S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于平方根无迹卡尔曼神经网络的铝电解工耗模型EI北大核心CSCD

铝电解过程中传统机理建模及静态建模等方法难以建立精确过程模型。采用平方根无迹卡尔曼神经网络算法构建铝电解工耗模型。无迹卡尔曼神经网络滤波与平方根滤波理论相结合,改进无迹卡尔曼神经网络滤波算法,利用协方差矩阵的平方根代替无迹卡尔曼算法中的协方差矩阵参与递推运算,解决铝电解建模过程中出现误差协方差矩阵非正定型而导致滤波发散的问题,并且提高了模型的自适应能力和精确度。通过对某铝厂出铝情况的日报样本进行验证,对比神经网络模型和无迹卡尔曼神经网络模型,平方根无迹卡尔曼神经网络提高了铝电解工耗模型精度和可靠性,表明了该方法的有效性、先进性和可靠性。     

基于平方根无迹卡尔曼神经网络的铝电解工耗模型

铝电解过程中传统机理建模及静态建模等方法难以建立精确过程模型。采用平方根无迹卡尔曼神经网络算法构建铝电解工耗模型。无迹卡尔曼神经网络滤波与平方根滤波理论相结合,改进无迹卡尔曼神经网络滤波算法,利用协方差矩阵的平方根代替无迹卡尔曼算法中的协方差矩阵参与递推运算,解决铝电解建模过程中出现误差协方差矩阵非正定型而导致滤波发散的问题,并且提高了模型的自适应能力和精确度。通过对某铝厂出铝情况的日报样本进行验证,对比神经网络模型和无迹卡尔曼神经网络模型,平方根无迹卡尔曼神经网络提高了铝电解工耗模型精度和可靠性,表明了该方法的有效性、先进性和可靠性。     

径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

重力/地磁辅助的欧拉角无迹卡尔曼滤波姿态估计

为了克服应用扩展卡尔曼滤波(EKF)的姿态估计算法的线性化误差问题,提出了一种基于重力/地磁辅助的欧拉角无迹卡尔曼滤波(UKF)姿态估计算法来提升低成本微机电系统(MEMS)的姿态测量精度。应用重力与地磁数据抑制了MEMS姿态误差快速发散问题;将欧拉角作为状态,应用四元数完成时间更新过程中的姿态更新,避免了四元数作为状态的规范化问题及欧拉角姿态更新精度低的问题;由于UKF滤波器不存在线性化误差,故其具有更好的稳定性和姿态估计精度。应用实际MEMS数据开展的算法验证实验显示:与EKF姿态估计算法相比,提出的UKF姿态估计算法得到的俯仰与横滚角精度提高了近20%,航向角精度提高了12.1%。结果表明:本文提出算法的精度更高;然而由于UKF算法对状态协方差估计不足,其收敛时间有所增加。     

自适应卡尔曼滤波在无刷直流电机系统辨识中的应用

为了有效抑制量测噪声特性变化对系统辨识精度的影响以获得准确的无刷直流电机模型,提出了一种采用自适应卡尔曼滤波算法的无刷直流电机系统辨识方法。通过计算新息理论方差的极大似然最优估计,并将其引入卡尔曼滤波算法中修正滤波增益来抑制量测噪声特性变化对辨识结果的影响,使该滤波算法实现对模型参数的准确估计,提高辨识精度。实验结果表明,在量测噪声特性变化的情况下,该算法能够准确跟踪实际量测噪声特性的变化,参数估计平滑,相对于目前系统辨识广泛采用的带有遗忘因子的递推最小二乘算法,输出误差的均方根值减小了73.5%。该算法简单易行,计算量小,辨识结果可以很好地描述系统行为,便于在工程实践中应用。     

基于AUKF算法的锂电池SOC估算

针对无迹卡尔曼滤波(UKF)算法在估算锂电池荷电状态(SOC)时忽略了系统噪声时变特性问题,导致估算精度降低,故提出了自适应无迹卡尔曼滤波(AUKF)算法.通过建立电池模型,利用UKF对SOC进行估算的同时,结合Sage-Husa自适应滤波算法时刻对系统噪声进行估计和修正,进而提高估算SOC时的精度.通过在不同工况下对...     

基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计

纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。     

基于指数冻结因子的锂电池SOC估算算法

纯电动汽车的荷电状态(SOC)表示电池组的剩余电量,其直接决定着驾驶员对电动车车剩余里程及对充放电等的判断。由于扩展卡尔曼滤波(EKF)法时其将其中的噪声按均值为零的高斯白噪声处理,因而使SOC估算精度不高乃至出现滤波发散。为防止该类情况发生,提出了一种基于指数冻结因子自适应滤波算法;该算法在Sage-Husa自适应扩展卡尔曼滤波(SHEKF)法的基础上引入发散判据,当有状态变量估算误差变大而发散时,对卡尔曼增益矩阵构造一个自适应指数冻结因子,有效防止了滤波发散,提高了系统稳定性。通过同传统的扩展卡尔曼滤波(EKF)法相比较,试验验证结果表明新方法具有更高的估算精度以及对滤波发散的有效控制。     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。     

