精华内容
下载资源
问答
  • 无迹粒子滤波

    2012-01-19 18:49:04
    A NEW UNSCENTED PARTICLE FILTER 2008 一种新的无迹粒子滤波
  • 针对粒子滤波存在退化现象,从围绕增加粒子的多样性和重要性分布函数的选择出发,提出了一种改进的无迹粒子滤波算法.该算法是利用迹卡尔曼滤波产生的近似高斯分布作为重要性密度函数,在每次迭代中,结合马尔科夫链...
  • 针对目前无迹粒子滤波算法(UPF)在城市车载组合导航系统滤波中容易出现粒子贫化及粒子多样性损失等现象,为了克服以上缺陷来提高组合导航定位系统的导航精度和可靠性;将混沌粒子群优化(CPSO)融入UPF算法的重采样过程...
  • 针对机器人导航迹快速同步定位与地图构建(Unscented FastSLAM)算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子...
  • 基于该分布式结构,结合Unscented粒子滤波(UPF)和协方差交集(CI)融合方法设计完成了分布式无迹粒子滤波算法(DUPF-CI),统一了近、中、远程情况下滤波融合算法,仿真结果表明该算法对舰艇编队协同防空可行且...
  • 讲述了自适应无迹粒子滤波的目标跟踪算法!
  • 为了提高三维运动声阵列在有色噪声环境中对二维机动目标的跟踪精度,提出了一种基于测量残差的自适应交互多模型无迹粒子滤波算法。该算法建立了三维运动声阵列跟踪系统动态模型,通过迹变换(unscented ...
  • 行业分类-物理装置-基于肌电肌音模型和无迹粒子滤波的关节运动估计方法.zip
  • 2012年 10月 农 业 机 械 学 报 第 43卷第 10期DOI:10.6041/j.issn.10001298.2012.10.028基于区间分析无迹粒子滤波的移动机器人SLAM方法1,2 1,2 1 ...

    2012年 10月 农 业 机 械 学 报 第 43卷第 10期

    DOI:10.6041/j.issn.10001298.2012.10.028

    基于区间分析无迹粒子滤波的移动机器人SLAM方法

    1,2 1,2 1 1

    刘洞波  刘国荣  王迎旭  肖 鹏

    (1.湖南工程学院计算机与通信学院,湘潭 411104;2.湖南大学电气与信息工程学院,长沙 410082)

    【摘要】 移动机器人同时定位与地图创建算法 SLAM中,非线性系统线性化处理和雅可比矩阵计算导致运算

    量大、系统状态估计精度较低。为此提出了一种基于区间分析的无迹粒子滤波同时定位与地图创建的方法。利用

    基于区间分析的区间粒子滤波进行位姿估计,降低了定位需要的粒子数;并采用无迹卡尔曼滤波更新地图中的特

    征,提高了地图创建的精度。在同等粒子数的情况下,改进了 SLAM的精度,减少了运算时间,实验结果验证了方

    法的有效性。

    关键词:移动机器人 同时定位与地图创建 粒子滤波器 区间分析 无迹卡尔曼滤波

    中图分类号:TP24 文献标识码:A 文章编号:10001298(2012)10015506

    SLAMMethodforMobileRobotBasedonInterval

    AnalysisUnscentedParticleFilter

    1,2 1,2 1 1

    LiuDongbo  LiuGuorong  WangYingxu XiaoPeng

    (1.CollegeofComputerandCommunication,HunanInstituteofEngineering,Xiangtan411104,China

    2.CollegeofElectricalandInformationEngineering,HunanUniversity,Changsha410082,China)

    Abstract

    Inparticlefiltersimultaneouslocalizationandmappingmethod(SLAM)formobilerobots,

    linearizationofnonlinearsystemsandderivationoftheJacobianmatricesleadtolargecomputingand

    systemstateestimationproblemoflowaccuracy.Tosolvethisproblem,aSLAMmethodbasedoninterval

    analysisandunscentedparticlefilterwasproposed.Thenumberofparticleswasseriouslyreducedbased

    ontheintervalanalysisforposeestimation.Thenaturelandmarkswereupdatedthroughunscented

    Kalmanfiltertoimprovemapestimationaccuracy.Thisapproachimprovedthestateestimationaccuracy

    andcomputationaleffortwithasmallernumberofparticlesthanpreviousapproaches.Theresults

    indicatedthattheproposedmethodwasvalid.

