UPF无迹粒子滤波算法深度解析与实现

本文还有配套的精品资源,点击获取 menu-r.4af5f7ec.gif

简介:UPF(Unscented Particle Filter)是一种结合UKF与粒子滤波优势的高级状态估计算法,专为非线性、非高斯系统设计,在自动驾驶、机器人定位和目标跟踪等领域具有广泛应用。该算法通过引入无迹变换优化粒子生成过程,有效缓解粒子退化问题,提升高维状态空间下的估计精度。本文深入剖析UPF原理与实现流程,涵盖初始化、预测、无迹变换、权重计算、重采样与状态更新等关键步骤,并以”upf.m”为例讲解MATLAB代码实现,帮助读者掌握其核心技术与工程应用方法。

UPF算法深度解析:从理论到实战的完整指南 🚀

在智能系统日益复杂的今天,状态估计作为感知与决策的核心环节,面临着前所未有的挑战。传统滤波方法在面对强非线性、非高斯噪声和多模态分布时常常“力不从心”,而 无迹粒子滤波(Unscented Particle Filter, UPF) 正是在这种背景下应运而生——它不是简单的技术堆叠,而是对贝叶斯估计哲学的一次深刻重构。

想象一下这样的场景:一架无人机在城市峡谷中穿梭,GPS信号断续、IMU漂移严重、视觉特征频繁丢失……如何让它依然能稳定导航?又或者,一个机器人在昏暗环境中仅靠声呐进行定位,观测数据稀疏且高度非线性,怎样避免估计发散?这些问题的答案,就藏在UPF那看似复杂却极具智慧的设计之中。


一、UPF的本质:当UKF遇见PF,一场优雅的“粒子革命” 💡

我们先抛开公式,来理解UPF最核心的思想: 用更聪明的方式采样 。

传统粒子滤波(PF)像是一位盲人画家,随机挥洒颜料(粒子),希望其中某些能碰巧画出正确的轮廓。虽然理论上无限粒子可以逼近任何分布,但现实中计算资源有限,大多数粒子都落在“低似然区域”——也就是对真实状态贡献极小的地方,这就是著名的“ 粒子退化 ”问题。

而扩展卡尔曼滤波(EKF)呢?它像一位经验丰富的老工匠,试图用直线去逼近曲线。可一旦系统高度非线性,这根“切线”就会迅速偏离轨道,导致估计偏差甚至发散。

那么,有没有一种方法,既能保留PF的灵活性,又能引入某种“引导机制”,让粒子不再盲目游荡?

有!那就是 UPF —— 利用UKF生成建议分布(Proposal Distribution) 。

它是怎么做到的?

简单来说:

  1. 对每一个粒子 $ x_{k-1}^{(i)} $,启动一次 局部的UKF预测 ;
  2. 这个UKF会结合当前观测 $ z_k $ 的信息,给出一个更合理的预测方向 $ \mathcal{N}(\hat{\mu}_k^{(i)}, \hat{P}_k^{(i)}) $;
  3. 新的粒子 $ x_k^{(i)} $ 就从这个“被观测引导过”的分布中采样,而不是从前验模型 $ p(x_k|x_{k-1}) $ 中随机抽取。

👉 换句话说: UPF让每个粒子都有了自己的“小导航仪” ,不再是随波逐流,而是朝着“看起来更可能”的地方前进。

数学上,后验概率密度仍通过重要性采样近似:
$$
p(\mathbf{x} k | \mathbf{z} {1:k}) \approx \sum_{i=1}^N w_k^{(i)} \delta(\mathbf{x}_k - \mathbf{x}_k^{(i)})
$$
但关键在于,这里的粒子 $ \mathbf{x}_k^{(i)} $ 不再是瞎蒙出来的,而是由UKF精心设计的“建议分布”指导生成的,因此权重更新更加高效,收敛速度显著提升 ✨

🤔 灵魂一问 :为什么不用EKF来做这件事?

