多传感器信息融合的自动驾驶车辆定位与速度估计

针对大学生无人驾驶方程式(FSAC)于地图内高精定位以及速度观测的问题,设计基于多传感器信息融合的状态估计算法,并应用于自研实车平台。算法基于迭代扩展卡尔曼滤波(iEKF) 进行设计,融合多类传感器,包括惯性测量单元 (IMU)、转角及轮速编码器、全球卫星定位(GPS)、相机与激光雷达(Lidar)。首先,利用IMU预测车辆先验状态,然后,建立并联融合架构,对各类传感器数据进行不同的信息处理,用于更新先验状态,由于并联融合的架构,不同传感器可独立地维护车辆的状态观测。实验结果表明,所提出的算法对地图内定位、速度观测有较好的精度,且具有足够的冗余性和实时性。     

基于多传感器信息融合城市车辆导航定位

针对全球定位系统信号易受城市复杂的环境干扰,接收不可靠、航位推算只能进行短时间高精度导航、地图匹配仅可在拐弯处才能提供与地图精度相当的修正信息、城区车辆导航存在“盲区”问题,研制了采用蓝牙技术的新型路标传感器,研究了基于自适应联合卡尔曼滤波算法的多传感器信息融合技术。大量的试验研究表明：采用该信息融合技术后,城区车辆导航定位精度达到10m以内,符合高精度导航定位要求。     

多传感器状态融合估计在雷达跟踪中的应用

采用Carlson最优数据融合准则,将基于Kalman滤波的多传感器状态融合佑计方法应用到雷达跟踪系统.仿真实验表明,多传感器Kalman滤波状态融合佑计误差小于单传感器Kalman滤波得出的状态佑计误差,验证了方法对雷达跟踪的有效性.     

基于信息融合理论的卡尔曼滤波及仿真

对于存在控制及测量噪声,状态变量受到污染的系统,控制过程要求排除噪声干扰.本文采用信息融合理论,对传统卡尔曼滤波算法进行改进,得到新的滤波算法.有效的排除噪声干扰并通过仿真验证.     

基于输出残差的自适应状态估计方法

本文针对线性定常离散系统提出了一种有效的基于输出残差的自适应状态估计方法，首先利用输出残差给出了卡尔曼滤波增益马尔可夫参数估计，并且得到了卡尔曼滤波增益估计，然后解决了自适应状态估计问题，最后以仿真实例说明了此方法的有效性。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

基于多传感器信息融合的移动机器人导航系统

介绍了多传感器信息融合的基本原理,给出了基于多传感器信息融合的移动机器人导航系统结构。建立了移动机器人数学模型,运用基于扩展卡尔曼滤波的信息融合方法实现了移动机器人导航算法。通过实验验证了基于多传感器信息融合的移动机器人导航系统和导航算法的有效性。     

基于EKF算法的太阳能无人机低成本飞控状态估计

当大展弦比太阳能无人机(UAV)采用由低成本传感器组成的飞控平台时,受限于传感器误差精度、无人机长航时、广域度的任务要求,传统数据融合算法无法实现其姿态、空速和风场长时间的准确和可靠估计.从飞控搭载的传感器测量原理出发,对测量过程的误差特性和温度影响进行建模,基于扩展卡尔曼滤波算法实现状态的可靠估计.首先,将压力传感器与惯导的数据进行融合以实现姿态估计;其次,结合无人机的布局特征将磁力计独立安装以实现航向估计;最后,融合GPS的数据进行导航估计.仿真结果表明,较传统的变增益估计算法(VGO),所提出算法的层次更分明,结果更可靠,而且可以与太阳能无人机的特征较好地结合.     

电力系统状态估计多算法融合

为解决复杂电网大数据背景下单一算法难以满足状态估计要求的问题,提出一种电力系统状态估计多算法融合系统。基于数据融合思想,将加权最小二乘法、快速分解法、量测状态变换法与Sigmoid函数法相互融合实现电网状态估计,支持串行融合模式和并行融合模式。实验结果表明,融合算法使得估计结果保留了各自算法的优点,避免了单一算法的缺点,提高了状态估计的精度和效率。     

汽车行驶状态参数估计研究进展与展望

准确而实时地获得汽车的行驶状态参数信息是实现汽车主动安全控制的关键问题,也是车载故障诊断的重要技术之一.随着估计理论的发展,利用车辆上已装备的传感器获得汽车行驶状态信息,进行汽车行驶状态参数估计是近年来的研究热点.本文首先给出汽车系统中需要进行估计的状态参数的分类及现有估计方案;然后对现有的各种汽车行驶状态参数估计方法加以综述,并分析了各种方法在汽车行驶状态参数估计方面的优缺点;最后对汽车行驶状态参数估计的进一步研究提出几点展望.     