    Keywords Mobilerobot,SLAM,Particlefilter,Intervalanalysis,UnscentedKalmanfilter

    展开全文
  • 熵是基于图像的一维灰度直方图得到的,仅利用了像素的灰度信息。最小交叉熵就是要寻找最优阈值使原始图像和分割图像之间的信息量的差异最小,在交叉熵的基础上,通过引入图像的空间信息,定义了二维类内交叉熵,并...
  • 为此提出了一种基于区间分析的无迹粒子滤波同时定位与地图创建的方法.利用基于区间分析的区间粒子滤波进行位姿估计,降低了定位需要的粒子数;并采用迹卡尔曼滤波更新地图中的特征,提高了地图创建的精度.在同等粒子...

    【摘要】

    In particle filter simultaneous localization and mapping method ( SLAM ) for mobile robots, linearization of nonlinear systems and derivation of the Jacobian matrices lead to large computing and system state estimation problem of low accuracy. To solve this problem,a SLAM method based on interval analysis and unscented particle filter was proposed. The number of particles was seriously reduced based on the interval analysis for pose estimation. The nature landmarks were updated through unscented Kalman filter to improve map estimation accuracy. This approach improved the state estimation accuracy and computational effort with a smaller number of particles than previous approaches. The results indicated that the proposed method was valid.%移动机器人同时定位与地图创建算法SLAM中,非线性系统线性化处理和雅可比矩阵计算导致运算量大、系统状态估计精度较低.为此提出了一种基于区间分析的无迹粒子滤波同时定位与地图创建的方法.利用基于区间分析的区间粒子滤波进行位姿估计,降低了定位需要的粒子数;并采用无迹卡尔曼滤波更新地图中的特征,提高了地图创建的精度.在同等粒子数的情况下,改进了SLAM的精度,减少了运算时间,实验结果验证了方法的有效性.

    展开全文
  • 扩展卡尔曼滤波_无迹卡尔曼滤波_扩展信息滤波_l粒子滤波算法.rar
  • 所有滤波问题其实都是求感兴趣的状态的后验概率分布,只是由于针对特定条件的不同,可通过求解析解获得后验概率(KF、EKF、UKF),也可通过大数统计平均求期望的方法来获得后验概率(粒子滤波)。 KF、EKF、UKF ...

    所有滤波问题其实都是求感兴趣的状态的后验概率分布,只是由于针对特定条件的不同,可通过求解递推贝叶斯公式获得后验概率的解析解(KF、EKF、UKF),也可通过大数统计平均求期望的方法来获得后验概率(PF)。

    1 KF、EKF、UKF

    1.1 定义

    KF、EKF、UKF 都是一个隐马尔科夫模型与贝叶斯定理的联合实现。是通过观测信息及状态转移及观测模型对状态进行光滑、滤波及预测的方法。而KF、EKF及UKF的滤波问题都可以通过贝叶斯估计状态信息的后验概率分布来求解。Kalman在线性高斯的假设下,可以直接获得后验概率的解析解;EKF是非线性高斯模型,通过泰勒分解将非线性问题转化为线性问题,然后套用KF的方法求解,缺陷是线性化引入了线性误差且雅克比、海塞矩阵计算量大;而UKF也是非线性高斯模型,通过用有限的参数来近似随机量的统计特性,用统计的方法计算递推贝叶斯中各个积分项,从而获得了后验概率的均值和方差。

