基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题，提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合，通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象，从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点，用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程，在不影响滤波器性能的前提下减少了运算量。仿真结果表明：在测量噪声统计特性未知的情况下，与CKF相比，该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。     

一种组合导航的自适应信息融合算法

以GPS/INS组合导航系统为应用背景,针对组合导航系统信息融合的精度与稳定性要求,将简化的Sage-Husa自适应滤波算法与指数加权衰减记忆滤波算法相结合,提出了一种改进的自适应信息融合算法.仿真表明,改进的自适应算法解决了噪声统计特性和模型参数不易确定的问题,能够有效的保证信息融合的精度和稳定性.在算法仿真的基础上,对在VC 6.0环境下算法进行了改进,给出了GPS/INS组合导航系统的结构及软件框架,通过实验验证了改进的自适应算法的实际应用价值.     

基于Sage-Husa自适应滤波算法的锂电池荷电状态估计

当噪声的统计特性未知时,基于锂电池的戴维宁等效电路模型并使用扩展卡尔曼滤波(EKF)方法进行在线估算锂电池的荷电状态,会导致精确度迅速下降,容易发散。本文使用Sage-Husa自适应滤波算法来代替扩展卡尔曼滤波算法,并利用Matlab进行建模仿真比较。仿真结果误差大幅度减小,曲线趋于平滑。结果表明,在干扰噪声未知的环境下,基于Sage-Husa自适应滤波的荷电状态估计可以提高荷电状态在线估计的精度。     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

分布式驱动电动汽车纵向车速非线性自适应估计

基于分布式驱动电动汽车,提出了一种纵向车速非线性自适应估计算法.该算法使用车辆加速度传感器信息和各车轮滑移率反馈值对车辆纵向车速进行估计.从理论上证明了纵向速度估计误差收敛.根据各车轮滑移率的大小确定各轮速估计误差在估计算法中的反馈修正比例.使用带遗忘因子的递推最小二乘算法在坡道路面对路面坡度进行了在线实时估计,进而使用坡度估计值修正纵向加速度传感器信息,实现了坡度自适应纵向车速估计.该方法具有计算量小、估计精度高的优点.通过多工况的实车试验验证了算法的有效性.     

GPS／INS组合系统自适应滤波算法

研究了GPS/INS组合系统在高动态运动目标定位中的应用。根据组合系统建立状态方程，GPS观测量构成观测方程。自适应滤波过程中，通过观测数据对观测噪声进行估计，再用Sage-Husa算法在对动态噪声进行估计的同时实现状态滤波估计。计算机仿真验证了这种滤波算法的有效性。     

改进的Sage-Husa滤波在精确空投组合导航系统中的应用

精确空投导航系统要求在满足导航精度的前提条件下,尽可能的降低成本。而低成本的组合导航系统在空投过程中受外部空投环境的影响较大,给噪声统计特性的准确描述带来困难。这将导致常规卡尔曼滤波器滤波不稳定甚至发散。为了解决此问题,在对常用的Sage-Husa滤波算法进行了总结和分析的基础上,研究了一种将协方差匹配技术和简化的Sage-Husa滤波技术相结合的自适应滤波算法。最后将该滤波方法应用到精确空投组合导航系统中进行了仿真分析。仿真结果表明此算法能够满足精确空投导航任务的要求,并且具有很好的导航精度和可靠性。     

采用自适应无迹卡尔曼滤波器的车速和路面附着系数估计

针对车辆主动安全控制中的车速和路面附着系数这一关键信息,提出了一种实时估计该信息的滤波算法,同时建立了将包含时变噪声统计特性的七自由度非线性车辆动力学模型作为滤波算法的标称模型,以及一种自适应无迹卡尔曼滤波算法。该算法采用传统的无迹卡尔曼滤波器来估计车速和路面附着系数,同时利用次优Sage-Husa噪声估计器对系统的噪声统计特性进行实时更新,其中采用遗忘因子限制噪声估计器的记忆长度,使新近数据发挥重要作用,使陈旧数据逐渐被遗忘,从而解决了因系统标称模型误差、外界扰动等因素引起的噪声时变的问题。在不同路面条件下进行了多种工况的实验验证,并与无迹卡尔曼滤波器的估计结果进行对比分析,结果表明,该算法具有良好的鲁棒性,其估计精度高于无迹卡尔曼滤波器,且满足车辆主动安全控制系统的要求。     

自适应Sage滤波在GPS/SINS组合导航中的应用

为了提高导弹命中目标的精度,研究了GPS/SINS组合导航系统。以组合导航系统为应用背景,在常规Kalman数学模型的基础上,提出了改进的自适应Sage-Husa滤波方法。试验结果证明:在噪声的统计特性不能确定时,改进的自适应Sage-Husa滤波与常规Kalman滤波相比,导弹命中目标的圆概率误差(CEP)由原来的62m提高到21m。改进的自适应Sage-Husa滤波方法对提高GPS/SINS组合导航系统的制导精度和可靠性是十分有效的。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

