EKF和UKF在非线性组合导航系统中的对比研究

采用组合导航系统在对目标的位置、航向进行测量时,其状态模型和观测模型中存在非线性问题,采用基于EKF和UKF的非线性滤波算法以改善传统Kalman滤波的估计精度,并保证算法收敛性.通过建立组合导航的状态方程和量测方程,分别采用EKF和UKF对状态方程中的非线性部分进行离散化,仿真实验结果表明,采用基于UKF的非线性导航算法能有效提高导航位置精度和系统稳定性.     

基于UKF的18650锂离子电池健康状况估计

根据18650型锂离子单体电池的特性分析,建立了电路等效模型和电化学模型相结合的电池模型,以实时在线辨识锂离子电池欧姆内阻为目标,利用无迹Kalman(UKF)滤波算法,实现了对电池欧姆内阻的在线辨识,开展了锂离子电池健康状况(SOH)估计实验,建立了适用于18650型锂离子电池的SOH估计模型。仿真结果显示,该模型同时考虑电池内阻在不同工况下的变化趋势和充放电电流大小等因素,为实现锂离子电池健康状况精确估计提供了较好的理论基础。     

基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

大容量电池储能系统的荷电状态(state of charge,SOC)是电池管理系统(battery management system,BMS)的重要参数,必须准确预测,由于电池单体存在较强的差异性,传统的SOC预测技术很难达到准确预测的效果。针对上述问题,提出基于改进无迹卡尔曼滤波法(unscented Kalman filter,UKF)的大容量电池储能系统SOC预测方法,利用遗传算法(genetic algorithm,GA)优化无迹卡尔曼滤波的滤波参数,进一步提高SOC的预测精度。在设定工况下对串联型电池储能系统进行仿真实验,仿真结果表明该文提出的改进无迹卡尔曼滤波方法可以获得有效可靠的SOC预测结果,具有良好的工程应用前景。     

基于改进型平方根UKF算法的永磁同步电机状态估计

针对永磁同步电机驱动系统的状态估计问题,提出一种改进型平方根UKF(SRUKF)的状态估计算法.为避免增加sigma点带来的计算量大问题,依据UT变换理论,采用超球体单形采样方法,使得sigma点的数量减少,从而在与SRUKF算法估计精度相当的情况下,计算量大大减少.考虑系统的非线性,采用SRUKF估计方法研究系统的状态估计问题,避免了扩展卡尔曼滤波(EKF)产生的线性化误差.同时在滤波过程中采用Cholesky和QR分解,以协方差平方根阵代替协方差阵参加迭代运算,有效地避免了滤波器的发散,提高了滤波算法的收敛速度和稳定性.仿真表明,与EKF、SRUKF估计方法相比,该方法能减少估计过程中的计算量,提高估计精度.     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.     

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.     

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障, 文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差, 导致SoC估计精度低的问题, 提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先, 通过设计新型衰减因子对UKF误差协方差矩阵进行加权, 并基于新型衰减因子完成AFUKF的设计, 减小陈旧量测值对估计结果的影响, 提高传统UKF的估计精度和跟踪能力。其次, 基于自主实验平台测试数据, 验证了本文所提AFUKF算法存在初始误差时, 相较于传统UKF算法, ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%, DST工况下分别下降了36.40%和27.73%; 相较于同类改进的AUKF算法, ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%, DST工况下分别下降了39.01%和25.63%。模型结果表明, 相比于传统UKF算法以及同类型改进的AUKF算法, AFUKF具有更高的估计精度, 且在相同初始SoC误差条件下具有更好的鲁棒性。     

无味变换与无味卡尔曼滤波

综述了非线性估计问题的由来、无味变换（UT,Unscented Transformation）的基本思路与基本算法、各种衍变形式、σ点集的设计原则、无味卡尔曼滤波（UKF,Unscented Kalman Filtering）的基本算法及其各种改进算法、UT的本质、UKF与几种免微分非线性滤波方法的比较、UT与UKF的相关应用、针对几种UKF算法的仿真实例,以及目前在UT与UKF的研究中尚存在的一些问题和对今后研究的展望等;提出了笔者的一些最新研究成果和见解。     

一种针对全海深载人潜水器的异步融合组合导航算法

全海深载人潜水器(HOV)组合导航中会产生异步融合现象,传统的组合导航算法在处理时会产生较大的误差.针对这一问题,提出了一种基于机器学习和无迹卡尔曼滤波(UKF)的异步融合组合导航算法.首先建立了针对超短基线(USBL)声学定位系统预测的机器学习模型,通过USBL声学定位系统的观测数据集来训练该模型,并用得到的模型来预测更新间隔内的数据.最后使用UKF将已更新的数据集进行融合.仿真结果表明,相比传统的组合导航算法,本文的异步融合组合导航算法可以将USBL声学定位系统数据异步问题所引起的误差降低17%,有效提高了组合导航系统的精度.     

基于UKF的再入大气层弹道导弹跟踪研究

UKF（Unscented KF）是一种非线性滤波算法,该方法采用一组确定的取样值来近似目标状态的概率密度函数（不必是高斯分布）的均值和协方差,可用于非线性非高斯系统模型和观测模型条件下的目标跟踪,通过再入大气层弹道导弹跟踪仿真实验,验证了UKF算法的有效性、精确性和易实现性。