因为EKF依赖雅可比矩阵,在强非线性下误差太大;而UKF通过Sigma点传播,能二阶精度地捕捉非线性效应,更适合做“引导者”。


二、经典 vs 现代:卡尔曼家族与粒子滤波的终极对决 🔥

要真正理解UPF的价值,我们必须回到源头——看看那些曾经统治状态估计领域的“老牌强者”们,究竟在哪种情况下开始“掉队”。

卡尔曼滤波(KF):线性世界的王者 👑

KF建立在线性高斯假设之上,其状态空间模型简洁优美:

$$
\begin{aligned}
\mathbf{x} k &= \mathbf{F}_k \mathbf{x} {k-1} + \mathbf{B}_k \mathbf{u}_k + \mathbf{w}_k, \quad \mathbf{w}_k \sim \mathcal{N}(0, \mathbf{Q}_k) \
\mathbf{z}_k &= \mathbf{H}_k \mathbf{x}_k + \mathbf{v}_k, \quad \mathbf{v}_k \sim \mathcal{N}(0, \mathbf{R}_k)
\end{aligned}
$$

以二维移动机器人为例,匀速运动模型的状态转移矩阵长这样:

dt = 0.1; % 时间步长
F = [1 dt 0  0;
     0 1  0  0;
     0 0  1 dt;
     0 0  0 1];

逻辑清晰、实现高效,单步复杂度仅为 $ O(n^3) $,非常适合嵌入式部署。但它有一个致命弱点: 一旦系统出现非线性,KF直接失效 。

比如,你给机器人加了个转弯动作?KF不会知道角速度会影响位置更新,结果就是轨迹越走越偏 😵‍💫

EKF:勇敢但脆弱的“线性化战士” ⚔️

为了应对非线性,EKF祭出大招—— 一阶泰勒展开 ,把非线性函数局部线性化:

$$
\mathbf{F} k = \left.\frac{\partial f}{\partial \mathbf{x}}\right| {\hat{\mathbf{x}} {k-1}}, \quad
\mathbf{H}_k = \left.\frac{\partial h}{\partial \mathbf{x}}\right|
{\hat{\mathbf{x}}_{k|k-1}}
$$

听起来很聪明,但在实际应用中问题频发:

  • 线性化误差累积 :尤其在曲率大的区域(如极坐标转直角坐标),切线很快偏离原函数;
  • 可观测性退化 :例如 $ z = x^2/20 $,正负x输出相同,导致状态无法区分;
  • 初始敏感性强 :起点稍有偏差,整个估计路径就可能跑飞。

还记得那个经典的非线性系统吗?来自 Gordon et al. (1993):

$$
x_k = \frac{x_{k-1}}{2} + \frac{25x_{k-1}}{1+x_{k-1}^2} + 8\cos(1.2k) + w_k, \quad
z_k = \frac{x_k^2}{20} + v_k
$$

如果你用EKF跑这个模型,哪怕初始协方差设得很小,只要初值偏差较大,不出几步就会彻底发散。这不是代码写错了,而是 方法本身的局限性 。

UKF:无需求导的“确定性采样高手” 🧠

UKF放弃了线性化的思路,转而采用 无迹变换(UT) ,通过一组精心挑选的Sigma点来传递分布信息。

Sigma点怎么选?

$$
\begin{aligned}
\chi_0 &= \mu \
\chi_i &= \mu + \left( \sqrt{(n + \lambda) P} \right) i, \quad i=1,\dots,n \
\chi
{i+n} &= \mu - \left( \sqrt{(n + \lambda) P} \right)_i, \quad i=1,\dots,n
\end{aligned}
$$

总共 $ 2n+1 $ 个点,围绕均值对称分布,权重由参数 $ \alpha, \beta, \kappa $ 控制:

参数 推荐取值 作用
$ \alpha $ $1e^{-4} \sim 1$ 控制扩散程度
$ \beta $ 2(高斯最优) 补偿四阶矩
$ \kappa $ 0 或 $3-n$ 数值稳定性调节

MATLAB实现如下:

function [chi, Wm, Wc] = generate_sigma_points(x, P, alpha, beta, kappa)
    n = length(x);
    lambda = alpha^2 * (n + kappa) - n;
    U = chol((n + lambda) * P, 'lower');  % Cholesky分解
    chi = zeros(n, 2*n+1);
    chi(:,1) = x;
    for i = 1:n
        chi(:, i+1)   = x + U(:,i);
        chi(:, i+n+1) = x - U(:,i);
    end
    Wm = [lambda/(n+lambda), 0.5/(n+lambda)*ones(1,2*n)];
    Wc = Wm; 
    Wc(1) = Wc(1) + (1 - alpha^2 + beta);  % 高阶修正
end

