在线提高卡尔曼滤波跟踪精度的参数研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (29): 162-167.

• 图形、图像、模式识别 • 上一篇下一篇

在线提高卡尔曼滤波跟踪精度的参数研究

张萌，陈恳

宁波大学信息科学与工程学院，浙江宁波 315211

出版日期:2012-10-11 发布日期:2012-10-22

Parameter research about improving tracking precision of Kalman filter online

ZHANG Meng, CHEN Ken

College of Information Science and Engineering, Ningbo University,Ningbo, Zhejiang 315211, China

Online:2012-10-11 Published:2012-10-22

摘要/Abstract

摘要： 为了在线提高卡尔曼滤波算法（KF）的跟踪精度，对随机序列进行高斯度的定义，将随机序列的分布分为超高斯、高斯、次高斯和非高斯，找出KF可以工作的范围。针对噪声服从次高斯分布时，KF跟踪精度不高，介绍了两个可以判断KF使用过程中设定的噪声协方差与实际是否一致的参数。提出了参数自适应的方法，使设定的噪声协方差与实际值可以自适应地一致，从而提高了KF的跟踪精度。实验结果表明，噪声服从高斯和超高斯分布时，KF跟踪精度很高；噪声服从次高斯分布时，若噪声协方差的设定值与实际值不一致，跟踪误差会很大，对此使用了参数自适应法，可以大大提高KF的跟踪精度。

关键词: 卡尔曼滤波, 高斯度, 自适应参数, 跟踪精度

Abstract: To improve the tracking precision of Kalman filter online, the Gaussian degree of the random sequence is defined, which contains super-Gaussian, Gaussian, defective-Gaussian and non-Gaussian, it finds out the range that Kalman can work. In regard to the KF tracking precision is not well when the random sequence obeys the defective-
Gaussian, two parameters that can reflect the consistency of the predefined noise covariance and the real are mentioned. Adaptive parameter is proposed, which makes the predefined noise covariance fit the real, thus improves the tracking accuracy. The experimental results show that the tracking accuracy is well when the noise obeys super-Gaussian and Gaussian, yet bad when noise obeys defective-Gaussian and the predefined noise covariance is disagree with the real； while adaptive parameter is used, the tracking accuracy is improved greatly.

Key words: Kalman filter, Gaussian degree, adaptive parameter, tracking accuracy

张萌，陈恳. 在线提高卡尔曼滤波跟踪精度的参数研究[J]. 计算机工程与应用, 2012, 48(29): 162-167.

ZHANG Meng, CHEN Ken. Parameter research about improving tracking precision of Kalman filter online[J]. Computer Engineering and Applications, 2012, 48(29): 162-167.

[1]	王蓓，陈金广，王明明. 复杂场景下的改进核相关滤波跟踪算法[J]. 计算机工程与应用, 2021, 57(2): 198-208.
[2]	李松，刘哲，唐小妹，吴健，王飞雪. 基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法[J]. 计算机工程与应用, 2021, 57(16): 90-96.
[3]	李飞，冯开勇，苑玮琦. 柔性印刷线路板LED缺陷检测方法的研究[J]. 计算机工程与应用, 2020, 56(5): 227-233.
[4]	贺军义，杨丰，安葳鹏，尚家泽. 基于IGGIII方案的自适应渐消卡尔曼滤波器[J]. 计算机工程与应用, 2020, 56(14): 52-56.
[5]	谢伟1，王莉明1，胡欢君1，涂志刚2. 结合引导滤波的自适应多曝光图像融合[J]. 计算机工程与应用, 2019, 55(4): 193-199.
[6]	洪濡，胡广地，李雨生，姚克狄. 分布式汽车驱动力能量效率优化分配控制[J]. 计算机工程与应用, 2019, 55(2): 246-252.
[7]	黄国荣，许明琪，卢航，魏翔，彭志颖. 自适应混合阶SSRCKF及其在组合导航中的应用[J]. 计算机工程与应用, 2019, 55(18): 229-235.
[8]	任臻1，李积英1，吴昊2. 基于M估计的鲁棒后向平滑CKF单站跟踪算法[J]. 计算机工程与应用, 2019, 55(11): 74-79.
[9]	梁新宇1，2，吴建德1，2，黄国勇1，2，孙磊1，2. H∞鲁棒自适应CKF算法在组合导航中的应用[J]. 计算机工程与应用, 2018, 54(9): 251-256.
[10]	赵海峰，夏国峰，宋维明，张少杰. 强噪声干扰下MR图像的脑组织分割[J]. 计算机工程与应用, 2018, 54(6): 183-187.
[11]	胡方强1，2，吕涛1，包亚萍1. 改进的自适应Kalman滤波在SINS/GPS组合导航中的应用[J]. 计算机工程与应用, 2018, 54(5): 253-257.
[12]	黄洋，姜文刚. 示教机械臂姿态解算改进方法仿真研究[J]. 计算机工程与应用, 2018, 54(15): 126-130.
[13]	吴玲1，2，孙永荣1，黄斌1，朱云峰1. 不确定环境下的软管-锥套建模及控制研究[J]. 计算机工程与应用, 2017, 53(18): 250-256.
[14]	孙磊1，2，黄国勇1，2，李越1，2. 改进的强跟踪SVD-UKF算法在组合导航中的应用[J]. 计算机工程与应用, 2017, 53(10): 225-229.
[15]	王睿，杨晓峰，彭力. 带二次约束的容积卡尔曼目标跟踪算法[J]. 计算机工程与应用, 2017, 53(1): 142-146.

在线提高卡尔曼滤波跟踪精度的参数研究

Parameter research about improving tracking precision of Kalman filter online

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics