登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 理工学类 > 能源与动力工程 > 正文

基于鲁棒CKF的水下机器人目标跟踪算法开题报告

 2020-02-10 22:58:08  

1. 研究目的与意义(文献综述)

1.1 选题的目的及意义

随着工程技术的飞速发展,过滤器越来越受到重视,滤波理论已广泛应用于包括目标跟踪在内的多个领域问题、航天领域[1-3]与生产工业过程。然而,如果只采用线性滤波器很难在实际固有非线性模型中得到最优的结果。为了提高在实际中的运用,人们花费了很多的精力去促进非线性滤波器的发展[4-6]。最广泛使用的非线性滤波器是扩展卡尔曼滤波器(ekf) [7-8]—基于多项式展开法和基于无迹转换的无迹卡尔曼滤波(kalmanfilter, ukf)。然而,由于出现大的初始误差或高非线性的固有的缺陷,ekf的性能并不理想而ukf也有一些性能上的缺陷。容积卡尔曼滤波是近十年来发展最快的一种滤波算法,当然对立方卡尔曼滤波器的随机收敛性分析与间歇的观察[9-11]也在不断的进行。在解决非线性的系统模型下的一些问题相对比与ekf和ukf有着天然的优势,和卡尔曼滤波器的线性高斯模型一样,容积卡尔曼滤波的一个重要特性就是它是经过严格的数学推导而获得的。这种严谨是植根于用于数值计算高斯加权积分所采用的三阶球面径向求积规则。容积卡尔曼滤波利用三阶球径求积规则来近似非线性函数的概率密度分布,可以获得三阶精度,要比 ukf 的二阶滤波精度高,而且数值稳定性更好。因此ckf正在逐步替代 ukf,应用到航空航天、机器人等行业在实际工程应用中,但由于测量中的异常值或污染分布,使得标准体积卡尔曼滤波器(ckf)及其平方根滤波器的性能严重下降。在解决ckf的性能以及精确度上有很多不同的办法[12-15],其中,为了解决这一问题,利用huber的m估计方法和平方根滤波框架,提出了一种鲁棒的ckf算法。这种方法经过实现,对人们的生活起到了指导作用,利用huber技术在平方根滤波框架下对ckf的测量更新进行重新表述,然后采用ckf的观测更新算法对非线性观测方程进行滤波, 无需对非线性观测方程进行线性化近似,从而构成非线性鲁棒滤波算法,该滤波器在高斯分布和非高斯分布情况下假设的情况下具有鲁棒性和数值稳定性,在仿真测试中,对高斯分布下的鲁棒性进行了评估。相对比的情况下,对比传统的ckf算法,利用基于huber-m估计的鲁棒cubature卡尔曼滤波算法具有较好的鲁棒性和数值稳定性,在水下机器人领域由于面对的情况是传统的非线性的滤波算法所无法稳定解决的,所以利用基于huber-m估计的鲁棒cubature卡尔曼滤波算法具有较好适用前景,所以本文复现了基于huber-m估计的鲁棒cubature卡尔曼滤波算法。

1.2 国内外的研究现状分析

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

2.1 以卡尔曼滤波为理论基础,利用基于huber-m估计的鲁棒cubature卡尔曼滤波算法与传统ckf滤波算 法作比较,体现前者具有较好的鲁棒性和数值稳定性,在水下机器人领域由于面对的情况是传统的非 线性的滤波算法所无法稳定解决的,所以利用基于huber-m估计的鲁棒cubature卡尔曼滤波算法具有 较好适用前景。

2.2 借助matlab软件,实施程序的复现。

2.3 比较对比于huber-m估计的鲁棒cubature卡尔曼滤波算法与传统的ckf算法,

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

1) 第1周~第3周,完成文献查阅、文献翻译和开题报告;

2) 第4周~第5周,学习掌握matlab软件。如果已经对matlab有较好的学习基础,运用matlab,可以直接进入下一环节;

3) 第6周~第12周,实现基于鲁棒cubature卡尔曼滤波的水下机器人目标跟踪算法,并进行仿真验证;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] Wang YD, Sun SM, Li L. Adaptively robust unscented Kalman filter for tracking a maneuvering vehicle. J Guid Control Dyn 2014;37(5):1696–701.
[2] Karlgaard CD. Nonlinear regression Huber-Kalman filtering and fixed-interval smoothing. J Guid Control Dyn 2014;38(2):322–30
[3] Zhong Y, Gao S, Wei W, Gu C, Subic A. Random weighting estimation of kinematic model error for dynamic navigation. IEEE Trans Aerosp Electron Syst 2015;51(3):2248–59
[4]于静文等.基于卡尔曼滤波的电能质量分析方法综述[J].电网技术.2010,34(2):#8194;97-102
[5]Bunch P Godsill S.Approximations of the optimal imporlance densily using Gansian partiele flow improtance sampling [OL].3183v,2014-11-27
[6] SPEEKENBRINK M. A tutorial on particle filters. Journal of
Mathematical Psychology, 2016, 73(8): 140 – 152.
[7]Steinbring J,Hanebeck U.progressive Gaussian flitering using explicit likehoods[A].IEEE International Conference on Information Fusion[C].Salamanca;2014 1-8
[8]张宏欣,周穗华,冯士民,基于弱形式解的粒子流滤波器[J].控制与决策,2015.30(5);853-858
[9] Chang G,Xu T,Wang Q. Alternative framework for the iterated unscented Kalman filter[J]. IET Signal Processing, 2017,11( 3) : 258-264
[10] Singh A,Bhaumik S. Transformed cubature quadrature Kalman filte
[J]. IET Signal Processing,2017,11( 9) : 1095-1103
[11] Jia B,Xin M. Adaptive cubature Kalman filter with directional
[J]. IEEE Transactions on Aerospace & Electronics Systems,2016,52( 3) : 1477-1486
[12] SHI J, LI Y Y, QI G Q, et al. Extended target tracking filter
with intermittent observations. IET Signal Processing, 2016,
10(6): 592 – 602.
[13]WU H, CHEN S X, YANG B F, et al. Robust derivative-free
cubature Kalman filter for bearings-only tracking. Journal of
Guidance, Control, and Dynamics, 2016, 39(8): 1866 – 1871.
[14]ZHAO Y W. Performance evaluation of cubature Kalman filter
in a GPS/IMU tightly-coupled navigation system. Signal
Processing, 2016, 119(C): 67 – 79.
[15]XU B, ZHANG P, WENH Z, et al. Stochastic stability and performance
analysis of cubature Kalman filter. Neurocomputing,
2016, 186(4): 218 – 227.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图