    1.2 原理

    KF、EKF、UKF滤波问题是一个隐马尔科夫模型与贝叶斯定理的联合实现。一般的状态模型可分为状态转移方程和观测方程,而状态一般都是无法直接观测到的,所以时隐马尔科夫模型。然后,它将上一时刻获得的状态信息的后验分布作为新的先验分布,利用贝叶斯定理,建立一个贝叶斯递推过程,从而得到了贝叶斯递推公式,像常用的卡尔曼滤波、扩展卡尔曼滤波、不敏卡尔曼滤波以及粒子滤波都是通过不同模型假设来近似最优贝叶斯滤波得到的。这也是滤波问题的基本思路。所有贝叶斯估计问题的目的都是求解感兴趣参数的后验概率密度。
    并且后验概率的求解是通过递推计算目标状态后验概率密度的方法获得的。在贝叶斯框架下,通过状态参数的先验概率密度和观测似然函数来求解估计问题;在目标跟踪背景下(隐马尔科夫模型),目标动态方差决定状态转移概率,观测方程决定释然函数。一般化的整个计算过程可以分为3步:
    01. 一步状态预测:通过状态转移概率及上一时刻的后验概率算出一步预测概率分布。从而得到状态预测的均值和方差
    02. 归一化系数计算:通过对似然函数与一步状态预测概率的乘积中的状态进行积分,可以得到观测转移的概率分布,从而得到目标观测的均值和方差,并可算出卡尔曼增益(用来权衡预测与观测对状态滤波的贡献)
    03. 然后利用递推贝叶斯公式算得状态的后验概率,从而得到目标状态的均值和方差【高斯乘积定理】
    其中KF可以直接得到解析解,EKF通过泰勒分解线性化后可得到解析解,而UKF通过在定义域按一定规则采样来近似获得后验状态的均值和方差,但这些样本点的要求是样本均值和方差收敛于真正的均值和方差,不过已经有许多学者提出了相关的采样方法。

    1.2.1 Kalmanlfilter:

    动态方程和观测方程式线性高斯的,且k-1时刻的后验密度也是高斯的,【近似高斯分布使得计算很方便,仅用均值和方差就可以完全界定高斯分布,并且这一假设在实际应用中效果也是非常好,】
    主要就是实现贝叶斯递推公式的求解,需要有概率、矩阵、积分运算的基本知识,在结合高斯乘积定理。

    1.2.2 扩展kalmanfilter:

    是一个简单的非线性近似滤波算法,指运动方差或观测方程不是线性的情况。为了简化计算,EKF通过一阶泰勒分解线性化运动/观测方程。KF与EKF具有相同的算法结构,都是以高斯形式描述后验概率密度的,都是通过计算贝叶斯递推公式得到的。最大的不同之处在于,计算方差时,EKF的状态转移矩阵(上一时刻的状态信息k-1|k-1)和观测矩阵(一步预测k|k-1)都是状态信息的雅克比矩阵。主要问题如下:
    1. 运动及观察模型用泰勒级数的一阶或二阶展开近似成线性模型,忽略了高阶项,不可避免的引入线性误差,甚至导致滤波器发散。有如下误差补偿方法:
    泰勒近似使得状态预测必然存在误差:
    A) 补偿状态预测中的误差,附加“人为过程噪声”,即通过增大过程噪声协方差来实现这一点。
    B) 扩大状态预测协方差矩阵,用标量加权因子φ>1乘状态预测协方差矩阵
    C) 利用对角矩阵φ=diag(sqrt(φi)), φi>1来乘以状态预测协方差矩阵
    其实无论增大过程噪声协方差还是状态预测协方差矩阵,都是为了增大kalman增益,即状态预测是不准的,我要减小一步状态预测在状态更新中的权重。
    2. 雅克比矩阵(一阶)及海塞矩阵(二阶)计算困难。二阶EKF的性能要好于一阶的,而二阶以上的性能相比于二阶并没有太大的提高,所以超过二阶以上的EKF一般不采用。但二阶EKF的性能虽好,但计算量大,一般情况下不用

    1.2.3 无迹kalman滤波

    前面的KF和EKF都是都将问题转化为线性高斯模型,所以可以直接解出贝叶斯递推公式中的解析形式,方便运算。但对于非线性问题,EKF除了计算量大,还有线性误差的影响,所以这里引入UKF。对于求解非线性模型的贝叶斯递推公式的主要困难在于如何解析的求解一步预测状态分布的概率、(观测方程得到的)似然函数分布密度以及后验条件概率的分布,EKF利用泰勒分解将模型线性化,在利用高斯假设解决了概率计算困难的问题。但是线性误差的引入降低了模型精度。那么我们换个思路,对于非线性模型,直接用解析的方式来求解贝叶斯递推公式比较困难主要很难解析的得到各个概率分布的均值和方差,但不敏变换(一种计算非线性随机变量各阶矩的近似方法)却可以较好的解决这个问题,通过一定规律的采样和权重,可以近似获得均值和方差。而且由于不敏变换对统计矩的近似精度较高,UKF的效果可以达到二阶EKF的效果。
    详细的推导过程如下图所示,由于EKF及UKF都是KF的扩展版本,所以推导过程极为相似。【详细的推导可以参考 [机器学习方法原理及编程实现–07.隐马尔科夫及其在卡尔曼滤波中的应用][1].】
    [1]https://blog.csdn.net/drilistbox/article/details/79886714
    这里写图片描述

