扩展卡尔曼滤波与粒子滤波性能对比

doi:10.13474/j.cnki.11-2246.2016.0111

测绘通报 ›› 2016, Vol. 0 ›› Issue (4): 10-14.doi: 10.13474/j.cnki.11-2246.2016.0111

扩展卡尔曼滤波与粒子滤波性能对比

薛长虎, 聂桂根, 汪晶

武汉大学卫星导航定位技术研究中心, 湖北武汉 430079

收稿日期:2015-05-29 出版日期:2016-04-25 发布日期:2016-05-04
通讯作者: 聂桂根
作者简介:薛长虎(1992-),男,硕士生,主要研究方向为多源观测数据与滑坡机理模型同化理论与方法。E-mail:xch073423@163.com
基金资助:
国家重点基础研究发展计划(2013CB733205)

Comparison of Performance between Extended Kalman Filter and Particle Filter

XUE Changhu, NIE Guigen, WANG Jing

Received:2015-05-29 Online:2016-04-25 Published:2016-05-04

摘要/Abstract

摘要： 在非线性滤波方法中,粒子滤波以其精度均匀且不受模型复杂程度的影响而受到广泛关注。与传统的非线性滤波方法-扩展卡尔曼滤波相比,粒子滤波有着无可替代的优势,但也存在着一些缺陷。本文对这两种非线性滤波算法分别用MATLAB和VC++编程进行模拟仿真,并进行了一系列的比较,从算法原理、计算精度和稳定性、计算速度等方面说明了各自的优缺点和具体的差别。试验结果表明,粒子滤波计算消耗的时间远远大于扩展卡尔曼滤波消耗的时间,并且粒子滤波计算时间随粒子数的增加呈近似级数增长。

中图分类号:

P228

薛长虎, 聂桂根, 汪晶. 扩展卡尔曼滤波与粒子滤波性能对比[J]. 测绘通报, 2016, 0(4): 10-14.

XUE Changhu, NIE Guigen, WANG Jing. Comparison of Performance between Extended Kalman Filter and Particle Filter[J]. 测绘通报, 2016, 0(4): 10-14.

参考文献

[1] 赵琳, 王小旭, 丁继成,等. 组合导航系统非线性滤波算法综述[J]. 中国惯性技术学报, 2009(1):46-52.
[2] GORDON N J, SALMOND D J, SMITH A F M. Novel Approach to Nonlinear/Non-Gaussian Bayesian State Estimation[C]//IEE Proceedings F (Radar and Signal Processing). [S.l.]: IET Digital Library, 1993.
[3] 毛克诚, 孙付平. 扩展卡尔曼滤波与采样卡尔曼滤波性能比较[J]. 海洋测绘, 2006(5):4-6.
[4] HAYKIN S E. Kalman Filtering and Neural Networks [M]. New York: John Wiley & Sons, 2001.
[5] 胡士强, 敬忠良. 粒子滤波原理及其应用[M]. 北京: 科学出版社, 2010: 21-25.
[6] 于金霞,刘文静,汤永利. 粒子滤波重采样算法研究[J]. 微计算机信息, 2010(16):44-45.
[7] 胡士强, 敬忠良. 粒子滤波算法综述[J]. 控制与决策, 2005(4):361-371.
[8] CHEN Z. Bayesian Filtering: From Kalman Filters to Particle Filters, and Beyond [J]. Statistics, 2003, 182(1): 1-6.
[9] DOUCET A, GODSILL S, ANDRIEU C. On Sequential Monte Carlo Sampling Methods for Bayesian Filtering [J]. Statistics and Computing, 2000, 10(3): 197-208.
[10] 程水英, 张剑云. 粒子滤波评述[J]. 宇航学报, 2008(4):1099-1111.
[11] ARULAMPALAM M S, MASKELL S, GORDON N, et al. A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking [J]. Signal Processing, IEEE Transactions on, 2002, 50(2): 174-188.
[12] FREITAS de GOMES,FERDINAN DO J. Bayesian Methods for Neural Networks[D]. [S.l.]: University of Cambridge, 2003.
[13] MERWE der R V,FREITAS de N,DOUCET A, et al. The Unscented Particle Filter[J].NIPS, 2001:13: 584-590.
[14] PITT M K, SHEPHARD N. Filtering via Simulation: Auxiliary Particle Filters [J]. Journal of the American Statistical Association, 1999, 94(446): 590-599.
[15] JIANG W, YI G, ZENG Q. Application of Proximal Support Vector Regression to Particle Filter[C]//Intelligent Computing and Intelligent Systems, 2009. [S.l.]:IEEE, 2009.
[16] 蒋蔚. 粒子滤波改进算法研究与应用[D].哈尔滨:哈尔滨工业大学, 2010.
[17] 杜航原, 郝燕玲, 赵玉新. 基于集合卡尔曼滤波的改进粒子滤波算法[J]. 系统工程与电子技术, 2011, 33(7): 1653-1657.

扩展卡尔曼滤波与粒子滤波性能对比

Comparison of Performance between Extended Kalman Filter and Particle Filter

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 14

编辑推荐

Metrics

本文评价

[1]	周宝定, 杨程景, 顾祉宁, 刘旭. 环境语义信息辅助的室内停车场车辆定位方法[J]. 测绘通报, 2022, 0(6): 6-11,75.
[2]	王安义, 欧雪. 基于粒子滤波的PDR/地磁指纹室内定位[J]. 测绘通报, 2021, 0(1): 24-28.
[3]	陆妍玲, 韦俊伶, 刘采玮, 李景文, 姜建武. 融合地磁/WiFi/PDR的自适应粒子滤波室内定位[J]. 测绘通报, 2020, 0(6): 1-6.
[4]	王照远, 高井祥, 李增科, 常梦阳. 一种融合WiFi/地磁/PDR的室内定位方法[J]. 测绘通报, 2020, 0(6): 17-21.
[5]	冯木榉, 高迪, 何文涛. 面向低成本车载IMU的安装姿态估计[J]. 测绘通报, 2020, 0(6): 67-70.
[6]	刘星, 郭杭. 手机视觉与惯性融合的松耦合滤波算法[J]. 测绘通报, 2020, 0(2): 61-65.
[7]	张园, 谭兴龙, 赵长胜, 李晓明. 顾及有色噪声的自适应粒子滤波UWB定位算法[J]. 测绘通报, 2019, 0(8): 30-33.
[8]	闫伟, 牛小骥, 旷俭. 光源编码+PDR组合的室内行人定位方法[J]. 测绘通报, 2019, 0(5): 7-11,54.
[9]	黄鹤, 张新宇, 仇凯悦. PDR算法对地磁室内定位精度的提升研究[J]. 测绘通报, 2019, 0(12): 18-21.
[10]	李晓明, 赵长胜, 张立凯. 自适应平方根无迹粒子滤波算法及其应用[J]. 测绘通报, 2018, 0(12): 6-9,14.
[11]	汪晶, 聂桂根, 薛长虎. 应用高斯粒子群优化的无迹粒子滤波[J]. 测绘通报, 2017, 0(4): 1-5.
[12]	夏志浩, 赵长胜, 马晓君. 基于有色噪声自适应卡尔曼滤波的GPS单点定位[J]. 测绘通报, 2015, 0(3): 66-68.
[13]	夏志浩赵长胜丁圳祥. 一种基于新息向量的动力学方程误差补偿方法[J]. 测绘通报, 2014, 0(5): 8-10.
[14]	刘帅孙付平陈坡. 基于伪距和多普勒观测值的DGPS/INS紧组合导航算法研究[J]. 测绘通报, 2013, 0(6): 5-8.