U-卡尔曼滤波在状态估计中的应用

本文介绍了新的滤波估计方法-U卡尔曼滤波.UKF能给出最佳估计的至少二阶近似.本文通过一个时间序列的仿真实例说明UKF比EKF的估计精度要高.     

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。     

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。     

利用双卡尔曼滤波算法估计电动汽车用锂离子动力电池的内部状态

以电动汽车的研发为背景,建立用于电动汽车中作为辅助动力源的锂离子动力蓄电池的等效物理模型及其离散形式的状态空间方程,然后分别介绍如何基于卡尔曼滤波算法在线估计电池内部的荷电状态和寿命状态。在此基础上,介绍利用双卡尔曼滤波算法同时在线估计荷电状态和寿命状态的算法原理,并设计出相关的电池测试试验,利用在此试验过程中所采集的包括电流、电压等数据对电池的内部状态进行估计。对试验结果的分析表明,利用双卡尔曼滤波算法在线估计电池内部状态是有效的,并且估计精度也相对较高,可以较好地反映电池内部的真实状态。     

基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计

纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。     

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。     

分布式电动汽车状态与参数无迹卡尔曼滤波估计

为提高分布式电动汽车的控制性能,提出一种更加综合、全面的车辆状态及参数估计方法。针对车辆在行驶过程中某些动力学状态及参数难以实时量测的问题,以分布式电驱动汽车为研究对象,探讨基于无迹卡尔曼滤波的车辆状态估计及参数识别方法。建立7自由度时变参数车辆模型;以车辆易于测量的纵向加速度、侧向加速度、横摆角速度和轮速为观测变量,通过状态扩维,将车辆相关参数引入到车辆状态矢量中,采用无迹卡尔曼滤波算法设计一种车辆状态和参数的联合观测器,以便同时估计和辨识车辆纵向速度、侧向速度、轮胎侧向力、车辆质量、转动惯量、质心位置及其高度;在Simulink/Carsim平台上进行鱼钩角输入、滑行和加速工况的仿真验证,结果表明,该联合观测器能够有效的估计和辨识出上述相关车辆状态和参数,收敛效果较好。     

改进卡尔曼滤波算法在动态扭矩传感器中的应用

针对动态扭矩传感器在数据采集过程中存在的脉冲干扰、高斯噪声干扰等引起的误差问题,提出采用滑动平均滤波与卡尔曼滤波算法相结合方式对卡尔曼滤波算法进行改进。既提高了动态扭矩传感器的测量精度,又保证了数据采集系统的频率特性。     

卡尔曼滤波在单目相机运动目标定位中的研究*

单目相机运动目标定位是视觉跟踪的基本任务之一,视觉传感器对目标点位置的获取至关重要。根据单目相机针孔模型,将运动目标图像二维坐标,通过几何关系映射为相机坐标系的三维坐标。标定相机高度和旋转参数,在此基础上求得目标位置坐标。当运动目标被遮挡时,以匀变速运动为模型,根据先前位置信息确定加速度和速度,并对加速度进行自适应更新,建立运动目标状态方程,利用卡尔曼滤波算法预测目标位置。以预估位置代替真实位置,继续估计后续运动状态,在预估位置搜索运动目标,实现运动目标遮挡定位跟踪。实验结果表明,该定位方法具有可行性,当运动目标发生遮挡时,能够完成对目标的定位和跟踪。     

基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用

车辆行驶中某些状态参量不易准确测得或测量成本较高,而这些变量的准确获取对车辆底盘控制有着重要的意义。为以较低成本获取重要的车辆运动状态,建立包括横摆、侧向和纵向3自由度的非线性车辆模型,利用扩展Kalman滤波(Extended Kalman filtering, EKF)理论建立了信息融合算法,给出车辆状态变量最小方差意义下的融合结果,利用少量的易测车辆状态信息(转向盘转角、车辆纵、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、质心侧偏角)。并在Matlab/Simulink环境下利用实车场地试验数据进行了离线仿真。多种工况下的场地试验结果表明,该算法在估计汽车横摆角速度、质心侧偏角、纵向速度时具有一定的准确性,特别是对横摆角速度的估计,即使在车辆非线性区也表现出良好性能。同时该融合算法简单、稳定及所需融合输入较少的特点使该算法在实际中的应用成为可能。     

Particle and Kalman filtering for state estimation and control of DC motors

State estimation is a major problem in industrial systems. To this end, Gaussian and nonparametric filters have been developed. In this paper the Kalman Filter, which assumes Gaussian measurement noise, is compared to the Particle Filter, which does not make any assumption on the measurement noise distribution. As a case study the estimation of the state vector of a DC motor is used. The reconstructed state vector is used in a feedback control loop to generate the control input of the DC motor. In simulation tests it was observed that for a large number of particles the Particle Filter could succeed in accurately estimating the motor’s state vector, but at the same time it required higher computational effort.     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准和累积误差的问题.     