    KF、EKF及UKF均较为简单,且网上有大量的开源算例,这里不再累述。

    2 粒子滤波

    2.1 定义

    粒子滤波也是一种非线性算法,是基于门特卡罗仿真的最后回归贝叶斯滤波算法,通过对后验概率密度进行数值近似求解,感觉是完全从大数定理统计的角度来解决问题。它将关心的状态矢量表示为一组带有权值的随机样本,并且基于这些样本和权值可以计算出状态估值。该方法没有模型或高斯噪声的限制。

    2.2 原理

    滤波问题中的困难主要在于后验概率的计算,粒子滤波的出发点是:只要从后验概率中采样很多粒子,用它们的状态求平均就得到了滤波结果。
    1. 引入蒙特卡洛随机采样来计算后验概率,从统计上获得状态的均值(后验概率分布的期望)
    2. 但由于采样时无法直接知道后验概率的分布,所以引入重要性采样这个方法,通过公式变换将问题转化为从已知分布中进行采样去计算粒子权值;
    3. 然后又通过马尔科夫性将权重计算转换成序贯权重计算(SIS)
    4. 通过残差重采样避免了权重消失现象。(SIS+重采样=标准的粒子滤波)
    5. 重要性概率密度函数=状态转移概率,简化粒子权重计算(SIR)

    2.2.1 kf/ekf/ukf与pf有什么区别和联系

    相同点:都是求后验概率
    不同点:条件的差别导致了求解方法的差别,由于kf/ekf/ukf都是高斯噪声,所以不论模型线性与否都能得到近似近似解析解,而pf没有模型限定,因此是Kf是通过求解递推贝叶斯公式来得到后验概率分布的,而pf直接通过带权重的随机样本统计后验概率的均值。

    2.2.2 门特卡罗

    这里写图片描述

    2.2.3 重要性采样

    这里写图片描述

    2.2.4 序贯重要性采样(SIS)

    这里写图片描述

    2.2.4.1 重采样

    这里写图片描述

    2.2.4.1.1 标准的粒子滤波算法(sis+重采样)

    这里写图片描述

    2.2.4.2 SIR滤波器 (重要性概率密度函数=状态转移概率,简化粒子权重计算)

    这里写图片描述

    2.2.4.2.1 SIR滤波器流程

    这里写图片描述

    2.2.5 算例实现

    这里写图片描述

    2.2.5.1 算例实现1:非线性运动模型的状态估计

    这里写图片描述
    代码实现:

    clear all
    close all
    clc
    x = 0.1; % initial actual state
    x_N = 1; % 系统过程噪声的协方差(由于是一维的,这里就是方差)
    x_R = 1; % 测量的协方差
    T = 75;  % 总的时刻数
    N = 100; % 粒子数,越大效果越好,计算量也越大
    
    V = 2; %初始分布的方差
    x_P = []; % 粒子
    % 粒子集初始化,按初始先验概率(这里设为高斯分布)生成初始粒子集合
    for i = 1:N
        x_P(i) = x + sqrt(V) * randn;
    end
    
    z_out = [x^2 / 20 + sqrt(x_R) * randn];  %实际测量值
    x_out = [x]; 
    x_est = [x]; 
    x_est_out = [x_est]; 
    
    for t = 1:T
        x = 0.5*x + 25*x/(1 + x^2) + 8*cos(1.2*(t-1)) +  sqrt(x_N)*randn;
        z = x^2/20 + sqrt(x_R)*randn;
        for i = 1:N
            %根据状态转移函数计算粒子的一步预测
            x_P_update(i) = 0.5*x_P(i) + 25*x_P(i)/(1 + x_P(i)^2) + 8*cos(1.2*(t-1)) + sqrt(x_N)*randn;
            %根据观测方程计算采样粒子的观测值
            z_update(i) = x_P_update(i)^2/20;
            %利用似然函数更新权重
            P_w(i) = (1/sqrt(2*pi*x_R)) * exp(-(z - z_update(i))^2/(2*x_R));
            %由于重采样后的权重为均匀分布,所以在计算未归一化的权重时可以不再乘以上一时刻的权重
        end
        % 归一化.
        P_w = P_w./sum(P_w);
        %残差重采样
        for i = 1 : N
            x_P(i) = x_P_update(find(rand <= cumsum(P_w),1));   % 粒子权重大的将多得到后代
        end                                                     % find( ,1) 返回第一个符合前面条件的数的下标
    