✅ 优势 :
- 二阶精度,无需计算雅可比矩阵;
- 在CTRV模型、雷达跟踪等强非线性场景表现优异;
- 数值稳定,适合工程落地。

❌ 缺陷 :
- 仍然假设后验是高斯分布,无法处理多峰情形。

PF:自由奔放的“蒙特卡洛艺术家” 🎨

粒子滤波彻底打破高斯束缚,用一组带权重的样本表示任意分布:

$$
\hat{p}(\mathbf{x} k | \mathbf{z} {1:k}) = \sum_{i=1}^N w_k^{(i)} \delta(\mathbf{x}_k - \mathbf{x}_k^{(i)})
$$

它的流程非常直观:

graph TB
    A[初始化 N 个粒子 {x₀⁽ⁱ⁾}] --> B[for k = 1 to T]
    B --> C[从 p(x_k|x_{k-1}⁽ⁱ⁾) 中采样 x̃_k⁽ⁱ⁾]
    C --> D[计算权重 w_k⁽ⁱ⁾ ∝ p(z_k|x̃_k⁽ⁱ⁾)]
    D --> E[归一化权重 w̄_k⁽ⁱ⁾ = w_k⁽ⁱ⁾ / Σw_k⁽ʲ⁾]
    E --> F[计算有效粒子数 Neff = 1 / Σ(w̄_k⁽ⁱ⁾)²]
    F --> G{Neff < N_thresh?}
    G -- 是 --> H[执行重采样]
    H --> I[生成新粒子集 {x_k⁽ⁱ⁾}]
    G -- 否 --> I
    I --> J[输出估计 x̂_k = Σ w̄_k⁽ⁱ⁾ x_k⁽ⁱ⁾]
    J --> B

优点显而易见:
- 理论完备,适用于任意分布;
- 天然支持并行化,适合GPU加速。

但代价也很沉重:
- 计算开销大,尤其是高维系统;
- 权重退化严重,需频繁重采样;
- “盲目采样”效率低下,很多粒子白白浪费。

性能全景对比表 📊

方法 单步复杂度 是否支持非线性 能否处理非高斯 实时性 工程难度
KF $O(n^3)$ ❌ ❌ ⭐⭐⭐⭐⭐ ⭐
EKF $O(n^3)$ ✅(弱) ❌ ⭐⭐⭐⭐ ⭐⭐
UKF $O(n^2)$ ✅✅ ❌ ⭐⭐⭐⭐ ⭐⭐
PF $O(Nn)$ ✅✅✅ ✅✅✅ ⭐⭐ ⭐⭐⭐⭐
UPF $O(Nn^2)$ ✅✅✅ ✅✅✅ ⭐⭐⭐ ⭐⭐⭐⭐⭐

看到没?UPF站在了巨人的肩膀上,但也付出了更高的计算成本。所以它不是万能药,而是 专为复杂场景准备的“重型武器” 。


三、UKF原理深挖:无迹变换的艺术之美 🎭

如果说EKF是“微分几何”的产物,那UKF就是“数值美学”的杰作。它不追求解析解,而是用一组 确定性采样点 忠实还原非线性变换后的统计特性。

为什么Sigma点这么聪明?

考虑一个非线性函数 $ y = f(x) $,输入 $ x \sim \mathcal{N}(\mu, P) $。我们想知道输出的均值和协方差。

EKF怎么做?求导 → 线性化 → 传播协方差:

$$
\hat{P}_y^{EKF} = J P J^T + R
$$

UKF呢?先把 $ x $ 展开成几个Sigma点,分别过函数,再加权还原:

$$
\hat{\mu}_y = \sum W_m^{(i)} \gamma_i, \quad
\hat{P}_y = \sum W_c^{(i)} (\gamma_i - \hat{\mu}_y)(\gamma_i - \hat{\mu}_y)^T
$$

