無跡卡爾曼濾波的案例
239 基于matlab的EKF(擴展卡爾曼濾波)_UKF(無跡卡爾曼濾波)_PF（粒子濾波）三種算法的估計結果比較 ￥19.89
基于matlab的EKF(擴展卡爾曼濾波)_UKF(無跡卡爾曼濾波)_PF（粒子濾波）三種算法的估計結果比較，輸出估計誤差，并單獨對粒子濾波進行估計及其置信區間可視化。程序已調通，可直接運行。
技術鄰學院丨科學算法與MATLAB密切結合之視頻詳解，不看后悔！
視頻課程
卡爾曼濾波算法與應用和MATLAB程序詳解視頻實時技術信號處理
視頻包含8章45個視頻。主要內容簡介： 卡爾曼濾波數學模型及MATLAB程序，卡爾曼濾波所需數學知識， 標準卡爾曼濾波(KF)處理線性離散隨機系統， 擴展卡爾曼濾波(EKF)處理非線性微分隨機系統， 無跡卡爾曼濾波(UKF)處理非線性離散隨機系統， 交互多模型(IMM)濾波處理出現機動轉彎的運動物體跟蹤等。
經驗模態分解EMD算法和希爾伯特黃變換HHT和MATLAB程序視頻
本系列課程，在希爾伯特變換(HT)、希爾伯特-黃變換(HHT)和EMD算法的端點效應處理方面，進行了全面地、深入地設計與講解。
最小二乘法回歸分析算法及多項式非線性擬合和MATLA程序視頻
整個視頻課程在一元線性回歸、可線性化的曲線模型、多元線性回歸、自變量選擇方法、一元或多元多項式非線性回歸和相關分析等方面，進行了全面地、系統地、深入地設計與講解。
卷積神經網絡(CNN)識別數字和英文字母與MATLAB程序詳解視頻答疑
卷積神經網絡視頻課程下載包括7章55個視頻，主要內容包括：卷積神經網絡算法的影響力及其研究領域簡介、神經網絡基本概念、BP神經網絡及其應用到分類識別不同信號等等。
非局部均值濾波（NL_Means）類算法及其應用和MATLAB程序詳解視頻
本課程共25個章節，其主要內容包括：非局部均值濾波類算法的影響力及其研究領域簡介、非局部均值濾波類算法入門、基于濾波參數自適應的非局部均值濾波算法等等。
展開 MBSE產品模型架構應用：基于模型驅動架構概念的自主水下航行器控制器的MBSE應用（上）
因此，在一些研究反步，神經網絡，計算扭矩方法和數字濾波器（如擴展/無跡卡爾曼濾波器（EKF / UKF））的研究中，通過使用控制技術來提高其AUV性能，SMC得到了改進。
上述評估導致我們選擇PID和反步的組合來執行AUV控制器的連續模型演化，稱為積分反步（IB）技術。
在開發新的AUV應用的生命周期時，還必須考慮可重用性，以降低成本和資源。對象管理組織（OMG）標準化了統一建模語言（UML），該語言是用于可視化，指定，構造和記錄軟件密集型系統工件的行業標準。系統建模語言（SysML）由OMG標準化用于系統工程。SysML是UML的擴展，可以提供簡單但功能強大的構造，用于對各種系統工程問題進行建模。然而，UML和SysML的缺點是它們缺乏對已開發系統的內部連續行為的演變進行建模的能力。
另一方面，基于模型的系統工程（MBSE）方法由INCOSE形式化，以在復雜系統的開發生命周期中對整個工件進行穩健建模。在對MBSE方法的調查中發現了系統工程方法的例子，包括Magic Grid，Harmony-SE，面向對象的系統工程方法（OOSEM），系統工程的合理統一過程（RUP-SE），狀態分析方法和對象過程方法（OPM）。模型驅動架構（MDA）由OMG標準化，用于將系統操作規范與系統如何使用其平臺功能的細節分開。MDA 的三個主要目標是通過架構關注點分離實現可移植性、互操作性和可重用性。在這里，可移植性允許在新的或多個平臺上實現相同的解決方案，互操作性創建了可以輕松與其他系統集成和通信并使用各種資源應用的系統，而可重用性構建了可以在不同上下文中的許多不同應用中重用的解決方案。Sebastián等人通過在2008年至2018年期間對軟件工程中的MDA文獻進行系統映射來調查MDA應用。