基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法

复杂环境下的量测粗差和时变噪声严重影响了状态估计的精度和可靠性,对此提出了一种基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法。首先,基于先验和后验两阶段更新将变分贝叶斯推断引入因子图优化框架中,以估计时变量测噪声协方差;其次,利用相邻帧间的平均新息构造量测协方差预测值,作为粗差判据来实现稳健估计。基于INS/GNSS组合导航的仿真和现场实验评估表明,所提方法能在粗差干扰的情况下有效估计时变量测噪声,相比M估计和滑动窗口自适应因子图优化算法的水平定位误差分别减小了26.7%和39.8%,兼顾了估计精度和抗差性能,具有较好的复杂环境适应性。     

抗野值自适应卫星/微惯性组合导航方法

针对在复杂城市环境下卫星导航系统(GNSS)定位定速存在野值,导致GNSS/微惯性(MEMS-INS)组合导航状态参数滤波估计精度恶化,甚至滤波发散的问题,提出了一种抗野值自适应GNSS/MEMS-INS组合导航算法,以提高组合导航精度和可靠性。该算法利用Allan方差分析建立较为精确的MEMS器件噪声模型,有效降低模型异常和状态扰动的影响。同时利用新息序列构造观测异常检验统计量,并根据该统计量构造自适应新息加权因子调节滤波增益矩阵,削弱观测野值对状态估计的不良影响。实验结果表明,该算法能够有效地控制GNSS定位定速异常的影响,具有较强的实时性和容错性。相比于传统算法,车载定位、定速和定姿精度分别提升35.78%、60.19%和82.41%,验证了本文算法的有效性和实用性。     

基于置信度传播的变分自适应协同导航方法

协同导航过程中先验信息的准确性是保证协同导航系统精度和可靠性的重要关键因素。针对协同导航系统在复杂环境下会因外界干扰产生未知且时变噪声问题,提出一种基于置信度传播的变分自适应协同导航方法(SWSP)。首先以置信度传播(SPBP)协同导航贝叶斯框架为基础,完成基于置信传播机制的前向滤波;随后通过IW处理过程噪声和量测噪声作为贝叶斯估计的先验信息;进而利用前向滤波值构造滑动窗口对噪声进行平滑估计,从而解决因噪声时变而造成的协同导航系统滤波精度下降问题。仿真结果表明:当噪声时变时,进行平滑操作的SWSP算法与未进行平滑操作的SPBP算法相比,位置误差降低了90%,精度更接近于最优opt SPBP算法。     

微纳卫星陀螺阵列系统信息融合

为了实现微纳卫星MEMS陀螺动态在线滤波,对MEMS陀螺阵列建模,设计可应用于动态过程的最优在线数据融合算法,建立陀螺阵列测试系统,并对融合滤波的陀螺系统的性能对比分析。首先,建立多个陀螺的量测模型。接着基于信息融合模型,使用Kalman滤波算法,对预测的协方差矩阵进无求逆运算迭代;然后,基于误差估计,对动态时变信号滤波模型建模,并给出了融合滤波方法;最后,搭建6个MEMS陀螺在线滤波系统,验证该算法的有效性。实验结果表明：滤波误差可降低为单陀螺采样误差的1/15,精度提高一个数量级;运算量相比层序式滤波减少为1/4,计算时间减少为1/3。本文所提算法在提高精度的基础上,显著提高了MEMS陀螺系统的性能指标,拓展了MEMS陀螺在微纳卫星的应用范围。     

基于鲁棒自适应SCKF的智能汽车目标状态跟踪研究

准确的自车和前车状态估计是智能汽车有效决策和控制的前提,而以往的研究通常不考虑噪声统计特性不确定的问题,导致某些情况下车辆状态估计的误差很大。为此,提出一种鲁棒自适应平方根容积卡尔曼滤波（Robust adaptive square-root cubature Kalman filter,RASCKF）算法,以降低噪声统计不确定性对估计精度的影响。首先,采用最大后验概率准则估计了过程噪声协方差和测量噪声协方差的统计值,以提高噪声稳定时状态估计的精确性。然后,基于标准化测量新息序列设计了故障检测规则,利用实时测量新息对噪声协方差进行校正处理,保证状态估计算法的鲁棒性。最后,在不同的噪声干扰工况下对RASCKF算法进行了仿真验证。结果表明,RASCKF算法在估计精度和稳定性上明显优于标准SCKF算法,有效地解决了智能汽车目标状态跟踪过程中噪声统计特性不确定的问题。     

基于三分量地磁滤波技术的微型AHRS算法研究

针对常规的微型姿态参照系统(AHRS)算法存在过载干扰和滤波发散的问题,设计了一种基于三分量地磁滤波技术的微型AHRS算法。采用一种简化的Sage-Husa自适应滤波算法进行了AHRS的信息融合;采用姿态误差角和陀螺漂移作为状态变量,进行了自适应滤波的时间更新,采用三分量地磁矢量作为观测量,进行了自适应滤波的量测更新;最后,对该算法进行了半物理仿真实验。实验结果表明,该算法能够有效地减小高过载造成的姿态测量误差,在2 g线振动测试条件下,该算法的俯仰角和横滚角的测量精度优于0.75°,航向角精度优于1.87°;与常规的算法相比,系统的抗过载能力提高了近3.2倍。该算法测量精度高、抗过载性好,具有很强的自适应能力,尤其适用于低铁磁干扰、高过载的工作环境。