摘要：针对传统unscented卡尔曼滤波器(UKF)在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验(MAP)估计原理,设计了一种带噪声统计估计器的UKF.该UKF滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差.相比于传统UKF,所提出的UKF具有应对噪声统计变化的自适应能力.仿真结果表明了该UKF滤波算法的有效性.

摘要：FastSLAM 2.0算法的重采样过程会带来"粒子耗尽"问题,为了改进算法的性能、提高估计精度,将FastSLAM 2.0算法与遗传算法相结合,提出了一种解决SLAM问题的方法——遗传快速SLAM算法.针对FastSLAM 2.0算法的特点,设计了一种改进的遗传算法来兼顾粒子权值和粒子集的多样性.遗传快速SLAM算法采用unscented粒子滤波器估计机器人的路径,地图估计则采用扩展卡尔曼滤波器.采用SLAM领域的标准数据集"car park dataset"对提出的算法进行了验证,实验结果表明遗传快速SLAM算法在估计精度和一致性方面都具有较好的性能,并且算法的计算复杂度能满足实时性要求.

摘要：在最小距离设计准则下,提出了一种基于Monte-Carlo采样和K均值聚类的模型集合设计实现方法。通过讨论由于真实模式与模型之间的差异所可能引发的问题,提出基于UKF与模型误差的交互式多模型改进算法。新算法中每个模型采用unscented Kalman Filter处理非线性估计问题。Monte-Carlo仿真实验表明当真实模式远离模型集合中的各模型时,新算法比IMM更具鲁棒性。并且当真实模式保持不变时,从全局角度考虑新算法比IMM优越。