一种新的机器人自适应控制方式

本文提出了一种新的、有效的机器人自适应控制方式,克服了其他方法由于模型不准或计算量大等所带来的一系列问题。本文首先将 Lagrange 运动方程转化为 ARMA 模型,并用虚拟噪声补偿模型误差(即由于线性化、解耦、观测不准和干扰等误差).然后利用改进的 Kalman 自适应滤波算法在线进行参数辨识和状态估计,将获得的参数用于机器人控制系统自适应控制器的设计.最后给出了该算法的仿真结果并对此进行了讨论。     

基于自然梯度提升的空间物体轨道状态预测误差不确定性估计方法

针对空间监视环境中基于动力学模型的轨道状态预测方法精度不够,基于机器学习的误差补偿模型可靠性不足,以及SSA应用中对不确定性建模的需求,将轨道状态预测误差估计问题重新表述为概率预测问题,提出一种对物理模型的轨道状态预测误差进行建模的方法.该方法将轨道状态变量误差的概率分布参数作为梯度提升算法的学习目标,以量化轨道状态误差估计中的不确定性.由于参数所对应的概率分布函数位于黎曼空间,利用基于Fisher信息矩阵的自然梯度代替标准梯度,推导自然梯度的计算公式,并给出状态预测误差的条件概率分布.实验结果表明,与仅采用物理动力学方法的状态预测相比,采用所提出机器学习误差估计方法后,轨道状态各分量的均方根误差至少降低约60%.同时,与其他常用不确定性估计方法相比,所提出方法可以得到更好的负对数似然值,因此能够有效估计状态预测误差的不确定性,提高将机器学习方法用于空间态势感知任务时的可靠性.     

模型在线辨识方法及其应用

本文提出了一种有效的非线性模型和参数在线估计方法。为了实现模型在线辨识，本文根据误差性能指标，给出了模型判据及计算式。根据递推加权最小二乘算法和优选判据，导出了模型和参数同时在线估计的有效算法。为了提高计算效率和数值稳定性，模型辨识和参数辨识均采用了Ｕ－Ｄ分解方法。新方法可用于飞行器非线性气动模型和参数的实时估计。实际应用结果表明，使用该方法可以有效地确定多项式、样条函数模型结构，参数辨识的结果满     

无人机吊挂空运系统的自适应控制设计

针对四旋翼无人机吊挂空运系统存在的模型不确定性及欠驱动性问题,本文提出了一种基于能量耦合的自适应控制设计.首先,基于能量整形控制方法构造了一种新型的能量存储函数以处理状态耦合.然后利用神经网络对系统未建模动态特性进行在线估计,同时设计参数自适应律在线估计模型中的未知参数,并采用基于符号函数的鲁棒控制算法补偿神经网络的估计误差.本文运用李雅普诺夫方法和拉塞尔不变性原理对闭环系统的稳定性进行了证明,并且证明了负载摆动和无人机位置误差的渐近收敛性.最后,在室内实验平台上进行了飞行实验.实验结果表明,本文提出的非线性控制方法能够在有效抑制吊挂负载摆动的同时,实现无人机位置的精确控制.     

一类受扰线性采样数据系统的鲁棒执行器故障估计

针对一类含有外部干扰的线性采样数据系统, 本文研究了执行器故障估计问题. 首先, 文章设计了一种用于估计系统执行器故障的鲁棒故障估计观测器, 在连续采样时间间隔内, 观测器增益矩阵指数变化. 之后, 通过联合增广状态估计误差与故障误差, 并利用Lyapunov-Krasovskii泛函和线性矩阵不等式技术, 给出了保证误差系统全局渐近稳定的充分条件. 同时, 建立的线性矩阵不等式条件涉及调谐参数和最大采样间隔, 可以较好改善状态和故障估计性能. 最后, 通过对某型民航飞机模型实例进行仿真, 验证了本文所提方法具有更好的跟踪效果     

自适应状态和参数的联合估计新方法

提出了一种有效的自适应状态和参数的联合估计方法，应用状态空间方法和现代时间序列分析方法，基于白噪声滤波器和输出预报器，给出了线性离散定常系统自适应最倨状态和偏差联合估计方法，仿真例子说明了新方法的有效性。     

利用混合卡尔曼滤波的混沌信号盲估计

针对混沌动力学系统时变参数未知的混沌信号,在含有状态噪声的情况下,利用混合卡尔曼滤波提出一种盲估计算法.对未知参数和混沌状态构成的高维状态进行估计,先利用卡尔曼滤波给出线性高斯部分的最优精确估计,剩余部分利用粒子滤波方法给出次优估计,文中详细研究了高斯噪声以及非高斯噪声下的最优重要性函数选取并推导了重要性权重的计算公式,最终基于有效粒子的最小均方误差准则实现了信号的盲估计.仿真结果表明该算法能有效实现含有状态噪声混沌信号的盲估计,并取得了比基本粒子滤波算法更优的性能.     