展開 基于四輪轉向和直接橫擺力矩控制的路徑跟蹤集成底盤控制算法設計
設計的底盤集成控制算法主要由三部分組成：(1) 考慮參數不確定性、外部擾動、測量噪聲和未建模的動力學特性，利用μ合成方法設計用于路徑跟蹤的魯棒控制器；(2) 提出了控制分配算法，基于加權最小二乘法將輸出扭矩需求分配給每個輪轂電機；(3) 考慮到車輛橫向速度是路徑跟蹤控制的關鍵狀態變量，由于使用低成本傳感器不易測量，因此利用無跡卡爾曼濾波器設計了狀態觀測器，進行橫向速度的估計。為了驗證所設計的底盤集成控制算法的性能，在MATLAB/Simulink中進行了單車道變換、彎道變換和雙車道變換等三種仿真工況，并在CarSim中構建了精度較高的整車模型。將提出的底盤集成控制算法與其他三種控制算法，即主動前轉向、四輪轉向和主動前轉向+直接橫擺力矩控制進行比較，仿真結果表明底盤集成控制算法具有更好的路徑跟蹤性能和操控穩定性。同時，在車速變化和不同路況下也驗證了底盤集成控制算法的魯棒性能。
關鍵詞：四輪轉向，直接橫擺力矩控制，路徑跟蹤，魯棒控制
1 引言
近年來，隨著擁堵、事故等各種交通問題的增多，自動駕駛技術成為智能交通系統（ITS）解決上述問題的新興研究熱點。路徑跟蹤是自主地面車輛（AGV）的基本能力和主要任務，因此為了使車輛自動跟蹤目標路徑，需要設計路徑跟蹤控制器，以實現包括橫向位移和橫擺角誤差等的跟蹤誤差最小。
近年來，許多研究人員對AGV的路徑跟蹤控制問題進行了研究。
展開 
MBSE產品模型架構應用：基于模型驅動架構概念的自主水下航行器控制器的MBSE應用（下）
圖9.AUV安裝用于試航
圖 10.AUV達到并遵循所需的矩形軌跡：（a）使用擴展卡爾曼濾波器（EKF）算法;（b） 使用無跡卡爾曼濾波 （UKF） 算法
圖 11.AUV達到并遵循所需的三角形軌跡：（a）使用EKF算法;（b）使用UKF算法
表 4.魚雷形AUV航向跟蹤的測試結果
通過與相關文獻獲得的測試結果進行比較，該電流AUV控制器在穩定間隔和軌跡誤差方面均優于穩定間隔和軌跡誤差，分別降低了約0.7 s和0.90 m。UKF使得估計更加準確，盡管UKF中的運算，例如無跡變換（UT），即算法2中的UT函數，可能看起來比EKF更復雜，但張柏強等人和Raitoharju和Piché深入研究了對各種卡爾曼濾波器擴展應用的實際計算復雜性和優化的評估。
表5描述了使用MBSE方法結合MDA組件對上述AUV應用的評估。
表 5.評估基于模型的系統工程（MBSE）方法結合模型驅動架構（MDA）的魚雷形AUV控制應用
（CIM，獨立于計算的模型；PIM，獨立于平臺的模型；PSM，特定于平臺的模型；IDE，實現開發環境；OMG，對象管理組；XML，可擴展的標記語言；MOF，元對象工具；UML，統一建模語言；SysML，系統建模語言）。
展開 軍用地面無人機動平臺技術發展綜述
其原理是利用擴展卡爾曼濾波[55]、無跡卡爾曼濾波[56]、稀疏擴展信息濾波[57]、Rao-Backwellized粒子慮波[58]等技術實現路標估計、軌跡估計和車輛位置估計。經過近30年的發展,在理論層面上,SLAM問題已經基本被解決[59],然而其在具體應用中仍呈現出諸多問題,目前其相關研究重點主要集中在計算復雜度、環境表示、數據關聯等方面的改進[60]。與其他增量式的位置估計方法相比,SLAM因使用更多的傳感器歷史信息,其定位結果產生的增量誤差更小。另外,SLAM采用數據關聯解決閉環問題,可以消除位置估計的累計誤差[61]。SLAM在解決大范圍動態環境,特別是GPS信號較弱或是不穩定區域中無人機動平臺的長時間地圖重建和定位問題方面有著巨大潛力。因此,越來越多的研究者將SLAM用于地面無人機動平臺在復雜環境中的定位。