摘要：针对基于粒子滤波算法设计的车速估计器因提议分布与实际分布不一致导致粒子退化使估计误差变大的问题,提出了一种通过修正提议分布减弱粒子退化影响的改进粒子滤波车速估计器。首先,基于车辆运动学模型和传感器特性建立系统的状态转移方程和观测方程。然后,利用传感器测量值与粒子状态值的差值设计提议分布修正项对状态转移方程进行修正,并对过程噪声做自适应处理。最后,利用CarSim-Simulink联合仿真平台在双移线工况和正弦转角输入工况下进行仿真验证。与自适应粒子滤波器相比,双移线工况下改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了40.25%和55.71%;正弦转角输入工况下,改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了47.00%和41.21%。

摘要：在估计系统状态后验密度函数时,传统粒子滤波需估计整个状态序列再取其当前值,导致状态空间维数和粒子重要性权值方差随时间增大而必须增加重采样环节加以抑制.边缘粒子滤波保证在低维状态空间下的估计,但估计精度和粒子集重要性权值方差仍不够理想.本文首先推导出更接近状态后验密度函数的提议分布;然后将最新观测信息融入边缘粒子滤波中的单个粒子提议分布权值,提出了提议分布更为合理的改进边缘粒子滤波算法;最后设计了两组仿真实验,表明改进边缘粒子滤波的估计精度更高,粒子重要性权值方差进一步明显减小,粒子退化现象得到有效抑制.

摘要：目标跟踪的精度取决于滤波器的性能,但在许多实际的毫米波雷达测量场景中,模型及相关参数的不确定会导致传统滤波器的性能下降。为了应对这种情况,基于贝叶斯准则设计了一种鲁棒卡尔曼滤波器。利用Metropolis Hastings算法,从不确定噪声参数的似然函数中采样并以样本分布来近似后验噪声分布,然后计算其统计平均值,并借助后验噪声统计量扩展了经典卡尔曼滤波器。另外,针对采样时提议分布(Proposal Distribution)难以确定的问题,提出了一种提议分布自适应方法,即利用离散Fréchet距离来评价候选分布与先验分布变化趋势的相似性,然后选取相似性最大的候选分布为提议分布。通过处理毫米波雷达的测量数据证明了该滤波器在应对观测噪声不确定的场景时性能优越。