改进强跟踪滤波算法及其在汽车状态估计中的应用

准确实时地获取汽车行驶过程中的状态变量,对汽车底盘控制有着重要的意义,而这些关键状态往往难以直接测量或 者成本较高.结合纵向、侧向和横摆三自由度非线性汽车模型,将改进强跟踪滤波(Improved strong track filter, ISTF)算法应用到汽车的状态估计中,并改进了算 法的稳定性.与扩展卡尔曼滤波(Extended Kalman filter, EKF)算法进行比较分析.通过Carsim和Matlab/Simulink联合仿真和实车双移线实验验证算法,结果 表明,该算法在估计精度、跟踪速度、抑制噪声等方面均优于扩展卡尔曼滤波算法,满足汽车状态估计器的软件性能要求.     

基于扩展卡尔曼滤波的船舶横向运动扰动估计

建立了船舶横向运动状态方程和测量方程,利用扩展卡尔曼滤波方法对海浪扰动下的船舶横向运动的扰动力和力矩作出估计。仿真结果表明,扩展卡尔曼滤波法比有色卡尔曼滤波法估计效果更优。     

基于扩展卡尔曼滤波的潜艇破损进水估计研究

研究潜艇水下撞击破损后进水位置和水量优化估计问题,当潜艇因碰撞和触雷等破损进水时,准确的获取潜艇水下破损进水时的进水量和进水位置信息,对潜艇指挥员采取及时有效地抗沉手段具有重要的现实指导意义。由于进水后形成较大的系统干扰,造成信息不稳定。为解决上述问题,提出采用滤波器将潜艇水下破损进水后产生的干扰力和干扰力矩定义为潜艇垂直面运动系统的扩展状态变量,用扩展卡尔曼滤波对潜艇破损后的进水量和进水位置进行状态估计识别。仿真结果表明,改进方法能够较为精确地估计出潜艇水下破损时的进水量和进水位置,对潜艇指挥员在潜艇水下破损情况的指挥决策具有重要的参考价值。     

UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

汽车行驶稳定性动力学优化控制仿真研究

汽车行驶稳定动力学优化控制,旨在通过确定汽车行驶状态下纵向车速、横摆角速度、质心侧偏角等重要的状态变量,提前预知汽车未来时刻的可能的行驶状态,并将其输送到汽车底盘主动控制系统,实现动力学优化控制,提高汽车的主动安全性,减少道路交通事故.寻找一种低成本、高精度且能够实时获得车辆重要状态参数的方法,是汽车稳定行驶动力学优化控制的关键技术之一.利用Madab/Simulink仿真工具,分别建立了汽车动力学仿真模型和车辆行驶状态Kalman滤波估计仿真模型,可以同时实现对车辆行驶状态的仿真和对车辆行驶过程中横摆角速度、侧向加速度和质心侧偏角的估计,并且模型具有可扩展性.最后进行了实车场地试验,完成了阶跃曲线、双移线等操作,通过模型仿真、试验数据和状态估计结果的比较得出,三者一致性较好,同时验证了车辆动力学仿真模型和状态估计算法仿真模型的有效性和通用性.     

扩展卡尔曼滤波在受到恶意攻击系统中的状态估计

设计了一种分布式扩展卡尔曼滤波器(Extended Kalman filter, EKF), 对非线性目标状态进行估计.在设计过程中, 对滤波误差上界进行优化, 获得了最优滤波增益.此外, 在通信过程中, 考虑恶意攻击信号的同时引入了分布式事件触发机制, 使得系统在保持一定的估计精度的情况下节省通信资源.最后, 以室内的机器人定位问题为例, 验证了提出的滤波器的有效性.     

基于多传感器融合的移动机器人定位

针对移动机器人定位系统中单一传感器定位精度低与环境地图的重要性问题, 提出了一种基于多传感器融合的移动机器人定位方法. 首先, 在未知环境下, 分别利用单一里程计, 扩展卡尔曼滤波(extended Kalman filter,EKF)算法融合里程计、惯性测量单元(inertial measurement unit, ...     

基于带输入估计变维滤波的多传感器信息融合

带输入估计变维滤波利用最小二乘法对系统未知输入进行估计,同时对机动运行开始时刻给出估计,从而有效地克服了输入估计算法和变维滤波各自在系统模型单一和机动运行开始时刻估计不精确方面的缺陷。考虑到多传感器信息融合系统可给出比单传感器更为精确的结果,基于带输入估计变维滤波,将系统状态融合和确定性输入融合相结合,提出了一种多传感器带输入估计变维滤波融合算法。系统仿真结果表明,该算法可以有效地提高估计精度,适用于机动目标跟踪。     

城市快速路实时交通状态估计器的构建

根据城市智能交通系统的实际需要,构建能够实时估计城市快速路上交通状态的估计器。其基本思想是将扩展卡尔曼滤波理论引入宏观流体力学模型,结合快速路上的固定检测设备,实时估计快速路上的交通状态。实例分析结果表明,该模型的适用性和精度都令人满意,可为城市快速路交通控制和诱导提供决策参考。     

基于RLS与EKF算法的锂电池SOC估计

准确估计荷电状态是电池管理系统高效和安全运行的关键因素之一.以Thevenin模型为基础,运用递推最小二乘法,对模型参数进行估计并且定期更新.采用扩展卡尔曼滤波算法实现了对锂电池荷电状态的估算.仿真结果表明,该估算策略能保持很高的精度,并对观测噪声有很强的抑制作用.