Moosmann等提出一種只使用Velodyne三維激光雷達數據的SLAM方法,該方法被證明在不使用速度傳感器和其他信息的情況下,SLAM算法也能精確地建立地圖和定位,并且比組合導航精度更高,可用于精細的城市地圖構建[61]。Cho等提出了針對無人機動平臺野外環境行駛的SLAM算法。該算法采用雙模糊C-均值聚類方法提取野外樹木特征點,并使用擴展卡爾曼濾波進行同時定位和建立地圖[62]。Tamjidi等融合激光雷達數據和單目相機數據,提出了基于單點RANSAC-擴展卡爾曼濾波方法SLAM算法,用于無人機動平臺在無GPS信號環境下的位置估計,其估計誤差小于總路徑長度的1.9%[63].Su等提出了一種結合擴展卡爾曼濾波-無跡卡爾漫濾波的無人機動平臺的SLAM算法,該方法被證明比傳統擴展卡爾曼濾波-SLAM算法有更高的位置精度和航向精度[64]。
展開 基于雙目視覺的目標檢測與追蹤方案詳解
泰勒級數展開和無跡變換分別表征擴展卡爾曼濾波器和無跡卡爾曼濾波器，其中兩個是卡爾曼濾波器最常見的非線性擴展。
②狀態空間模型
圖像特征的測量在圖像坐標中可用，但在慣性坐標中需要 DATMO 上下文中的目標軌跡。使用圖像平面測量在慣性空間中進行跟蹤將需要非線性近似技術，然而，非線性估計方法的實現將顯著增加跟蹤器的計算需求。在最優性和速度之間的權衡中，后者被選擇用于稀疏特征跟蹤，即在圖像坐標中跟蹤特征，這使得能夠使用標準線性卡爾曼濾波器。由于加速坐標系，實際上圖像坐標不是慣性坐標可能會導致奇怪的非線性效應，因此線性卡爾曼濾波器是一個近似值。
接下來，布局特征跟蹤器的動態和測量模型。每個特征點的運動是根據恒速模型使用線性動力學和高斯噪聲建模的
（16）
其中 u 是特征的水平圖像坐標，vu 是其速度，σw 是加速度噪聲標準偏差，ΔT 是時間步長。對于構成圖像坐標的其余軸，即垂直坐標 v 和視差 d，實現了精確解耦跟蹤器。因此假設各個圖像平面尺寸是完全獨立的，由于必須反轉的矩陣的維數較小，因此解耦的低階卡爾曼濾波器更有效，可以通過使用 OpenCV 的立體塊匹配密集立體對應算法來合并視差信息。盡管每個特征的差異搜索有望提高效率，但額外的研究工作是不必要的。在這里，差異僅需要作為概念證明。因此，僅從左側圖像中提取特征，并且可以從密集對應算法中獲得相應的視差。
展開 近十年的VI-SLAM算法綜述與發展
圖2 緊耦合和松耦合的示意圖
而VI-SLAM根據后端優化方法的不同，分為基于濾波和基于優化 2 類方法，在濾波方法中,傳統的 EKF(擴展卡爾曼濾波器) 、UKF(無跡卡爾曼濾波器)、改進的 MSCKF(多狀態約束卡爾曼濾波器) 和OpenVins都取得了一定的成果。現階段基于優化的方法則慢慢占據了主流。
2. 基于優化的方案
基于優化的方法主要依靠圖像處理技術進行特征提取和圖像匹配，而 IMU 數據則被視為先驗項或者正則化項。自 PTAM(parallel tracking and map-ping) 之后，批量非線性優化方法一般都分為2 個線程：跟蹤和建圖.在跟蹤線，通過各種特征檢測器從圖像中提取 3 維空間中的點、線或其他路標特征。然后，針對檢測到的所有特征，在 2 個圖像之間定義重投影誤差。之后用該誤差建立優化的代價函數，以便找到特征或地標的坐標，即光束平差法(bundle adjustment,BA) 。在建圖線程，地圖中特征和路標的坐標被用于定義 2 幅圖像之間的重投影誤差，然后再次應用優化算法來發現移動機器人位姿的變化。將優化問題分成 2 個并行線程的目的是使跟蹤部分實時響應圖像數據，以便快速獲得跟蹤結果。而地圖的優化沒有必要實時計算，可以放在后端緩慢運行.基于優化的方法通常使用g 2 o 、Ceres 、GTSAM 等非線性優化庫實現優化。
基于優化的方法有兩種類型，一種是含有局部優化（LBA）和全局優化（GBA），一種是只有全局優化（GBA）
