基于扩展卡尔曼滤波的车辆状态可靠估计

为实现高机动工况下车辆状态的可靠估计,提出了一种基于改进的扩展卡尔曼滤波的车辆运行状态估计方法.首先建立基于非线性车辆动力学的系统状态模型,该模型分别以低成本的车载轮速和方向盘转角传感器信息作为系统的观测量和外部输入量;然后通过改进的卡尔曼滤波递推算法高精度地推算出汽车的关键运行状态.仿真试验表明,所提出的方法既可适应一般机动环境也可适应较高机动环境.此外,该方法可显著提高直测量的精度,并可实现对质心侧偏角、侧向速度等难以直测量的准确估计,质心侧偏角估计误差小于3×10-3rad,速度估计精度小于0.1 m/s.     

基于运动模式识别的高程估计算法研究

在室内行人定位系统中,行人的高程定位精度关系到整个定位系统的可靠性。本文提出一种基于腰间传感器的室内行人高程估计算法。首先利用支持向量机识别行人上楼下楼动作,针对行人的运动状态采用自适应的高程估计算法。针对气压计测量值易受环境影响的问题,采用了基于EKF融合气压和加速度的高度估计算法,提高了高度估计算法的稳定性。经实验验证,当室内人员进行平地走、上楼等一连串动作后,基于差分气压测高法计算的高度误差为9.92%,基于加速度估计的行人高度误差为9.52%,EKF融合后定位误差下降到2.32%,提高了高程估计的精度。     

基于改进无迹卡尔曼滤波的多径估计算法

【目的】在导航定位系统中,基于卡尔曼滤波框架的多径误差抑制算法是提高定位精度的有效方法。但是,在算法的过程噪声和观测噪声协方差初值的选取不当时,会导致估计结果误差很大甚至发散。另外,由于此类算法是基于最小均方误差准则,算法在受到非高斯噪声干扰时尤其是重尾非高斯噪声,会出现估计精度显著下降的问题。【方法】为了在高斯噪声和非高斯噪声下都能够保持较好的多径估计结果提高定位精度,本文提出一种自适应最大相关熵无迹卡尔曼滤波(adaptive maximum correntropy unscented kalman filter, AMCUKF)多径估计算法,算法在观测更新过程中引入最大相关熵作为优化准则,以解决在非高斯噪声下的估计精度下降的问题,在噪声协方差更新过程中用观测量的残差序列对噪声协方差矩阵进行递归更新,取代过程噪声和观测噪声协方差初值的选取。【结果】在高斯噪声和非高斯噪声下分别进行了仿真实验,通过与两种基于卡尔曼滤波框架的估计算法进行对比表明,AMCUKF多径算法不仅能够在高斯噪声下保持较好的多径估计结果,而且在非高斯噪声下也能够保持更高的多径估计精度,有效抑制非高斯噪声的干扰。     

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计研究

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。     

基于限定记忆随机加权扩展卡尔曼滤波的车辆状态估计

为了降低车辆状态估计过程中历史量测数据误差的影响,提出一种限定记忆随机加权扩展卡尔曼滤波(LMRWEKF)算法.首先,建立三自由度非线性车辆动力学模型;其次,将限定记忆滤波与扩展卡尔曼滤波融合,构成限定记忆扩展卡尔曼滤波;然后,依据随机加权理论,设计服从狄利克雷分布的加权系数来进一步提高滤波估计精度;最后,建立Cars...     

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。     

基于二阶扩展卡尔曼滤波理论的毫米波波束跟踪算法

毫米波(mm wave)通信中波束覆盖方向性给高速移动的终端设备(如高速车辆,火车和无人机)带来了巨大挑战.现有基于扩展卡尔曼滤波理论(extended Kalman filter theory,EKF)的波束跟踪算法存在估计精度较低的问题,为此,采用二阶扩展卡尔曼滤波理论(second-order extended ...     

基于二阶泰勒展开的扩展卡尔曼滤波测频算法

为了提高频率不定时变化正弦波信号频率估计值的精确度,基于泰勒展开公式,提出了一种新的采用二阶泰勒展开对非线性系统进行线性化近似的扩展卡尔曼滤波测频算法.给出了新测频算法的理论推导过程,并通过仿真给出了不同信噪比条件下的测频精度以及正弦波信号参量发生突变时的收敛速度.结果表明,在信噪比1 dB至30 dB区间内,采用二阶泰勒展开算法的测频误差比已有采用一阶泰勒展开的算法可以降低10%以上,而在5 dB至20 dB区间可以降低20%以上.     

基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法

针对复杂环境下雷达目标跟踪系统易受外界干扰引入噪声污染分布问题,为了保证系统实时可靠,提出了一种基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法(innovation-based adaptive extended Kalman filter, IAEKF)。通过建立系统新息统计特性,构造系统与量测噪声函数,将新息协方差直接引入滤波器增益矩阵计算,在不增加计算代价的同时,改善算法的自适应性。仿真实验表明,在雷达测量系统受时变噪声污染分布影响下,IAEKF算法相比EKF算法跟踪精度高,算法可行且有效,具有一定的工程研究价值。     

基于扩展卡尔曼滤波算法的二阶电池模型SOC估算

电池荷电状态(SOC)的精确估算可以为电池管理系统控制策略提供有效判据,能够提高电池的工作效率,并延长其使用寿命。本文运用MATLAB/Simulink平台对锂电池单体进行了建模与仿真,并通过MATLAB的cftool工具箱辨识出二阶模型的各个参数,然后利用扩展卡尔曼滤波算法(EKF)对电池SOC进行了精确估算。分别在确定和不确定SOC初始值两种情况下对算法进行了仿真与验证,结果发现SOC平均绝对误差小于0.01,电压平均绝对误差小于0.005 V,这表明EKF算法在电池SOC估算方面具有精度高、收敛快和实用性较强的优点,可以用于电池SOC的精确估算。     