基于卡尔曼滤波的动态传感数据流估计方法

在无线传感器网络应用系统中,众多传感器节点以一定的时间间隔不断采集被监测对象的参数,对于数据中心而言,形成了无线传感数据流.同时数据流中的数据模型可能随时间变化,因此形成了动态的传感数据流.针对目前无线传感数据流估计方法中存在的估计精度较低、模型更新不及时和计算复杂度高等问题,提出了基于卡尔曼滤波的动态无线传感数据流估计方法.采用卡尔曼滤波实现估计模型的动态调整,为了降低数据流估计的计算复杂度,采用基于相关分析的多元线性回归估计方法,将卡尔曼滤波和多元线性回归模型有机结合,实现对动态无线传感数据流的准确估计.采用实际传感数据的估计实验结果表明,提出的基于卡尔曼滤波的动态传感数据流估计方法可有效实现动态传感数据流的估计.     

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。     

基于卡尔曼滤波的HEV电池剩余电量的估计

为了准确估计混合动力电动汽车(HEV)电池剩余电量,减少运行过程中的累积误差,引入了卡尔曼滤波方法.在电池等效电路模型的基础上,以电池消耗的电能量为系统状态,电池工作电压为观测量,根据扩展卡尔曼滤波递推算法原理,推导出电池剩余电量的EKF-K估计算法,并进行实验分析,结果表明,与常用电池剩余电量的计量法相比,该方法能够实时而准确地估计出电池剩余电量.     

卡尔曼滤波技术在高干扰环境下海流测量中的应用

声学多普勒流速剖面仪(ADCP)测流技术是目前海流测量中最先进的技术之一,在海流测量中应用越来越广泛.但在高干扰条件下,由于其本身测量原理所致,测量结果往往会夹杂一些干扰信号,造成测量结果与真实结果有一定大的误差.文中介绍一种利用卡尔曼滤波技术,使用Percent Good4作为参数,对ADCP海流测量数据的实时滤波处理方法.实践证明,滤波的效果比较令人满意.     

状态χ2检验法在惯性航姿系统内阻尼卡尔曼滤波器中的应用

本文探讨了如何利用惯性测量组合本身的信息来提高捷联航姿系统的姿态精度。根据平台式阻尼网络的思想，设计了捷联式内阻尼卡尔曼滤波器，将惯导系统捷联解算获得的姿态与加速度计估计的姿态进行组合，在系统非加速度状态下，提高了姿态输出的精度。为了实时监测系统的运动状态从而判断内阻尼姿态的有效性，本文成功将状态χ2检验法应用在内阻尼卡尔曼滤波器中，设计了基于2个状态传播器的故障监测器，并通过对故障检测向量元素的检验代替对整个向量的检验，提高了故障监测的灵敏度和可靠性。最后，实际系统的动静态实验验证了本文所提出的方法的有效性。     

一种快速GPS/DR组合导航系统状态估计算法研究

无轨迹卡尔曼滤波(UKF)技术在非线性系统(GPS/DR车载组合导航系统)的状态估计中取得了比扩展卡尔曼滤波(EKF)更好的滤波精度和收敛速度.为了进一步减少采样点数目,提高UKF滤波实时性,一组n+2个采样点被构造用于逼近系统状态分布.蒙特卡洛仿真表明RUKF和UKF在滤波精度和收敛速度上是一致的,RUKF的计算效率好于UKF.     

自适应卡尔曼滤波器在火箭弹落点估计中的应用

利用雷达对火箭弹一段飞行过程中的参数进行量测,对火箭弹落点进行了准确估计,实现了火箭弹的轨迹修正。采用具有自适应调节滤波增益矩阵的卡尔曼滤波器,结合质点弹道模型,建立了自适应卡尔曼滤波弹道模型,完成了对三坐标雷达探测的一段火箭弹飞行参数的野值处理与滤波,并对火箭弹落点进行外推。数值仿真结果表明,经自适应调节的卡尔曼滤波器滤波后,弹道量测信号中的野值与噪声被有效去除,且滤波方差可以在短时间内收敛。根据滤波时间与落点估计误差的关系,采用滤波时间为8-10 s 方案,可得到最佳的落点估计。