基于自适应扩展Kalman滤波器的永磁同步电机无速度传感器控制

通过引入一种基于Sage-Husa噪声估计器的自适应扩展Kalman滤波器,给出了一种永磁同步电机无速度传感器控制方案.选取定子固定坐标系下的电机模型,首先得到了基于扩展Kalman滤波器的永磁同步电机转速估计方程.在此基础上,结合Sage-Husa噪声估计器,得到了基于自适应扩展Kalman滤波器的永磁同步电机转速估计方程.仿真结果表明,基于自适应扩展Kalman滤波器的方法,不仅可以准确地估计出电机的转速和转子位置,而且可以自适应确定扩展Kalman滤波器的一个关键参数——系统噪声协方差矩阵.与传统的扩展Kalman滤波器方法相比,本方法具有更好的实用性.     

一种改进的自适应卡尔曼滤波算法

针对多传感器数据融合时传统卡尔曼滤波算法极易引起滤波发散,降低滤波精度和系统实时性的问题,研究一种改进的自适应滤波算法对多传感器数据进行融合,得到更为准确的信息数据。该算法在简化的Sage-Husa滤波基础上引入滤波收敛性判据,抑制滤波发散并提高滤波精度和稳定性。同时结合强跟踪滤波思想调整增益矩阵,使滤波器具有强跟踪滤波的特性,提高改进的滤波算法对不确定系统模型的鲁棒性以及对突变状态的滤波处理能力。将改进算法与传统卡尔曼滤波算法进行仿真比较。仿真结果表明,在系统模型参数失配或实变噪声未知情况下,改进的自适应滤波算法有更好的鲁棒性,并且在系统状态突变时仍有较好的滤波效果,明显提高了滤波精度和实时性。     

自适应软测量算法的汽车行驶状态估计

为了实现车辆行驶状态低成本测量,设计了估计汽车行驶状态参数的传统无迹卡尔曼滤波器和能够有效解决噪声时变特性的次优Sage-Husa噪声估计器相结合算法,通过建立电动汽车3自由度的动力学模型和HSRI轮胎模型,且融合低成本测量的纵、横向加速度和方向盘转向角传感器测量信息,从而可精确估计电动汽车行驶状态.在选定的典型工况下,通过与无迹卡尔曼软测量算法进行对比,硬件在环实验结果有效地验证了自适应无迹卡尔曼软测量算法具有很好的鲁棒性,且比无迹卡尔曼软测量算法更加能够有效地估计电动汽车的行驶状态.     

基于自适应滤波的SINS/DVL组合导航系统

以水下运载体为研究对象,给出一种线性的捷联惯导系统(SINS)误差数学模型,根据多普勒测速仪(DVL)测速的误差特点建立其误差方程,并以捷联惯导系统为主导航设备建立SINS/DVL组合导航系统数学模型.考虑到DVL测速易受水中复杂环境的影响,将Sage-Husa自适应滤波算法引入SINS/DVL组合导航系统.针对Sage-Husa自适应滤波器长时间滤波后自适应程度下降的问题,引入滤波收敛判据对其进行改进,以自适应调节噪声估计器对不同时刻信息利用的权值.仿真结果表明:该基于自适应滤波算法的SINS/DVL组合导航系统稳定性好,且具有较高的导航精度.     

四轮独立电驱动越野车驱动力优化控制

为了充分利用四轮独立电驱动越野车各轮转矩独立可控的优势,提高越野车的牵引力和越野能力,提出了一种驱动转矩协调控制策略.根据越野车前后轴载荷预分配驱动电动机转矩,利用基于车轮滑转率-路面附着系数的极值寻求算法实现路面最优滑转率估计.采用比例-积分-微分(proportional-integral-differential, PID)控制-滑模控制(sliding mode control, SMC)和基于状态的驱动力再分配方法实现各轮驱动转矩的协调分配,抑制越野车在恶劣路面条件下的车轮打滑.通过CarSim/MATLAB联合仿真以及硬件在环(hardware-in-the-loop, HIL)测试,进行了爬陡坡、单一附着路面、对开路面及连续起伏路面工况的试验验证.结果表明：提出的控制策略能根据实际工况分配驱动轮的转矩,降低驱动轮滑转率,实现整车驱动力的优化.     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真,结果表明：改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。     

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。     

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确的获取爬架运行时的姿态信息,提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法（ISHEKF）的爬架姿态估计方法。首先建立了爬架姿态估计模型,然后在扩展卡尔曼滤波（EKF）对传感器进行融合滤波时,加入Sage-Husa扩展卡尔曼算法（SHEKF）对时变噪声进行调节,再以协方差匹配技术对Sage-Husa进行滤波发散判定,通过在调节因子中引入爬架实时运动速度,改进滤波发散判定依据,从而满足爬架运行时高精度的滤波要求。实验结果表明：静态实验中以横滚角为例,ISHEKF的最大误差较SHEKF减少了21.9%,较EKF最大误差减少了70.8%;动态实验中ISHEKF表现出更好的稳定性和滤波精度,能够准确反映爬架运行的状态变化。     

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明：ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。