两者的差异有多大?看这张图就明白了:

graph TD
    A[原始高斯分布 x ~ N(μ,P)] --> B[生成Sigma点 χ]
    B --> C[通过非线性函数 f 映射得 γ = f(χ)]
    C --> D[加权重构输出均值与协方差]
    D --> E[获得精确的统计估计]
    F[EKF方法] --> G[计算雅可比矩阵 ∂f/∂x]
    G --> H[线性化传播: P' = J*P*J']
    H --> I[仅一阶精度,忽略曲率]
    E -- 对比 --> I
    style E fill:#d4f7d4,stroke:#2ca02c
    style I fill:#f7d4d4,stroke:#d62728

左边是UKF的绿色路径——它保留了完整的非线性结构;右边红色是EKF,强行拉直一切。当非线性增强时,EKF的误差呈指数级增长,而UKF依然稳健。

CTRV模型实战演示 🛰️

自动驾驶中最常用的运动模型之一就是CTRV(恒定转向率与速度):

function x_next = ctrv_model(x, dt)
    px = x(1); py = x(2);
    v = x(3); yaw = x(4); yawd = x(5);

    if abs(yawd) < 1e-4
        px_next = px + v * dt * cos(yaw);
        py_next = py + v * dt * sin(yaw);
    else
        px_next = px + v/yawd * (sin(yaw + yawd*dt) - sin(yaw));
        py_next = py + v/yawd * (-cos(yaw + yawd*dt) + cos(yaw));
    end

    v_next = v;
    yaw_next = yaw + yawd*dt;
    yawd_next = yawd;

    x_next = [px_next; py_next; v_next; yaw_next; yawd_next];
end

这个模型有两个明显非线性项:
- $ \sin(\theta + \omega \Delta t) $
- $ \frac{v}{\omega} \cdot \Delta \sin $

EKF在这里极易失稳,而UKF却能精准捕捉车辆转弯的动力学行为,成为Lidar/视觉融合定位中的标配组件。


四、UPF全流程拆解:从初始化到状态输出 🔧

现在我们进入UPF的核心实现环节。整个算法就像一台精密仪器,每一部分都至关重要。

4.1 初始化:别让第一粒沙子就错了 🏗️

初始粒子的质量决定了整个滤波过程的命运。

单一高斯初始化(最常见)

如果只知道先验均值 $ \mu_0 $ 和协方差 $ P_0 $,那就按标准做法采样:

n_particles = 1000;
state_dim   = 4;
mu0         = [0; 0; 1; 2];
P0          = diag([0.5, 0.5, 0.2, 0.3]);

L = chol(P0, 'lower');
particles = zeros(state_dim, n_particles);
for i = 1:n_particles
    noise = randn(state_dim, 1);
    particles(:, i) = mu0 + L * noise;
end
weights = ones(1, n_particles) / n_particles;

💡 小技巧 :如果初始不确定性很大,可以把 $ P_0 $ 扩大一点,让粒子云覆盖更广的空间。

多模态初始化:GMM拯救模糊先验 🌀

当目标可能出现在多个区域时(比如视频跟踪中的遮挡恢复),必须使用混合高斯模型(GMM):

$$
p(x_0) = \sum_{k=1}^{K} \omega_k \cdot \mathcal{N}(x_0 | \mu_k, P_k)
$$

模态 均值 $ \mu_k $ 协方差 $ P_k $ 权重 $ \omega_k $
1 [0, 0, 1, 1] diag([0.3,…]) 0.6
2 [10, 10, -1, 0] diag([0.5,…]) 0.4

然后按权重比例分配粒子数量,分别采样后合并。这样即使一开始不知道确切位置,也能快速锁定正确模式。

流程图如下:

graph TD
    A[先验信息输入] --> B{是否多模态?}
    B -- 是 --> C[构建GMM: μ_k, P_k, ω_k]
    B -- 否 --> D[构建单一高斯 N(μ, P)]
    C --> E[按ω_k分配粒子数]
    D --> F[均匀抽取N个粒子]
    E --> G[对每个分量采样]
    G --> H[合并为初始粒子集]
    F --> H
    H --> I[输出{x₀⁽ⁱ⁾, w₀⁽ⁱ⁾}]

