基于UKF算法的汽车状态估计

准确实时获取行驶过程中的状态信息是汽车动态控制系统研究的关键问题。将unscented卡尔曼滤波(UKF)算法应用到汽车的状态估计之中,建立了包含时不变统计特性噪声和非线性轮胎的汽车动力学模型,采用具有对称采样策略和比例修正的UKF算法对汽车估计了多个关键状态量。将UKF估计器与常见的EKF估计器进行了比较分析,基于ADAMS/Car的虚拟试验和实车试验验证了UKF在汽车状态估计中的可行性。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于辅助粒子滤波算法的车辆行驶状态和参数联合估计方法研究

汽车行驶状态及关键参数的联合估计对于汽车主动控制以及新型结构的验证具有重要意义。介绍了一种应用辅助粒子滤波技术实现车辆行驶状态、参数联合估计的控制算法。该算法以包含定常统计特性噪声的汽车动力学模型为基础,利用龙格—库塔方法模拟汽车动力学模型,同时引入辅助变量,通过二次加权操作使得粒子权重变化趋于稳定,最终实现了行驶状态和关键参数的联合估计,仿真结果表明,辅助粒子滤波可以有效的提高标准粒子滤波算法的精度。     

基于AEKF的车辆质量与道路坡度实时估计

针对车辆在实际行驶过程中外界噪声的统计特性无法已知的问题,以车辆纵向动力学模型为基础,提出了自适应扩展卡尔曼滤波(adaptive extended Kalman filter,简称AEKF)的车辆质量及道路坡度估计算法。以动态估计车辆系统中的质量与坡度为研究对象,引入了旋转质量换算系数,建立车辆纵向动力学系统的状态空间模型,考虑了不同时刻的档位匹配与行驶特殊工况的处理。对系统状态方程进行离散化处理,得到系统状态方程与系统测量方程,在扩展卡尔曼滤波(extended Kalman filter,简称EKF)的基础上引入带遗忘因子的噪声统计估计器,通过AEKF对状态方程与测量方程实时更新,进行在线估计和校正噪声统计值,从而解决系统的噪声时变问题。本研究算法与EKF算法估计及实测结果的对比分析表明,本研究算法能够很好地对车辆质量和坡度信号进行有效滤波和估计,在短时间内逐渐收敛并逼近实测值,从而能够合理有效地检测车辆在行驶过程中的状态信息。     

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。     

基于鲁棒自适应SCKF的智能汽车目标状态跟踪研究

准确的自车和前车状态估计是智能汽车有效决策和控制的前提,而以往的研究通常不考虑噪声统计特性不确定的问题,导致某些情况下车辆状态估计的误差很大。为此,提出一种鲁棒自适应平方根容积卡尔曼滤波（Robust adaptive square-root cubature Kalman filter,RASCKF）算法,以降低噪声统计不确定性对估计精度的影响。首先,采用最大后验概率准则估计了过程噪声协方差和测量噪声协方差的统计值,以提高噪声稳定时状态估计的精确性。然后,基于标准化测量新息序列设计了故障检测规则,利用实时测量新息对噪声协方差进行校正处理,保证状态估计算法的鲁棒性。最后,在不同的噪声干扰工况下对RASCKF算法进行了仿真验证。结果表明,RASCKF算法在估计精度和稳定性上明显优于标准SCKF算法,有效地解决了智能汽车目标状态跟踪过程中噪声统计特性不确定的问题。     

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。     

基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计

纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

基于自适应滤波的电动汽车动力电池荷电状态估计方法

基于卡尔曼滤波法的电池组荷电状态(State of charge,SOC)估计方法适合于电流变化比较剧烈的混合动力汽车中电池组的SOC估计,但由于电池模型以及系统噪声、量测噪声统计特性的不确定性,容易引起滤波发散.研究联邦城市行驶工况,并对电池组进行充放电试验,建立单变量的镍氢电池组的状态空间模型.将SOC作为系统的状态,由于自适应滤波算法可以抑制滤波发散,基于自适应滤波算法研究镍氢电池组的SOC估计方法.台架试验表明该方法具有较高的估计精度和可靠性,计算量小,更适用于实际应用.     