基于Burg算法与卡尔曼滤波的有色噪声状态估计

探讨一种有色噪声卡尔曼滤波算法。基于静态环境下多传感器的噪声信号,借助Burg算法和自回归模型,获得可在线估计噪声信号的噪声模型,进而结合经典卡尔曼滤波算法,获得可估计系统状态的有色噪声卡尔曼滤波模型。数值实验结果比较显示该模型对系统的状态估计精度高、噪声抑制能力强。     

永磁同步电机的改进扩展卡尔曼滤波测速算法

针对使用增量式编码器的永磁同步电机(PMSM)伺服系统中的传统测速算法(M算法结合低通滤波)存在的时延与不准确的问题,提出了一种改进的扩展卡尔曼滤波( EKF)测速算法.该方法在不修改原有电路的前提下,利用EKF算法抑制噪声且不产生时延的特点,针对性地设计了观测模型,并通过矩阵变换与利用定点数字信号处理器累加溢出的周期...     

基于弯道自适应强跟踪卡尔曼滤波的侧向坡度估计算法

道路的侧向坡度直接影响车辆侧向运动,侧向坡度估计已成为智能汽车稳定控制系统的关键部分之一。然而,侧向坡度与车身侧倾之间存在耦合,且侧向力估计困难,准确的侧向坡度估计难度较大。为此,提出了一种基于加速度传感器的可拓融合侧向坡度估计算法：首先,提出加速度传感器模型和车辆侧倾模型,采用弯道自适应强跟踪卡尔曼滤波算法（CASTKF）对侧向坡度进行估计;然后,提出基于侧向加速度传感器的直接估计方法,防止CASTKF算法在失去可观性后的错误估计;再后,利用可拓算法对两种模式的估计值进行数据融合;最后,采用硬件在环测试（HIL）验证所提算法的有效性。结果表明,智能汽车的侧向坡度估计中采用CASTKF融合算法具有更高的精度和鲁棒性。     

考虑状态约束的容积卡尔曼滤波估计算法

针对传统非线性滤波未考虑状态约束的局限,提出一种考虑状态约束的容积卡尔曼滤波算法。将状态约束转化为增益约束,结合最小方差估计给出最小约束代价函数;同时,采用相径容积规则近似计算系统状态的后验均值和协方差,给出等式状态约束下的容积卡尔曼滤波递推公式。最后,对路径约束条件下的导航定位系统进行仿真,结果表明算法定位精度优于常规容积卡尔曼滤波算法,较好地解决了非线性系统存在等式状态约束时、常规容积卡尔曼滤波算法不满足约束条件且估计精度差的问题,验证了算法的有效性。     

基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法

为提高北斗定位系统(BDS)的估计精度,克服传统平淡卡尔曼滤波(UKF)算法中可能因状态量协方差矩阵失去正定性而导致滤波器发散的问题,将平方根平淡卡尔曼滤波(SRUKF)算法应用于BDS定位估计.在此基础上,为进一步提高SRUKF算法的性能,引入粒子群优化(PSO)算法,提出基于PSO和SRUKF算法的BDS定位估计(PSO-SRUKF)算法.结果表明,PSO-SRUKF算法可以降低系统噪声和测量噪声特性估计不准确带来的误差,有效提高了BDS定位精度和稳定性.     

基于Unscented卡尔曼滤波的目标位置和信道参数同时估计算法

针对传统非线性最小二乘估计算法和多步迭代估计算法估计节点位置和信道参数时存在的缺点,提出一种新的基于卡尔曼滤波的目标位置和信道参数同时估计算法.新算法将接收信号强度指示(RSSI)定位问题转化为非线性方程组的参数向量估计问题,使用UKF对目标位置和无线信道参数同时进行估计.试验结果表明,与非线性最小二乘方法相比,新算法定位误差更小,对信道参数的估计也更准确.     

基于双卡尔曼滤波的锂电池SOC估计

针对电池SOC估计误差较大的问题,本文提出了双卡尔曼滤波算法。介绍了电池常用的等效模型和使用方向,以双RC模型为基础建立了电池系统的空间方程,使用混合脉冲功率特性测试法得到了模型参数值;推导了安时积分法和扩展卡尔曼滤波原理,在基础上提出了双卡尔曼滤波算法,对双卡尔曼滤波的原理和公式实现进行了详细推导;设计了电池组的充放电实验对算法进行验证,结果表明安时积分法估计误差随时间不断增大,扩展卡尔曼算法估计误差震荡很大,双卡尔曼滤波的估计精度较高,最大估计误差只有0.13%。     

基于无迹卡尔曼滤波的汽车状态参数估计

由于部分汽车状态参数无法直接通过传感器获得,为了提高这些参数的估计精度以准确判断汽车行驶过程中的状态变化,增强控制系统的鲁棒性,文中提出了基于无迹卡尔曼滤波的汽车状态参数估计方法.该方法在传统卡尔曼滤波算法的基础上,采用无迹卡尔曼滤波算法对汽车质心侧偏角、横摆角速度、路面附着系数等状态参数进行估计,并运用Simulink与Carsim进行联合仿真.结果表明,无迹卡尔曼滤波算法响应快,估计精度较扩展卡尔曼滤波高,能满足车辆高级动力学控制系统的控制需要.