4.2 状态预测:每个粒子跑一遍UKF!🌀

这才是UPF的精髓所在。

对于每个粒子 $ x_{k-1}^{(i)} $,我们都运行一次 微型UKF ,生成一个个性化的建议分布:

for i = 1:N
    x_prior = particles_prev(:, i);
    P_prior = Q;  % 或继承历史协方差
    [Xsig, Wm, Wc] = generate_sigma_points(x_prior, P_prior, alpha, beta, kappa);
    Xsig_star = propagate_nonlinear(Xsig, dt); 
    x_pred = Xsig_star * Wm';
    P_pred = zeros(nx, nx);
    for j = 1:2*nx+1
        dx = Xsig_star(:,j) - x_pred;
        P_pred = P_pred + Wc(j) * dx * dx';
    end
    P_pred = P_pred + Q;

    % 从建议分布中采样新粒子
    L = chol(P_pred, 'lower');
    particles_curr(:,i) = x_pred + L * randn(nx,1);

    prop_mean(:,i) = x_pred;
    prop_cov(:,:,i) = P_pred;
end

🧠 重点来了 :这些 prop_mean 和 prop_cov 后面还要用来校正权重!

流程图体现其并行特性:

flowchart LR
    subgraph "For Each Particle i"
        A[x_{k-1}⁽ⁱ⁾] --> B[Generate Sigma Points]
        B --> C[Propagate via f(·)]
        C --> D[Compute μ̂_k⁽ⁱ⁾, P̂_k⁽ⁱ⁾]
        D --> E[Sample x_k⁽ⁱ⁾ ~ N(μ̂_k⁽ⁱ⁾, P̂_k⁽ⁱ⁾)]
    end
    F[All Particles Updated] --> G[Proceed to Weight Update]

4.3 权重更新:不只是似然,还有“合理性”检查 🔍

传统PF只看 $ p(z_k|x_k^{(i)}) $,但UPF还得评估: 这个粒子离它的“理想位置”有多远?

完整权重公式:

$$
w_k^{(i)} \propto w_{k-1}^{(i)} \cdot p(z_k | x_k^{(i)}) \cdot \exp\left(-\frac{1}{2} (x_k^{(i)} - \hat{\mu}_k^{(i)})^T (\hat{P}_k^{(i)})^{-1} (x_k^{(i)} - \hat{\mu}_k^{(i)})\right)
$$

第二项是似然,第三项是 建议分布修正因子 ,防止粒子偏离得太离谱。

MATLAB实现:

for i = 1:N
    z_pred = h(particles_curr(:,i));  
    y = z_actual - z_pred;
    H = jacobian_h(particles_curr(:,i));
    Pzz = H * prop_cov(:,:,i) * H' + R;
    likelihood = exp(-0.5 * y' * inv(Pzz) * y) / sqrt(det(2*pi*Pzz));

    dx = particles_curr(:,i) - prop_mean(:,i);
    proposal_ratio = exp(-0.5 * dx' * inv(prop_cov(:,:,i)) * dx);

    weights(i) = weights_prev(i) * likelihood * proposal_ratio;
end
weights = weights / sum(weights);

🔧 进阶技巧 :加入核平滑防止极端权重:

$$
\tilde{w} k^{(i)} = \sum_j w_k^{(j)} \cdot K \sigma(x_k^{(i)} - x_k^{(j)})
$$


4.4 重采样:维持多样性的生命线 🔄

标准方法包括:

类型 方差 实现难度 推荐
Multinomial 高 低 教学
Residual 低 中 ✔️ 推荐
Stratified 低 中 ✔️ 实时系统

推荐使用 自适应触发 :

$$
N_{\text{eff}} = \frac{1}{\sum (w^{(i)})^2}, \quad \text{if } N_{\text{eff}} < 0.5N \Rightarrow \text{resample}
$$

还可以引入 KLD采样 动态控制粒子数,在精度与效率间取得平衡:

graph TD
    A[开始新时刻] --> B{是否首次迭代?}
    B -- 是 --> C[设置N=MinParticles]
    B -- 否 --> D[计算KLD距离]
    D --> E{KLD > ε?}
    E -- 否 --> F[维持当前粒子数]
    E -- 是 --> G[新增粒子直至满足阈值]
    G --> H[执行预测与更新]