液压伺服系统状态估计和参数辨识的鲁棒算法

针对液压伺服系统不易进行状态估计和参数辨识的问题,提出了一种鲁棒算法,把液压伺服系统的动态行为当作一个具有时变参数的线性随机状态空间模型来描述,把故障当作系统参数变化,将参数公式中重要项进行泰勒级数展开,推导线性状态方程和线性测量方程,从而得出状态向量和参数向量的估计。在液压伺服系统中实验结果表明:该鲁棒算法能很好地对液压伺服系统进行状态估计和参数辨识;并且相比于其他算法,收敛速度快,对非高斯噪声和系统参数故障的存在敏感性较低,鲁棒性好。     

基于IEKF-APF算法的汽车状态估计

行驶汽车状态变量质心侧偏角和横摆角速度是汽车稳定性控制系统中重要控制变量,准确获取行驶过程中的状态信息是汽车控制系统研究的关键问题。应用估计理论由传感器测出易测变量来估计难以测量的关键状态变量是一种常用的估计方法。提出一种新的粒子滤波算法通过所建立的包含定常平稳随机噪声和非线性轮胎的汽车动力学7自由度整车模型对汽车状态进行估计。针对粒子滤波过程中出现的退化问题,应用迭代扩展卡尔曼滤波融入最新观测信息产生更加接近真实状态的重要性密度函数,辅助粒子滤波算法通过所产生的重要性密度函数结合观测量进行重采样,结合这两种算法提出迭代扩展卡尔曼-辅助粒子滤波算法(Iterative extended Kalman filtering-auxiliary particle filtering algorithm, IEKF-APF)以改善粒子采样和估计精度的提高。为验证所提出的IEKF-APF算法估计性能,将其结果与实车试验结果和无迹卡尔曼滤波算法(Unscented Kalman filtering, UKF)估计结果进行比较,结果表明其估计性能优于UKF,更接近于试验结果。     

电流信号采样偏差下动力电池荷电状态估计研究

电动汽车电池管理系统实际运行的过程中,电流信号易受到有色噪声的干扰而产生信号采样偏差,这会造成荷电状态(Stateofcharge,SOC)估计精度的急剧下降。针对该问题,分析电流信号分别在两种不同类型的有色噪声干扰下的SOC估计问题,提出一种三层组合估计结构用于同时实现电流采样信号的校正、电池模型参数的在线更新以及SOC的高精度估计。该组合结构首先基于状态扩维后二阶RC等效电路模型,并利用自适应重组遗传算法(Adaptive recombination genetic algorithm,ARGA)辨识出模型参数,由自适应平方根容积卡尔曼滤波(Adaptive square root cubature Kalman filter,ASRCKF)算法在线校正产生偏差的电流信号;然后基于校正后的电流信号和二阶RC模型,通过偏差补偿遗忘因子递推最小二乘(Bias compensation recursive forgetting-factor least squares,BCFRLS)算法与ASRCKF算法相结合进行协同估计,实现模型参数和SOC值的在线更新。最后在DST工况下进行验证,试...     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

基于时变多变量Prony法的时变振动系统模态参数辨识

在经典的Prony法理论的基础上,提出了可以同时处理多维非平稳信号的时变多变量Prony法,并将其应用于时变多自由度振动系统的模态参数辨识。对传统的递推最小二乘算法加以改进,解决了时变多变量参数模型中时变参数矩阵估计的难题。对时变平面两杆操作臂系统进行仿真和分析,得出了较满意的结果。证明该算法在时变结构模态参数辨识方面,具有有效、准确的计算能力和较强的过程跟踪能力。     

5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。     

一种带遗忘因子的自适应卡尔曼滤波器及其在移动机器人中的应用

在移动机器人姿态估计过程中,由于难以建立准确的系统模型,导致参数量测不准确。采用一种自适应卡尔曼滤波器,通过加入遗忘因子的方式改变滤波器对状态估计的信任程度,改善了系统中噪声统计模型不准确对测量结果的影响。仿真结果表明,当经验知识不足导致建立姿态测量模型不准确时,自适应卡尔曼滤波器的滤波效果优于传统卡尔曼滤波器,提高了姿态信号的估计精度。