        %状态估计,重采样以后,每个粒子的权重都变成了1/N
        x_est = mean(x_P);
    %     x_est = sum(P_w.*x_P_update);
    
        x_out = [x_out x];
        z_out = [z_out z];
        x_est_out = [x_est_out x_est];
    end
    
    t = 0:T;
    figure(1);
    clf
    plot(t, x_out, '.-b', t, x_est_out, '-.r','linewidth',3);
    set(gca,'FontSize',12); set(gcf,'Color','White');
    xlabel('time step'); ylabel('flight position');
    legend('True flight position', 'Particle filter estimate');

    2.2.5.2 算例实现2:视频中红色像素点跟踪

    这里写代码片
    代码实现:https://pan.baidu.com/s/1qZLJ7Gg

    3 但这些方法都有优缺点:

    KF优点:计算简单
    KF缺点:高斯线性模型约束
    EKF优点:可以近似非线性问题
    EKF缺点:高斯噪声约束,线性化引入了误差会可能导致滤波发散,雅克比矩阵(一阶)及海塞矩阵(二阶)计算困难
    UKF优点:模型无损失,计算精度高
    UKF缺点:高斯噪声约束
    Kf是最优贝叶斯滤波的解析解,ekf和ekf是最优贝叶斯滤波的解析近似解。虽然ukf和ekf的计算效率很高,但是他们的计算精度受到有效性的限制,若有足够的计算资源,通过对后验概率密度进行数值近似可以提高计算进度。

    PF优点:模型噪声无限制,原理简单,
    PF缺点:计算量大,为了减缓权重缩减而引入重抽样,限制了算法的平行计算;抽样枯竭【具有较大权值的粒子将多出选中,使得现存的粒子不在能代表现有的概率密度,当过程噪声较小时,所有粒子讲可能转变为一个单一的点】,正则粒子滤波好像可以减轻这种现象,但我还没看。
    推荐看看无味卡尔曼滤波(UKF),他是有选择的产生粒子,粒子的权重均值和方差收敛于真正的均值和方差,
    而PF是随机产生(按指定分布产生)。

    展开全文
  • 针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法?该算法在多模型滤波过程中采用改进的粒子滤波算法,通过...
  • 无迹卡尔曼滤波(UKF)的总结: EKF通过在工作点附近进行一阶泰勒展开来线性化非线性的运动方程和观测方程。这样的线性近似在高度非线性的情况下存在较大误差。而UKF换了一个线性化的思路。1)选取2n+1个点(sigma点...

    对无迹卡尔曼滤波(UKF)的总结:
    EKF通过在工作点附近进行一阶泰勒展开来线性化非线性的运动方程和观测方程。这样的线性近似在高度非线性的情况下存在较大误差。而UKF换了一个线性化的思路。1)选取2n+1个点(sigma点),n为状态向量的维度。为每个sigma点分配权重。2)用采样的点计算出下一状态的均值和方差。公式如下所示:
    μy=iWig(Xi)Σy=iWi(g(Xi)μy)(g(Xi)μy)T \begin{array}{l}{\boldsymbol{\mu}_{y}=\sum_{i} W_{i} \mathbf{g}\left(\mathbf{X}_{i}\right)} \\ {\Sigma_{y}=\sum_{i} W_{i}\left(\mathbf{g}\left(\mathbf{X}_{i}\right)-\boldsymbol{\mu}_{y}\right)\left(\mathbf{g}\left(\mathbf{X}_{i}\right)-\boldsymbol{\mu}_{y}\right)^{T}}\end{array}
    Xi\mathbf{X}_{i}为采样点,WiW_{i}为权重值,μy\mu_{y}为计算出的状态量均值,Σy\Sigma_{y}为对应的方差。
    3)后续的操作就与KF是一致的了。

    UKF用选取的有限个采样点去近似预测和测量状态量的高斯分布。这样的近似方法使UKF无需计算雅克比矩阵。相对于EKF的单点线性化,UKF的近似误差会更小一点。

    主要的操作是
    1)如何选取采样点?
    2)如何给采样点分配权重?