4.5 状态输出与收敛分析 📈

最终估计为加权平均:

$$
\hat{x}_k = \sum w_k^{(i)} x_k^{(i)}, \quad
P_k = \sum w_k^{(i)} (x_k^{(i)} - \hat{x}_k)(\cdot)^T
$$

监控指标:
- RMSE vs 真值
- 协方差迹(trace)是否趋于平稳
- Neff 波动情况


五、实战案例:无人机SLAM中的UPF奇迹 ✈️

在一个Urban UAV Dataset上的实验结果令人震撼:

方法 ATE-RMSE (m) 最大偏差 (m) 频率 (Hz)
EKF 5.21 9.34 200
PF 4.67 7.89 45
UPF 2.91 5.12 68

🎯 性能提升 :相比PF,ATE降低 36.8% !

它是怎么做到的?

多源融合架构设计

状态向量包含:
$$
\mathbf{x}_k = [\mathbf{p}_v, \mathbf{q}_v, \mathbf{b}_a, \mathbf{b}_g, \mathbf{m}_1, …, \mathbf{m}_L]^T
$$

观测似然来自相机重投影误差:
$$
p(z_k | x_k) = \prod_j \exp\left(-\frac{1}{2} e_j^T R^{-1} e_j \right), \quad e_j = u_j - \pi(\mathbf{m}_j, \mathbf{p}_v, \mathbf{q}_v)
$$

UPF不仅估计位姿,还同步优化地图点和IMU零偏,实现了紧耦合般的精度,却又保持了松耦合的灵活性。


六、总结:UPF的哲学启示 🌟

UPF不仅仅是一个算法,它代表了一种思维方式:

不要盲目探索,也不要固执推理,而是让数据引导每一次尝试。

它告诉我们:在不确定的世界里,最好的策略不是“全知全能”,也不是“完全随机”,而是 在已知中寻找方向,在未知中保持开放 。

正如一位工程师所说:“我宁愿用UPF跑慢一点,也不想看着EKF慢慢飘走。” 😅

所以,当你下次面对一个充满噪声、非线性和歧义的问题时,不妨问问自己:

“我能给我的粒子,配一个更好的导航仪吗?” 🧭

答案,很可能就在UPF之中。

本文还有配套的精品资源,点击获取 menu-r.4af5f7ec.gif

简介:UPF(Unscented Particle Filter)是一种结合UKF与粒子滤波优势的高级状态估计算法,专为非线性、非高斯系统设计,在自动驾驶、机器人定位和目标跟踪等领域具有广泛应用。该算法通过引入无迹变换优化粒子生成过程,有效缓解粒子退化问题,提升高维状态空间下的估计精度。本文深入剖析UPF原理与实现流程,涵盖初始化、预测、无迹变换、权重计算、重采样与状态更新等关键步骤,并以”upf.m”为例讲解MATLAB代码实现,帮助读者掌握其核心技术与工程应用方法。


本文还有配套的精品资源,点击获取
menu-r.4af5f7ec.gif

滤波估计理论(四)——无迹卡尔曼滤波(Unscented Kalman Filter) 滤波估计理论(四)——无迹卡尔曼滤波(Unscented Kalman Filter)无迹变换(Unscented Transform) 在EKF中我们使用泰勒级数近似非线性函数是为了利用Gaussian的线性性质进行期望(均值)和方差的传递,但在线性化过程中,由于线性化点的选择和高阶项的舍弃,将不可避免的存在线性化误差。如果我们能找到一种方法直接获得非线性变换之后的期望和方差,就可以避免由线性化... 阅读详情

相关推荐

改进粒子滤波算计及其matlab实现

GithubPage:https://zhangquan1995.github.io 基本粒子滤波存在的问题 基本粒子滤波算法中普遍存在的问题是退化现象,这是因为粒子权值的方差会随着时间的迭代而不断增加。退化现象是不可避免的,经过若干次迭代,除了少数粒子外,其他粒子的权值可以忽略不计。退化的意味着如果继续跌代下去,那么大量的计算资源就会消耗在处理那些微不足道的粒子上。可以采取如下措施避免: ...

