基于改进SCKF算法的机车目标跟踪速度误差分析

为实现机车目标的高效跟踪,构建一种可以实现自适应匀加速分析的模型并能够进行波形自主调控的平方根容积卡尔曼滤波跟踪算法。在确定发射波形的过程中,应确保后续时刻达到最低的目标状态估计误差。利用波形捷变的方法可以得到最优波形参数,显著增强系统跟踪机车目标的能力。研究结果表明：经过波形调控后,本算法可以使目标方位误差减小89.56%、运动速度误差减小84.04%,加速度误差减小59.54%,并使耗时降低不明显;可以实现方位误差以及速度误差的缓慢降低,具备优异鲁棒性;信噪比减小后,表现出更优的性能。与其他各算法相比,本算法能够自适调节各项参数,获得更高的跟踪精度,所需的计算量也较小。     

具有状态约束的电液伺服系统模型参考鲁棒自适应控制

针对电液伺服系统中的模型不确定性和状态约束问题,设计了一种模型参考鲁棒自适应控制(MRRAC)方法。将电液伺服系统的近似模型作为模型预测控制(MPC)的设计对象,在设计过程中考虑状态约束,并生成受约束的状态期望,作为后续伺服控制方法的参考指令。为了克服液压系统中的模型不确定性,基于反步法设计了鲁棒自适应控制器(RAC),实现了兼顾模型不确定性和状态约束的伺服控制。基于Lyapunov稳定性理论证明了所设计控制策略的闭环渐近稳定性,且系统所有信号均有界。仿真结果表明,控制器对于系统模型不确定性具有较强的鲁棒性,且可实现对指定状态的有效约束,充分验证了该控制策略的有效性。     

基于SVD的多终端实时定轨自适应鲁棒CKF算法

针对多终端实时定轨过程中难以精确获得量测噪声统计特性及存在异常测速值导致滤波精度降低的问题,提出一种基于奇异值分解(SVD)的自适应鲁棒容积卡尔曼滤波(CKF)算法。使用欧拉预测校正法离散带J2项摄动的轨道动力学方程以得到状态方程。将H∞鲁棒滤波思想应用于CKF算法,建立了非线性条件下约束水平与滤波信息的反比关系,实现对约束水平的自适应调整,并使用SVD代替传统的Cholesky分解以提高数值计算的稳定性。仿真结果表明,欧拉预测校正法可以有效提高轨道动力学方程离散精度;相比标准CKF算法,自适应鲁棒CKF算法具有更高的定轨精度及鲁棒性。     

基于fDSST的长时间目标鲁棒跟踪算法

在跟踪目标过程中,当目标遭遇强遮挡、移出视野、快速运动等时,快速判别尺度空间跟踪(fDSST)算法会丢失目标且无法再找回。为了解决这一问题,提出了一种基于fDSST的长时间目标鲁棒跟踪算法。在经典fDSST算法基础上增加了基于关键点匹配的检测模块和输出自适应决策模块,在判定目标丢失或不可见后可重新匹配目标并重新初始化跟踪器;跟踪时可自适应地选择置信度更高的结果作为最终输出结果;在以Raspberry Pi 4B为主控单元的嵌入式平台上进行算法移植,在OTB-100数据集和嵌入式平台上进行跟踪测试。结果表明：该算法相比其他主流算法具有更高的鲁棒性和准确性,改进算法宜在有嵌入式平台移植需求的应用场景下部署。     

基于响应面模型的多目标鲁棒设计方法研究

针对复杂产品设计的特点，提出了一种多目标鲁棒设计方法。首先，给出了基于响应面模型的多目标鲁棒设计方法的总体框架；然后，基于鲁棒设计原理，结合目标规划的数学形式，阐述了多目标鲁棒设计数学模型；接着，给出了求解该数学模型的近似规划法；最后，通过设计实例验证了该方法的有效性。     

伺服驱动系统最优预见控制的鲁棒自适应条件

基于参数不确定伺服系统的最优预见跟踪控制最优解,通过对其跟踪控制系统特征方程的分析,确定了预见跟踪控制中的预见时间与参数不确定伺服系统之间的鲁棒自适应条件,为实现伺服系统自适应预见跟踪控制奠定了基础,具有重要的科学意义和实际应用的价值.     

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。     

未建模动态对象的鲁棒混合自适应控制器设计与研究

针对未建模动态对象设计了混合自适应控制器,并且对系统的鲁棒稳定性进行了分析,仿真结果表明：该控制器使闭环系统具有鲁棒稳定性。     

考虑摩擦力矩扰动的电液位置系统鲁棒自适应控制的研究

对电液摆动位置系统考虑了摩擦力矩干扰，并且模型算法采用基于bristle模型的动态摩擦力模型，线性参数与非线性参数同时在线估计。基于Lyapunov函数设计了鲁棒自适应控制器，和传统的控制性能相比，该系统具有跟踪性好，低速性能优等特点。     

自由漂浮空间机械臂基于神经网络的鲁棒自适应控制

考虑数学模型难以精确获得及带外部干扰情况下,针对自由漂浮空间机械臂的轨迹跟踪控制问题,提出一种基于神经网络的自适应鲁棒控制策略。基于Lyapunov稳定性理论设计理想控制器,进而推出系统的不确定模型。利用神经网络的学习能力逼近系统不确定模型,从而避免保守上界的估计。利用线性化技术并结合Lyapunov函数,设计包括权值及隐层参数在内的在线自适应学习律及鲁棒控制器,加快了误差收敛速度及控制精度,并消除了高阶逼近误差及扰动,保证了系统的一致最终有界,仿真比较表明了该控制策略的有效性。     