    示例代码:
    UKF-C++

    参考网址:
    概率机器人——扩展卡尔曼滤波、无迹卡尔曼滤波
    无迹卡尔曼滤波-1 这篇文章讲述了EKF误差产生的原因。
    无迹卡尔曼滤波-2
    再谈EKF与UKF——先验线性化与后验线性化

    对粒子滤波(PF)的总结:
    UKF用少数点来近似状态分布。但它依然在卡尔曼滤波对系统的线性、高斯假设下。当系统的线性程度很差的时候,卡尔曼滤波的效果也不会太好。而且卡尔曼滤波很难实现全局定位。所以它主要用于位置追踪。粒子滤波属于无参数滤波,它没有具体的得到后验结果的函数,其思路是用粒子集近似系统状态的分布。所以它可以近似任何系统状态分布。这样的特性也为它处理全局定位和机器人绑架问题奠定了基础。

    粒子滤波的主要步骤如下:
    1.用运动模型更新粒子集的预测状态。
    2.用观测模型计算每个粒子的权重。
    3.重采样粒子,使粒子集向权重大的粒子靠拢。
    4.用粒子集的均值状态量来表征机器人的状态。

    其中决定粒子滤波性能的关键步骤就是重采样。所以重采样的策略需要慎重考究。

    参考网址:
    概率机器人——粒子滤波

    展开全文
  • 针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活...
  • 扩展卡尔曼-无迹卡尔曼-粒子滤波示例 里面包含ukf,ekf,pf的matlab代码过程 其中,状态方程和观测方程 可能与你的不一样,到时候自己替换就好,没有测试数据 不过自己对一遍公式就知道 该代码是否正确
  • 结合灰色预测模型和粒子滤波,提出一种新的视觉目标跟踪算法.由于粒子滤波未考虑先验信息对建议分布产生...与粒子滤波、卡尔曼粒子滤波和无迹粒子滤波进行对比实验,结果表明所提出的算法在视觉目标跟踪中具有更好的性能.
  • 粒子滤波

    2020-11-24 16:00:08
    卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及粒子滤波原理 里面归纳共性部分非常有道理,大道若简 所有滤波问题其实都是求感兴趣的状态的后验概率分布,只是由于针对特定条件的不同,可通过求解递推贝叶斯公式...
  • 针对粒子滤波的退化现象、样本贫化问题以及标准无迹粒子滤波(UPF)算法计算量偏大的缺陷,利用基于超球面采样变换(SSUT)的UKF算法产生重要性概率密度函数,与序贯重要性再采样(SIR)结合,并引入粒子群优化,形成一种新的...
  • 人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.... 结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.
  • 提出一种基于粒子群优化的无迹卡尔曼滤波(panicle swarm optimized unscented Kalman filter, PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法...
  • 无迹卡尔曼滤波UKF_代码及调参(2)

    万次阅读 多人点赞 2019-01-03 22:17:29
    版权声明:本文为博主原创文章,未经博主允许不得转载。... 从试验工况到建模离散化,再到模型参数辨识,再到最简单的卡尔曼,比如扩展卡尔曼和自适应卡尔曼...容积卡尔曼CKF以及粒子滤波PF,粒子滤波某种程度上也可...
  • 为了改善非线性系统状态估计问题中粒子滤波算法的估计精度,提出采用二阶中心差分滤波方法来产生建议分布函数的新算法。...仿真实验表明,与无迹粒子滤波算法相比,新算法的计算量更小,估计精度提高了20%以上。
  • 针对标准粒子滤波算法存在的粒子退化现象而导致滤波精度低的问题,研究了容积粒子滤波...仿真结果表明,较之于标准粒子滤波无迹卡尔曼滤波算法,容积粒子滤波算法滤波精确度更高,是一种理想的非线性滤波估计策略.
  • EKF)、UKF和粒子滤波

    2016-02-23 15:49:22
    多种滤波器算法,扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF和粒子滤波(PF

空空如也

空空如也

1 2 3 4 5 ... 14
收藏数 279
精华内容 111
关键字:

无迹粒子滤波