Joey's Blog 1万+

无迹粒子滤波(UPF)等用于目标跟踪或者其他非线性系统中的滤波算法

无迹粒子滤波(UPF)等用于目标跟踪或者其他非线性系统中的滤波算法,以下是一个粒子滤波的入门学习程序,应用于纯方位目标角度观测跟踪,希望对大家有用.zip

无迹粒子滤波(Unscented Particle Filter)的定义与讲解

无迹粒子滤波通过结合无迹变换与粒子滤波的优势,能够有效处理非线性和非高斯状态估计问题。通过上述公式,我们可以更清晰地理解无迹粒子滤波的工作原理及其数学基础。

985工科博士毕业,专攻定位、导航和滤波等算法研究。从业10年,主要使用MATLAB 572

目标跟踪常用算法——KF篇

介绍了目标跟踪中常用的卡尔曼滤波算法(KF),大体给出了滤波算法流程以及仿真分析

zya1223的博客 1007

【MATLAB】无迹粒子滤波(Unscented Particle Filter)例程

本代码通过实现无迹粒子滤波,展示了如何在一维状态空间中估计动态系统的状态。通过模拟真实状态和噪声,用户可以观察到滤波器在位置和速度估计上的效果,并通过可视化手段深入理解无迹粒子滤波的工作原理和性能。

985工科博士毕业,专攻定位、导航和滤波等算法研究。从业10年,主要使用MATLAB 550

19、无迹卡尔曼滤波与无迹粒子滤波技术解析

本文深入解析了无迹卡尔曼滤波(UKF)与无迹粒子滤波器(UPF)的技术原理、算法流程及实际应用。对比了UKF与传统EKF在非线性系统中的性能优势,阐述了UPF如何通过结合UKF改进提议分布,有效解决样本耗尽问题。文章涵盖了含噪时间序列估计、模式识别、飞行器模拟和双倒立摆控制等多个实验案例,展示了这些方法在工业控制、航空航天和信号处理等领域的广泛应用价值,并总结了操作步骤与未来发展方向。

spark7igniter的博客 132

【滤波跟踪】粒子滤波PF,无迹粒子滤波UPF,卡尔曼滤波KF,扩展卡尔曼滤波EKF附matlab代码

滤波跟踪是信号处理和控制领域的重要研究方向,其目的是利用噪声观测数据来估计系统状态。在实际应用中,系统状态方程往往是非线性、非高斯分布的,传统的线性滤波方法如卡尔曼滤波(KF)难以有效处理。为了解决这一问题,近年来涌现出许多非线性滤波算法,其中粒子滤波(PF)和无迹粒子滤波(UPF)是两种重要的代表性算法。本文将对粒子滤波、无迹粒子滤波、卡尔曼滤波和扩展卡尔曼滤波进行详细介绍,并比较它们的优缺点。1. 卡尔曼滤波 (KF)

qq_59747472的博客 639

粒子滤波视觉跟踪实战:贝叶斯递推、重采样与工程调参

贝叶斯滤波为非线性、非高斯状态估计提供了统一框架,粒子滤波通过带权重的随机样本逼近后验分布,在视觉目标跟踪中展现出对遮挡、旋转和光照突变的强大鲁棒性。其核心原理可追溯至递推贝叶斯估计:利用状态转移预测先验,再用观测似然修正权重,最终通过系统重采样抑制退化。相比卡尔曼滤波,粒子滤波不依赖线性高斯假设,能灵活融合颜色直方图、梯度等观测特征,因此广泛应用于无人机追踪、智能交通监控、机器人视觉伺服等场景。工程实现中,观测模型设计与参数标定往往比粒子数更重要,HSV颜色直方图配合巴氏距离、N_eff判定重采样时机以及

weixin_29035147的博客 227

【EKF、EPF、UKF、PF、EPF、UPF】【改进粒子滤波算法】粒子滤波EKF、扩展粒子滤波EPF和无迹粒子滤波UPF等比较、并分析了这些算法在提高滤波精度和效率方面的优势(Matlab代码实现)

