基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

基于双自适应无迹卡尔曼滤波的半挂车状态估计

针对半挂车辆状态估计过程中测量噪声不确定、累计误差影响严重、初值敏感等问题,提出一种适用于半挂车铰接角、车速等多个状态量估计的双自适应无迹卡尔曼滤波算法(FFUKF).基于搭建的半挂汽车12自由度非线性动力学模型和轮胎模型,通过测量的轮速与车辆加速度等信息,首先利用模糊控制自适应调整滑移率容差,综合判断每个车轮的稳定状态,通过轮速估算出一种车速;与此同时,模糊控制自适应调整测量噪声,利用无迹卡尔曼算法,依据动力学估计出铰接角和另一种车速;然后通过卡尔曼滤波算法融合两种方法估计的结果,实现车辆的纵向、侧向速度、横摆角速度和挂车与牵引车铰接角的实时估计.最后在Simulink/TruckSim联合仿真环境下进行多工况仿真试验,验证所提出的双自适应无迹卡尔曼估计算法(FFUKF)有较强的适应性、稳定性和鲁棒性,相比普通模糊自适应无迹卡尔曼(FUKF)有更高的估计精度,能有效克服累计误差,即便在估计初始值不准和有ABS控制输入的情况,仍可以较精确地对车速和铰接角进行实时估计.     

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其他滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好地处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。     

扩展卡尔曼和无迹卡尔曼滤波应用对比研究

普通卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,适应于过程和测量都属于线性系统,且误差符合高斯分布的系统。但是实际上很多系统都存在一定的非线性,表现在状态方程是非线性的,或者测量方程是非线性的。这种情况下就不能使用一般的卡尔曼滤波。解决的方法是将非线性关系进行线性近似,将其转化成线性问题。就转化为线性问题的2个方案扩展卡尔曼(EKF)和无迹卡尔曼(UKF)作出对比和分析,EKF与卡尔曼滤波原理相似,但是它将非线性函数在最佳估计点处进行泰勒级数展开,舍弃高阶分量,从而将非线性模型简单线性化;UKF是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果。最后在MATLAB平台下实验证明,与EKF相比,UKF不仅保持了系统的稳定性,而且提高了精确度。     

一种新的支持向量回归机的模型选择方法

针对支持向量回归机的模型选择问题,将模型选择问题转化为一个非线性系统的状态估计问题,然后引入无迹卡尔曼滤波进行求解,提出一种新的基于无迹卡尔曼滤波的模型选择方法(UKF-SVR).对标准数据集和太阳黑子数平滑月均值进行仿真实验,结果表明,UKF-SVR与粒子群算法相比,该方法全局寻优能力更强,保证了支持向量回归机泛化能...     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

IMM-SRUKF在GPS/INS组合导航中的应用

针对无迹卡尔曼滤波(UKF)鲁棒性不强的问题,结合全球定位系统/惯性导航系统(GPS/INS)紧组合模型特点,提出了基于交互式多模型(IMM)的混合平方根无迹卡尔曼滤波(SRUKF)算法.该算法采用交互式多模型结构,克服了模型不确定性因素的影响;采用平方根滤波技术,解决了协方差矩阵难以保持正定的问题.同时,考虑到内部滤波器与线性/非线性模型不匹配,引入混合滤波思想,对SRUKF进行了优化.将新算法应用于紧组合模型进行仿真,结果表明:新算法能够以适当的时间复杂度,获得较强的鲁棒性能,适用于复杂的导航环境.     

基于UKF光电被动目标跟踪及可观性分析

光电经纬仪在跟踪测量过程中经常会由于云层遮挡等原因,导致目标暂时丢失情形,采用数据融合技术是保证系统连续平稳跟踪的一种有效解决办法.由于在数据融合中需要估计目标的状态信息,面临着被动目标跟踪领域普遍存在的非线性估计与可观测性两大难题.采用传统的扩展卡尔曼滤波(EKF)算法会产生较大的估计误差,并易导致滤波发散.介绍无迹卡尔曼滤波器(unscented Kalman:Filter,UKF)来解决非线性估计问题,同时分析了光电经纬仪在实际目标跟踪时的可观测性问题,提出在不可观测条件下保持滤波稳定的方法.Monte-Carlo仿真结果证明此算法有效、可行.     

传感器数据异常下动力定位鲁棒状态估计方法

针对时变环境带来的传感器数据异常、未知环境干扰等影响,导致基于无迹卡尔曼滤波的动力定位状态估计方法估计精度下降的问题,提出了一种鲁棒无迹卡尔曼滤波方法,该方法通过引入一种基于指数加权的观测噪声协方差矩阵R自适应更新模块和一种基于卡方分布假设检验方法的过程不确定性识别模块处理传感器数据异常情况并估计未知环境力．最后,以某平台供应船的船模为仿真对象,进行了仿真对比实验．仿真结果表明,鲁棒无迹卡尔曼滤波能够准确及时地识别传感器数据异常情况,相较于传统无迹卡尔曼滤波而言,鲁棒无迹卡尔曼滤波状态估计精度更高,收敛速度更快,表现出较强的鲁棒性．