一种带遗忘因子的自适应卡尔曼滤波器及其在移动机器人中的应用

在移动机器人姿态估计过程中,由于难以建立准确的系统模型,导致参数量测不准确。采用一种自适应卡尔曼滤波器,通过加入遗忘因子的方式改变滤波器对状态估计的信任程度,改善了系统中噪声统计模型不准确对测量结果的影响。仿真结果表明,当经验知识不足导致建立姿态测量模型不准确时,自适应卡尔曼滤波器的滤波效果优于传统卡尔曼滤波器,提高了姿态信号的估计精度。     

基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地获取行驶过程中的状态信息是汽车动态控制系统研究的关键,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法（DEAKF）。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。
     

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。     

分布式驱动电动汽车双无迹卡尔曼滤波状态参数联合观测

为实时观测分布式驱动电动汽车行驶过程中的车身质心侧偏角等状态及车辆惯性参数如车辆质量、横摆转动惯量等信息,针对车辆惯性参数估计易敏感于载荷参数变化的挑战,发展面向载荷参数不确定（乘客或货物加载）的纵向、侧向、横摆运动的四轮车辆非线性动力学系统估计模型,在融合轮毂转矩等车载多传感器信息的基础上,将能适应强非线性系统的无迹卡尔曼滤波引入到车辆惯性参数估计中,设计车辆并联双无迹卡尔曼滤波状态参数联合观测系统,其中一个无迹卡尔曼滤波器观测车辆速度、车身质心侧偏角等状态,而另一个无迹卡尔曼滤波器观测车辆惯性参数。在CarSim/Matlab高保真环境中使用双移线、正弦工况对观测器在不同的载荷加载条件的可行性和有效性进行仿真验证,结果表明：该观测系统能实时观测车辆运行的状态及车辆惯性参数,即使在重载荷加载条件下仍具有较高的观测精度。     

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。     

基于改进UKF的非线性结构荷载和参数同步识别

传统无迹卡尔曼滤波（unscented Kalman filter，简称UKF）方法在非线性结构参数识别过程中，通常要求结构的输入已知，当非线性结构的输入难以测量或测量误差较大时，该方法的应用将受到限制。为了对未知激励作用下的非线性结构参数进行识别，提出一种基于改进UKF的非线性结构荷载和参数同步识别方法。该方法在系统状态更新过程中，利用结构响应和参数的当前预测值，对输入荷载进行初步估计，并结合系统状态的估计值对输入荷载进行识别。为降低测量噪声对非线性系统识别结果的影响，采用在UKF方法中嵌入卡尔曼滤波器（Kalman filter，简称KF），对测量噪声协方差矩阵进行同步优化，确保非线性结构荷载和参数识别的精确性。分别对地震激励下的单自由度和5自由度Bouc-Wen滞回模型进行数值模拟，验证了该方法的可行性和准确性。结果表明，改进的UKF方法能够有效地实现非线性结构未知荷载和模型参数的同步识别。     

卡尔曼滤波器在过程估计中的应用

提出了一种卡尔曼滤波算法,建立离散状态模型,运用MATLAB对直流电机进行分析,对过程进行估计.以一个平方信号作为过程输入,分别计算了无噪声过程响应和有噪声过程响应来加以比较.根据控制信号和测量输出估计过程输出和状态,卡尔曼滤波器的估计输出接近于无噪声过程的输出,状态估计也令人满意;估计输出信号的误差方差较小,效果良好.     

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。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

加性复合有色噪声干扰下的强跟踪滤波器

将周东华等人提出的强跟踪扩展卡尔曼滤波器推广到一类加性复合有色噪声干扰下的非线性时变随机系统。通过增广状态向量，线性化非线性的增广状态空间模型和采用等效量测方程，加性复合有色噪声干扰下的强跟踪扩展卡尔曼滤波器问题可以转化为过程与量测量声相关情况下的强跟踪卡尔曼滤波器问题。数值仿真示例显示了方法的有效性。