｔｒｍａｉｅｉ（ＫＦ；ａｇｔｒｃｉｇｓｔｔｔｎｎｒｉｅｉＫａｔｎｔａｅｉｉＤＯＩ１．９９．ｓ．００３２．１．．５：０３６／ｉｎ１０ —４８２１１０ｊｓ０６６
波的交互式多模型算法。该算法不需要求取非线性方程的雅可比矩阵，能够获得比基于不敏卡尔曼滤波的交互式多模型方法更高的滤波且精度。仿真结果证明了该算法的有效性。
关奠河：交互式多模型；非线性滤波；求积分卡尔曼滤波；目标跟踪；状态估计
ＩｔｒｃｉｇＭｕｔｌｏｅｇｒｔｍｎｅａｔｌｉｅＭｄｌｎｐＡｌｏｉｈ
ｌ概述
卡尔曼滤波针对模型单一的线性系统滤波问题。在机动
好的滤波精度。Ｆ算法的缺点是：ＱＫ如果求积分点选取过高，时间复杂度就会增大。本文将ＱＫＦ算法应用到交互式多模型算法中，提出了一种基于求积分卡尔曼滤波的交互式多模型
算法（ｔｒｃｎＭｕｔｌＩｅａｔｇｎｉｌｐｅｉＭｏｅａｅｏＱａｒｔｒｄｌｓｄｎｕｄａｕｅＢ
ｐｏｅｓｏｅＩｔｒｃｉｇＭｕｔｌＭｏｅ（ＭＭ）ｌｏｔｍｎｌｉｔａｔｇｍｕｔｌｄｌｌｏｔｍａｅｎＱＫＦｉｐＯｏｅ．ｈａｏｉｒｃｓｆｈｅａｔｌｐｅｄｌｔｎｎｉＩａｇｒｈａｄａｅｃｎｌｐｅｍｏｅａｇｒｉｌｎｒｉｉｉｈｂｓｄｏｒｐｓｄＴｅＪｃｂａｓｎ
第３７卷第１期６
、１７，－０３
・
计
算
机
工
程
２１０１年８月
Ａｕｕｔ２１ｇｓ０１
Ｎｏ１．６
ＣｏｕｅｇｎｅｉｇｍｐｔｒＥｎｉｅｒｎ
人工智能及识别技术・
￣Ｍｌ４（１１－１ — ３文标码ｔ中分类Ｐ１Ｎ１Ｉｑ，００２２１６－９－８０）０ｌｏ献识Ａ圈号ｔ３，９Ｔ９Ｔ１