基于卡尔曼滤波及牛顿预测的角加速度估计方法试验研究

基于角位置测量的角加速度实时估计问题是机电系统控制中一个非常重要的问题,在分析现有的线性回归平滑牛顿法和卡尔曼滤波法的基础上,提出了一种新的基于卡尔曼滤波和牛顿预测相结合的角加速度估计方法。该方法旨在利用牛顿预测进一步增强卡尔曼滤波的预测能力,减小由于滤波造成的相位滞后,提高估计加速度与实测加速度的一致性。为了验证新方法的有效性,以直接驱动机器人作为试验对象,采用将估计加速度的频率特性与实测加速度相比较的方法,分别对上述三种估计算法进行了试验比较研究,从而为利用估计加速度(取代测量加速度)实现加速度反馈控制提供了试验依据。     

基于模糊自适应无迹Kalman滤波的车辆状态参数估计

为了精确估计车辆行驶状态参数,提出了一种基于模糊自适应无迹卡尔曼(Kalman)滤波的车辆状态参数估计方法,将模糊控制引入到无迹卡尔曼滤波算法中,通过模糊控制动态调整系统测量噪声,实现滤波的自适应调节。采用非线性三自由度汽车模型作为车辆状态参数估计模型,以前轮转角和纵向加速度为系统输入向量,以横摆角速度、质心侧偏角及纵向车速为状态向量,以侧向加速度为输出向量。应用Carsim软件和Matlab/Simulink软件进行联合仿真,验证该算法的有效性,结果表明:模糊自适应无迹卡尔曼滤波算法比无迹卡尔曼滤波和扩展卡尔曼滤波估计精度高、效果好。     

一种用于光电目标跟踪的非线性滤波算法

基于传统转换测量卡尔曼滤波算法,提出了一种二阶去偏转化测量卡尔曼滤波算法。该算法对转换测量方程进行二阶泰勒展开,得到转换测量值误差的均值和方差表达式,并对转换测量方程进行去偏差补偿,再经转换测量卡尔曼滤波,从而显著减小传统滤波算法的线性化误差,提高远距离目标的跟踪精度。仿真结果表明:二阶去偏转换测量卡尔曼滤波(SCMKF)算法跟踪精度明显优于传统的扩展卡尔曼滤波(EKF)算法和转换测量卡尔曼滤波(CMKF)算法,收敛速度比EKF算法至少可提高1倍。     

基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF)。以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后,利用UDDS电池实验数据对ASRCFK算法进行了仿真。实验结果表明,传统的SRCKF算法估算SOC产生的均方根误差为3.41%;而提出的ASRCKF算法估算SOC产生的均方根误差仅为0.97%,与传统算法相比具有更高的精度,对噪声的适应能力更强。     

一种基于增广EKF的移动机器人SLAM方法

针对移动机器人同步定位与地图构建(SLAM)过程中系统测程法误差累积问题,采用测程法误差模型和车轮速度误差模型的映像关系,结合增广扩展卡尔曼滤波(AEKF)算法结构和实际机器人模型,提出了一种有效提高定位精度的SLAM方法。将机器人速度校正参数附加到卡尔曼滤波算法的向量空间中,以形成增广状态空间,同时预测和更新了SLAM初始状态空间和速度校正参数,笔者在线实时修正机器人的速度和航向角,避免积累航向角误差,从而降低了测程法误差。基于均方根误差和归一化估计方差进行了仿真实验分析,研究结果表明:与EKF-SLAM相比,所提出的方法具有更好的估计性能,使算法保持良好的一致性,大幅度提高了机器人自身定位精度和路标估计准确度。     

基于加速度信号增强的无色卡尔曼滤波方法在水面移动机器人中的应用

水面移动机器人系统的高性能航迹跟踪控制要求能够获取高精度的运动状态和不确定性信息(包括内部不确定参数和外部干扰),而直接高精度测量手段的匮乏,以及数学模型的强非线性、耦合性使得如何得到这些信息存在着种种困难。针对此问题,提出利用一种结合基于奇异值分解无色卡尔曼滤波(Singular value decomposition unscented Kalman filter,SVDUKF)算法和加速度测量的新估计算法。SVDUKF方法是无色卡尔曼滤波(Unscented Kalman filter,UKF)的一种改进方法,具有更宽松的使用条件。此外,该方法的最大优点在于将UKF算法处理系统强非线性和加速度信号富含扰动信息并可简化系统估计模型等特点结合起来,从而获得了一种精度更高、计算复杂度更低的在线估计算法。从推导水面移动机器人系统非线性模型开始,简要介绍加速度信号对模型的简化原理以及SVDUKF算法的基本步骤,并通过仿真验证了算法在估计精度和计算效率方面的优越性。     

基于卡尔曼滤波的倒立摆系统角度信号处理研究

倒立摆系统姿态状态是一个强耦合的多阶非线性系统。在使用传统的加速度传感器获取数据的基础上,使用卡尔曼滤波的方法,将加速度传感器数据和陀螺仪数据进行融合,以Freescale Cortex_M4内核单片机为核心的惯性测量单元进行试验。卡尔曼滤波器将姿态信息作为系统状态变量进行实时估算滤掉噪声。并且通过实验,观察倒立摆系统实际运行状态,证明了卡尔曼滤波具有良好的动态跟踪能力和抗噪声能力。     

基于容积卡尔曼滤波的车辆行驶状态估计

目前针对车辆行驶状态的估计主要采用的是扩展卡尔曼滤波、无轨迹卡尔曼滤波、粒子滤波算法及其它们的改进方法。针对车辆行驶过程中的状态估计问题,论文提出了基于容积卡尔曼滤波的车辆行驶状态估计算法。建立了非线性三自由度车辆估算模型和Dugoff轮胎模型,通过对纵向加速度、侧向加速度、横摆角速度、方向盘转角和轮速传感器低成本传感器信号的信息融合实现对车辆行驶状态的准确估计,并应用Car Sim和Matlab/Simulink联合仿真实验对算法进行仿真验证。结果表明:基于容积卡尔曼滤波的估计算法能够较准确地、稳定地对车辆行驶状态进行估计。     

具有迟滞特性的水下小车牵引系统控制方法

提出了基于改进Smith预估补偿的模糊PID控制器,实现对水下液压绞车牵引小车的精确速度控制。改进Smith预估补偿具有较好的解决迟滞环节对于控制系统的能力,模糊PID控制器具有较好的模型自适应性,两者相结合能够较好的解决水下小车速度控制系统的系统迟滞及参数时变对控制结果所带来的影响。利用MATLAB软件对液压绞车牵引小车的速度控制系统进行仿真,并对结果进行分析。     

高低频噪声区分滤除的车辆载重动态测量方法

在车辆行驶过程中,为了精确测量车辆载重,提出了高低频噪声区分滤除的车辆载重动态测量方法。确定了车辆载重测量方案,分析了信号误差来源。对于发动机转动、环境温度变化引起的高频噪声,提出了具有可调节参数的改进阈值小波滤波,有效减弱了信号中的高频噪声;对于速度、加速度引起的低频噪声,提出使用BP神经网络拟合载重量与速度、加速度函数关系,以消除加速度、速度对载重测量的影响;为了解决BP算法易陷入局部极值问题,提出自适应鱼群算法搜索神经网络最优参数。经实验验证,改进阈值小波滤波可以有效去除高频噪声,提高了信号信噪比;提出的车辆载重测量平均误差为0.85%,最大误差为1.45%,平均误差比原始数据平均误差降低了约6倍。