自组织状态空间模型参数初始分布搜索算法

自组织状态空间模型为估计非线性非高斯状态空间模型中的未知参数提供了一种有效方法. 针对自组织状态空间模型中参数的初始分布难以确定的难点,提出了一种搜索自组织状态空间模型参数初始分布的算法. 所用搜索算法基于一种高效的进化模型,具有全局搜索能力,使得参数的初始分布向真实参数"移动". 数值实验分析结果验证了提出方法的有效性.     

基于全新等效电路模型的电池关键状态在线联合估计器

针对电池三大关键状态(State of Charge–SOC、State of Health-SOH、State of Power-SOP)之间相互耦合的关系,同时考虑到其估计精度受到电池时变的内部参数等因素影响的问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model, AR-ECM)的电池关键状态在线联合估计算法.该方法提出基于AR模型的全新电池ECM,给出同时表征SOC、SOH和电池内部压降的状态空间方程以及区别化参数更新策略.在此基础上,考虑状态方程容易发生不正定的问题,提出采用平方根无迹卡尔曼滤波(square root unscent kalman filter, SR-UKF)算法实现电池状态的联合估计.该算法的优势在于真正实现了电池关键状态以及ECM参数的联合估计,更符合实际工程应用需求.仿真验证表明,在噪声干扰环境下,该联合估计器能够得到较高的精确度和稳定性.     

一种飞控系统不确定性建模方法及其鲁棒控制

针对大包线飞行控制系统, 本文通过摄动参数标称化及多个工作点的数据拟合, 并将拟合误差视为范数有界不确定性, 给出了一种不确定模型描述方法, 以降低系统描述的保守性. 基于二次稳定性准则, 运用线性矩阵不等式的处理方法, 得到了大包线飞控系统动态输出反馈控制器的存在条件和设计方法. 进一步, 通过合适的匹配摄动参数和求解凸优化问题, 以参数向量2--范数的形式给出了闭环系统保持鲁棒稳定所允许的参数最大摄动范围估计方法, 建立了系统摄动参数与二次稳定性之间的联系. 最后通过对飞行控制系统的算例仿真, 验证了文中方法的有效性和可行性.     

A new real-time suboptimum filtering and prediction scheme for general nonlinear discrete dynamic systems with Gaussian or non-Gaussian noise

A new suboptimum state filtering and prediction scheme is proposed for nonlinear discrete dynamic systems with Gaussian or non-Gaussian disturbance and observation noises. This scheme is an online estimation scheme for real-time applications. Furthermore, this scheme is very suitable for state estimation under either constraints imposed on estimates or missing observations. State and observation models can be any nonlinear functions of the states, disturbance and observation noises as long as noise samples are independent, and the density functions of noise samples and conditional density functions of the observations given the states are available. State models are used to calculate transition probabilities from gates to gates. If these transition probabilities are known or can be estimated, state models are not needed for estimation. The proposed scheme (PR) is based upon state quantisation and multiple hypothesis testing. Monte Carlo simulations have shown that the performance of the PR, sampling importance resampling (SIR) particle filter and extended Kalman (EK) filter are all model-dependent, and that the performance of the PR is better than both the SIR particle filter and EK filter for some nonlinear models, simulation results of three of which are given in this article.     

基于输出残差的自适应状态估计方法

本文针对线性定常离散系统提出了一种有效的基于输出残差的自适应状态估计方法，首先利用输出残差给出了卡尔曼滤波增益马尔可夫参数估计，并且得到了卡尔曼滤波增益估计，然后解决了自适应状态估计问题，最后以仿真实例说明了此方法的有效性。     

含有有色噪声的非线性分数阶系统自适应扩展卡尔曼滤波器

研究了含有未知参数的情况下，分别含有分数阶有色过程噪声和有色测量噪声的连续时间非线性分数阶系统状态估计问题.采用Grünwald-Letnikov （G-L）差分方法和1阶泰勒展开公式，对描述连续时间非线性分数阶系统的状态方程进行离散化和线性化.构造由状态量、未知参数和分数阶有色噪声的增广向量，设计自适应分数阶扩展卡尔曼滤波算法实现对有色噪声情况下的连续时间非线性分数阶系统的状态和参数的估计.最后，通过分析两个仿真实例，验证了提出算法的有效性.     