LBA通過設定固定的窗口，將在這個窗口內的系統狀態進行估計，同時邊緣化舊的狀態維持實時優化窗口。
展開 水下無人潛航器集群發展現狀及關鍵技術綜述
卡爾曼濾波是協同導航算法中最常見也最基本的方法之一，國內外學者圍繞這一算法做了大量相關工作[61-65]。其中文獻[62]針對EKF算法存在截斷誤差和計算繁瑣等問題提出了使用sigma點卡爾曼濾波(SPKF)的協同定位方法；Gianluca Antonelli等則推導出了確保線性化模型的可觀察性和非線性模型的局部弱可觀測性的條件，然后設計擴展卡爾曼濾波器估計2個AUV之間的相對位置。協同導航算法的設計和改進都是建立在準確建模的基礎上的，如文獻[66]中的雙偽測量的數學模型、文獻[63]建立的從UUV非線性導航模型等。
2)誤差補償。
導航誤差的產生有很多原因，主要包括3大類：洋流干擾、量測誤差、通信時延。
針對洋流干擾問題，張立川、劉明雍等[67-68]設計協同定位濾波算法對洋流干擾進行估計；并通過非線性極小平方優化模型求解UUV和洋流的初始量，提高初始精度等方式補償洋流影響下的UUV定位誤差。
針對量測誤差問題，李聞白[69]利用擴展卡爾曼濾波方法建立了單領航者導航系統的整體定位誤差與相對位置量測誤差間的傳遞方程。盧健等[70]根據水聲通信的特點提出了一種相關性假設并提出了誤差修正算法 (ECA)，在設定條件下利用誤差間的相關性抵消量測誤差，從而實現量測的粗估計。
水聲通信時延問題是UUV集群研究不可避免的客觀不利條件，由于時延的存在，相同時間不同UUV間的相對位置無法準確獲得。為了彌補這種誤差可采用2種方式：補償時延造成的定位誤差和追求時間同步。對于第1種方式，最常用的方法是卡爾曼濾波，如文獻[71-72]。文獻[73-74]則分別基于量測偽距的EKF移動長基線時間延遲算法和建立UUV時鐘相對偏移、漂移兩種模型實現對時間補償，達到時間同步。
3)編隊構型。
展開 無人機輸電線路智能巡檢技術綜述
在塔間區域，線路上通常不會有大量復雜的電力設備，幾乎不存在巡檢視線遮擋等問題，該階段無人機也不需要知道其確切位置，僅需保持安全距離的情況下沿導線飛行即可.因此，該階段自主導航研究主要為輸電線提取、跟蹤和距離估計[30-35].為了更好地利用導線的平行直線特性[36]，這類研究通常以俯拍視角的電力線路為主要對象.Menendez等[37]搭建了一個以微縮模型作為目標的試驗平臺，使用邊緣增強和霍夫變換檢測圖像中的平行線實現電力線提取，并通過對比當前圖像與已知參考高度下獲取的參考圖像中平行導線間隙的變化估算當前導線與鏡頭的距離(假定平行導線間隙不變)；并在后續研究[38]中使用高斯濾波及Gabor背景濾除改進了電力線提取算法，并融合慣性導航數據進行距離估算，但該方法需要將圖像傳至地面站處理，且無法在接近桿塔的區域使用.Nasseri等[39]提出一種基于粒子濾波的無人機航拍電力線檢測和跟蹤方法.Valipour等[36]提出一種基于高斯可控濾波器與概率霍夫線變換結合的導線檢測方法，并使用無跡卡爾曼濾波進行導線跟蹤.相較于無人機飛行于導線上方所獲得的俯拍圖像，無人機飛行于導線側面所采集的側拍圖像在大多數情況下背景更簡單，通常為單純的天空背景，雖然在側拍視角下導線失去了原本明顯的平行直線特征，但有效避免了復雜背景的干擾.利用這一特點，中科院譚民團隊[40]將無人機置于導線側面區域飛行，在簡單背景下進行導線提取，計算導線的消逝點(vanishing point，VP)，設計了一種基于深度學習技術的鐵塔檢測網絡Tower RCNN，結合VP與鐵塔檢測結果確定無人機飛行航向[41]；利用透視原理恢復輸電線之間的平行結構，通過計算當前幀與參考幀之間導線間隙變化與導線束相平面位移反推無人機與導線間的距離變化，從而控制導線與機體的安全距離[42].
展開 