半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。     

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。     

采用自适应无迹卡尔曼滤波的卫星姿态确定

针对现有算法卫星姿态确定中模型参数估计不准确,系统存在外界干扰下稳定性差和跟踪精度不足的问题,提出一种自适应无迹卡尔曼滤波算法,对卫星三轴姿态进行估计。首先分析了陀螺和星敏组合定姿的工作原理,然后推导了以误差四元数为状态变量的卫星姿态运动学方程。滤波过程中,该算法引入自适应矩阵,对量测噪声协方差矩阵进行调整;依据滤波发散判别准则,对系统噪声协方差矩阵进行自适应修正,抑制滤波过程中可能的发散情形,获得了良好的自适应性能。实验结果表明,在参数估计不准确时,自适应无迹卡尔曼滤波相比鲁棒自适应UKF算法,三轴估计精度的均方根误差(RMSE)分别提升了30.0%,34.1%,22.4%。该算法基本满足卫星姿态确定的高精度、强鲁棒性等要求。     

基于多传感器数据融合的多目标跟踪算法研究

针对复杂环境下多传感器多目标跟踪问题,提出一种基于改进动态加权数据融合的UKF滤波多目标跟踪算法。该算法基于分布式融合结构,对于每个传感器得到的多个目标的观测信息,首先通过最近邻(Nearest Neighbor,NN)数据关联算法进行航迹关联;然后用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)完成对多目标状态的估计,得到目标最新的运动轨迹;与此同时,综合多个传感器估计的目标轨迹,应用改进的动态加权数据融合算法,得到最终的目标轨迹。仿真结果表明,该算法能有效地发挥多传感器数据融合优势,准确地跟踪多个运动目标。与单传感器目标跟踪相比,多传感器数据融合后的目标跟踪精度提高20%以上。     

复杂交通流下基于卡尔曼滤波的多目标全生命周期状态估计

针对复杂行车环境下噪声干扰和车辆行车过程中状态变化导致交通场景中目标状态估计精度低的问题,以毫米波雷达 为检测传感器,提出涵盖参数初始化和在线更新的基于卡尔曼滤波的多目标全生命周期状态估计方法。 首先,建立交通流下多 目标运动状态的卡尔曼滤波状态估计模型;基于此,一方面提出基于数据驱动的卡尔曼滤波观测噪声协方差矩阵初始化的新方 法,另一方面采用变分贝叶斯方法对卡尔曼滤波参数进行在线更新,以此提高多目标状态估计精度;最后,在算法实现步骤的基 础上,利用实车数据开展测试验证工作。 实验结果表明,方法的目标状态估计均方误差为 0. 153,相较于传统卡尔曼滤波减小 了 36. 2% ,证明所提出方法对提升车辆感知精度的有效性。     

基于改进EKF算法的锂电池SOC估算

采用传统EKF算法对电池SOC估算时,系统噪声先验特性未知及电池模型误差会影响电池SOC估算的精度。论文提出一种基于改进EKF算法的锂电池SOC估算方法:通过建立电池等效电路模型,联合安时积分法原理,得到系统的状态空间方程;接着引入数据校正的思想,运用Cauchy鲁棒函数,以EKF观测方程的真实值与估计值之间的残差为依据,实时矫正了滤波状态噪声协方差阵Q,且在SOC区间内通过观测噪声协方差阵R进行了动态调整,使算法具有更强的鲁棒性。仿真结果表明,与传统的EKF算法相比,改进后的EKF算法估算误差降低了3.5%,且算法的平均误差保持在0.68%左右,验证了该方法的有效性及精确性。     

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UPF的车辆紧耦合定位算法

针对城市环境下车辆定位精度低、可靠性差且成本高的问题,通过融合GPS/北斗双模卫星导航定位系统和其他低成本的车载传感器信息设计了一种车辆紧耦合定位算法。首先基于低成本的降维惯性导航定位系统和双模卫星导航定位系统建立了非线性系统状态模型和观测模型;然后使用了一种改进无迹粒子滤波算法来进行多传感器信息的融合,在信息融合过程中,运用了一种模糊算法,根据卫星高度角和载波信噪比特征对伪距的观测噪声协方差值进行了自适应调整,从而提高了定位精度;最后,进行了实验评估。实验结果表明:该定位方法相比基于传统粒子滤波的定位方法能有效提高定位精度,具有可行性。     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

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。     

An innovational transfer alignment method based on parameter identification UKF for airborne distributed POS

Airborne distributed Position and Orientation System (POS) depends on transfer alignment to obtain high accuracy motion parameters of sub-systems by using accurate motion information of main system, including position, velocity and attitude. Complicated aircraft flexure will decrease the accuracy of transfer alignment. Usually, the flexure angle is idealized as Markov process with fixed parameters, while these parameters are unknown and time-varying in real application. Accordingly, the accuracy of state model and statistic characters of noise will be incorrect, which consequently increases the error of transfer alignment. To solve the mentioned problem, this paper proposes a parameter identification method and then combines it with UKF. As a result, transfer alignment based on parameter identification UKF (PIUKF) is designed, and verified by simulations and static experiment. The results show that transfer alignment method based on PIUKF improves the accuracy of sub-systems compared with those based on UKF and strong tracking UKF.     

基于截断正态概率密度模型的简化UKF目标跟踪算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,提出了一种简化的UKF滤波算法.该算法采用Kalman滤波替代UKF算法中的时间更新,而保留UKF算法中的量测更新.仿真结果表明,简化UKF算法跟踪精度与标准UKF算法几乎相同,但计算效率却提高了32.2％.     

噪声混响下说话人跟踪的多特征自适应 UPF 算法

为了提高噪声混响环境下说话人跟踪系统的精度和稳健性,提出了一种多特征自适应无迹粒子滤波(MFAUPF)算法。该算法以语音信号的多特征作为观测信息,采用多假设和频选函数构建了时延选择机制和波束输出能量优化机制,并在两种机制融合的基础上构建了似然函数,弥补了单特征不能同时稳健噪声和混响的不足。由于说话人运动具有随机性,建立了声源跟踪的自适应CV模型,在此基础上将无迹卡尔曼滤波(UKF)与抗差估计理论相结合作为提议分布,提高了模型的适配能力。文中仿真和实测结果表明,在AUPF下,多特征算法比SBFSRP算法位置平均RMSE减少了18%以上,在多特征观测下,AUPF算法比CV算法位置平均RMSE减少了14%以上,所提算法具有跟踪精度高和数值稳定性强的特点。     

Centroid weighted Kalman filter for visual object tracking

In the visual object tracking, the Kalman filter presents commonly the state model and observation model uncertainty in the actual performance of Gaussian noise, so it makes the estimation of certain parameters produce errors in the model, and results in decreasing estimation precision. In order to enhance the stability of the Kalman filter, an algorithm based on centroid weighted Kalman filter (CWKF) for object tracking is proposed in this paper. The algorithm firstly uses background subtraction method to detect moving target region, and then uses the Kalman filter to predict target position, combining centroid weighted method to optimize the predictive state value, finally updates observation data according to the corrected state value. Tracking experiments show that the algorithm can detect effectively moving objects and at the same time it can quickly and accurately track moving objects with good robustness.     

分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.     

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。