基于高斯和与SCKF的非线性非高斯滤波算法

针对均方根容积卡尔曼滤波(SCKF)对非高斯情况滤波效果差的问题,在分析SCKF和高斯和滤波基础上,提出一种高斯和均方根容积卡尔曼滤波新算法。算法采用高斯和形式来逼近非高斯后验概率密度,将SCKF作为子滤波器,对每个高斯分量进行时间和量测更新,使其有效解决非线性非高斯滤波问题。仿真结果表明,高斯和均方根容积卡尔曼滤波估计精度高于粒子滤波和高斯和扩展卡尔曼滤波算法,与容积粒子滤波精度相当,但耗时约为容积粒子滤波的15%,是一种较好平衡跟踪精度和实时性的非线性非高斯滤波算法。     

基于卡尔曼预测和滤波的视频目标跟踪

视频目标跟踪在军事和民用领域有着广泛的应用,其实现算法首选卡尔曼滤波算法,但是在应用卡尔曼滤波算法之前首先要获得目标当前时刻的观测信息,在全帧图像搜索并确定目标需要耗费大量的计算资源。针对这一问题,文章结合目标跟踪时的卡尔曼滤波算法,在每次完成目标状态的滤波估计后,进行卡尔曼一步预测,确定目标下一时刻可能的范围,避免下一时刻确定量测信息时对整幅图像的搜索,极大地减小计算量,提高目标跟踪的实时性和精度。计算机仿真实验验证文中所提方法的有效性。     

基于CMOS传感器的循迹智能车路径识别研究

介绍了基于CMOS传感器的图像采集的方法,并对赛道信息的提取与识别进行了深入研究。给出了CMOS图像采集的工作原理、硬件设计和软件实现,通过分析差分法和传统边缘检测算法的优缺点,提出了一种更为优越的黑色指引线提取算法——跟踪边缘检测算法,并精确提取指引线的相关参数,设计路径判别器,从而识别赛道路况。实验表明,此方法有更高的执行效率和判别准度,适用于循迹智能车。     

Adaptive Robust Tracking Control of Pressure Trajectory Based on Kalman Filter

When adaptive robust control(ARC) strategy based on backstepping design is applied in pneumatic servo control, accurate pressure tracking in motion is especially necessary for both force and position trajectories tracking of rodless pneumatic cylinders, and therefore an adaptive robust pressure controller is developed in this paper to improve the tracking accuracy of pressure trajectory in the chamber when the pneumatic cylinder is moving. In the proposed adaptive robust pressure controller, off-line fitting of the orifice area and on-line parameter estimation of the flow coefficient are utilized to have improved model compensation, and meanwhile robust feedback and Kalman filter are used to have strong robustness against uncertain nonlinearities, parameter fluctuations and noise. Research results demonstrate that the adaptive robust pressure controller could not only track various pressure trajectories accurately even when the pneumatic cylinder is moving, but also obtain very smooth control input, which indicates the effectiveness of adaptive model compensation. Especially when a step pressure trajectory is tracked under the condition of the movement of a rodless pneumatic cylinder, maximum tracking error of ARC is 4.46 kPa and average tracking error is 0.99 kPa, and steady-state error of ARC could achieve 0.84 kPa, which is very close to the measurement accuracy of pressure transducer.     

智能汽车路径跟踪混合控制策略研究

针对传统单一控制算法无法有效协调智能汽车不同转向工况下横向控制性能要求的问题,根据智能汽车在高速和低速转向工况下呈现出的系统特性差异,设计了一种基于PID控制和模型预测控制的智能汽车路径跟踪混合控制策略。该控制策略在低速模式下采用PID控制,在高速模式下则采用模型预测控制,通过车辆速度确定路径跟踪控制模式,进而设计带稳定监督的控制模式切换机制,实现了横向控制系统的平滑切换。基于Carsim和MATLAB/Simulink仿真平台对所设计的智能汽车路径跟踪混合控制策略进行了仿真验证,在此基础上,进一步完成了实车试验。仿真和实车试验结果表明,所设计的混合控制策略能够保证智能汽车不同速度下的路径跟踪性能,具有较好的跟踪精度、实时性和车辆行驶稳定性。     

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％.     

基于UKF算法的汽车状态估计

准确实时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问题。将unscented卡尔曼滤波(UKF)算法应用到汽车的状态估计之中,建立了包含时不变统计特性噪声和非线性轮胎的汽车动力学模型,采用具有对称采样策略和比例修正的UKF算法对汽车估计了多个关键状态量。将UKF估计器与常见的EKF估计器进行了比较分析,基于ADAMS/Car的虚拟试验和实车试验验证了UKF在汽车状态估计中的可行性。     

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。     

强跟踪SRCKF及其在船舶动力定位中的应用

针对平方根容积卡尔曼滤波器(SRCKF)在定位系统船舶模型不确定时存在滤波精度下降甚至发散的问题,提出了一种具有强跟踪性能的SRCKF算法.基于强跟踪滤波器(STF)的理论框架,采用三阶球面径向容积规则代替STF中的雅克比矩阵计算,结合渐消因子的等价表述,构建强跟踪SRCKF.基于滤波收敛判据和渐消记忆滤波思想,分析了强跟踪SRCKF的收敛性.强跟踪SRCKF兼具STF鲁棒性强、SRCKF滤波精度高和实现简单的优点,有效克服了STF的理论局限性及SRCKF在系统模型不确定时滤波性能下降的缺点.利用船舶陆上仿真系统进行试验,证明了强跟踪SRCKF的有效性.