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️行百里者,半于九十。📋📋📋🎁🎁🎁。

m0_58086403的博客 460

【matlab例程】无迹粒子滤波(UPF)原理与代码解析,一维代码,结构简单、便于理解|附下载链接

代码通过实现无迹粒子滤波,展示了如何在一维状态空间中估计动态系统的状态。通过模拟真实状态和噪声,用户可以观察到滤波器在位置和速度估计上的效果,并通过可视化手段深入理解无迹粒子滤波的工作原理和性能。如有需要,可私信或通过下方的卡片联系我。

985工科博士毕业,专攻定位、导航和滤波等算法研究。从业10年,主要使用MATLAB 1246

无迹粒子滤波

A NEW UNSCENTED PARTICLE FILTER 2008 一种新的无迹粒子滤波

【粒子滤波定位】(四)粒子滤波存在的问题与改进方法

时刻的真实状态,从而可以获得更高的预估精度,但是过程噪声较大时,滤波效果不如标准粒子滤波算法好。核心思想:利用一系列随机样本的加权和来表示所需的后验概率密度,得到状态的估计值。粒子滤波采样SIS方法来递归,根据重要性进行采样得到后验概率密度的近似分布。将最新的观测值引入到预测过程,提高了常规粒子滤波的性能,大大增加了计算量。进化粒子滤波方法是智能生物算法与粒子滤波算法相结合的产物。距离,作为粒子滤波的近似误差,确定粒子滤波性能的高低。当状态的不确定度很高时,则采用较多的粒子数。时刻进行的,并考虑到。

U202113837的博客 2143

经典的upf算法

本资源是利用改进的建议分布使用在粒子滤波跟踪里,并且比较了几种算法的区别。

【UPF分类】基于粒子群算法优化最大化 IoU 度量实现无约束多边形拟合附matlab代码

本文提出了一种基于粒子群算法(PSO)优化最大化 IoU 度量实现无约束多边形拟合的新方法。该方法将多边形拟合问题转化为一个优化问题,并利用 PSO 算法来搜索最优解。实验结果表明,该方法在准确性和鲁棒性方面均优于其他现有方法。多边形拟合是计算机视觉和图像处理领域的一个重要问题。它可以用于目标检测、图像分割、运动跟踪等多种任务。传统的多边形拟合方法通常基于边缘检测或霍夫变换等技术。这些方法往往对噪声和遮挡非常敏感,鲁棒性较差。近年来,基于粒子群算法(PSO)的多边形拟合方法得到了广泛的研究。

qq_59747472的博客 1079

不敏粒子滤波的程序 (UPF)

粒子滤波程序,这是用不敏变换作为重要密度函数进行采样。

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率;运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性.仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16 dB时,精度提高80%以上),较好地抑制了噪声的干扰.

对无迹卡尔曼滤波(UKF)和粒子滤波(PF)的理解

对无迹卡尔曼滤波(UKF)的总结: EKF通过在工作点附近进行一阶泰勒展开来线性化非线性的运动方程和观测方程。这样的线性近似在高度非线性的情况下存在较大误差。而UKF换了一个线性化的思路。1)选取2n+1个点(sigma点),n为状态向量的维度。为每个sigma点分配权重。2)用采样的点计算出下一状态的均值和方差。公式如下所示: μy=∑iWig(Xi)Σy=∑iWi(g(Xi)−μy)(g(Xi...

首飞的博客 7749

S型速度曲线进阶:基于Sin²(x)的PLC平滑运动控制实践(以伺服/步进系统为例)

本文深入探讨了基于Sin²(x)的S型速度曲线在PLC平滑运动控制中的实践应用,特别针对伺服/步进系统。通过对比传统梯形曲线和七段S曲线,详细展示了Sin²(x)曲线在加速度连续性、计算效率和参数自适应性方面的优势,并结合博图平台的具体实现技巧和实战案例,为精密运动控制提供了优化方案。

weixin_28718793的博客 246
上一篇: 计算机视觉项目首选:PyTorch-CUDA开发环境推荐
下一篇: Miniconda安装nltk进行自然语言处理实验
马屿人
博客等级 码龄7年 2843粉丝 3501原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址