基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.     

Iterative learning Kalman filter for repetitive processes

In this paper, a discrete-time iterative learning Kalman filter scheme is proposed for repetitive processes to reject repeatable disturbances as well as random noises. The proposed state estimator scheme integrates Kalman filter with iterative learning control. The estimation process contains two stages: a conventional Kalman filter is applied in the first stage; the second stage refines the estimates in an iterative learning fashion, leading to a gradual improvement on the estimation performance. According to the estimates that the first stage feeds to the second stage, the optimal design includes two types – posterior type and priori type. In order to reduce the memory and computation load of the optimal design, two suboptimal estimators are provided as well. The stability of the both suboptimal estimators is also studied. Furthermore, a lower bound is given to estimate the ultimate estimation performance before implementing any estimation. Finally, an illustrative example of injection molding is given to verify the performance of the four estimators developed.     

An alternative Kalman innovation filter approach for receiver position estimation based on GPS measurements

This article presents an alternative Kalman innovation filter approach for receiver position estimation, based on pseudorange measurements of the global positioning system. First, a dynamic pseudorange model is represented as an ARMAX model and a pseudorange state-space innovation model suitable for both parameter identification and state estimation. The Kalman gain in the pseudorange coordinates is directly calculated from the identified parameters without prior knowledge of the noise properties and the receiver parameters. Then, the pseudorange state-space innovation model is transformed into the receiver state-space innovation model for optimal estimation of the receiver position. Hence, the proposed approach overcomes the drawbacks of the classical Kalman filter approach since it does not require prior knowledge of the noise properties, and the receiver's dynamic model to calculate the Kalman gain. In addition, due to its simplicity, it can be easily implemented in any receiver. To demonstrate the effectiveness of the approach, it is utilized to estimate the position of a stationary receiver and its performance is compared against two versions of the classical Kalman filter approach. The results show that the proposed approach yields consistently good estimation of the receiver position and outperforms the other methods.     

Particle filters for state and parameter estimation in batch processes

In process engineering, on-line state and parameter estimation is a key component in the modelling of batch processes. However, when state and/or measurement functions are highly non-linear and the posterior probability of the state is non-Gaussian, conventional filters, such as the extended Kalman filter, do not provide satisfactory results. This paper proposes an alternative approach whereby particle filters based on the sequential Monte Carlo method are used for the estimation task. Particle filters are initially described prior to discussing some implementation issues, including degeneracy, the selection of the importance density and the number of particles. A kernel smoothing approach is introduced for the robust estimation of unknown and time-varying model parameters. The effectiveness of particle filters is demonstrated through application to a benchmark batch polymerization process and the results are compared with the extended Kalman filter.     

参数不确定系统的H∞估计问题的显式解和中心解

研究在连续时间情形下的具有部分参数不确定性的系统的H∞状态估计问题,它可 以被化简为带有一个自由可调参数对象的H∞状态估计,由此可得到滤波器的简洁通解显 式.并进一步研究了H∞估计的中心解,以及它与卡尔曼滤波器的关系.实例计算表明,对于 参数具有不确定性的系统,H∞滤波器的性能明显地优于卡尔曼滤波器.     

带不确定方差乘性和加性噪声系统鲁棒加权 融合稳态Kalman估值器

本文研究带不确定方差乘性和加性噪声和带状态相依及噪声相依乘性噪声的多传感器系统鲁棒加权融合估计问题.通过引入虚拟噪声补偿乘性噪声的不确定性,将原系统化为带确定参数和不确定加性噪声方差的系统,进而利用Lyapunov方程方法提出在统一框架下的按对角阵加权融合极大极小鲁棒稳态Kalman估值器(预报器、滤波器和平滑器),其中基于预报器设计滤波器和平滑器,并给出每个融合器的实际估值误差方差的最小上界.证明了融合器的鲁棒精度高于每个局部估值器的鲁棒精度.应用于不间断电源(uninterruptible power system,UPS)系统鲁棒融合滤波的仿真例子说明了所提结果的正确性和有效性.