改进粒子滤波算法的车辆状态估计研究

针对传统粒子滤波存在的粒子退化和样本枯竭问题,采用了一种基于模拟退火粒子群优化粒子滤波(SAPSOPF)车辆状态估计算法。首先基于Dugoff轮胎模型建立了汽车7自由度车辆模型。然后利用SAPSO-PF算法通过对低成本传感器测量到的纵向加速度、侧向加速度、方向盘转角和各车轮轮速信号,准确估计车辆的纵向速度、侧向速度以及横摆角速度。并在Carsim和Matlab/simulink环境下以实车场地实验数据进行仿真验证。多工况下的仿真试验结果表明,运用SAPSO-PF算法对车辆纵向速度、侧向速度横摆角速度的估计有良好的准确性。     

基于粒子滤波跟踪方法研究

文章针对道路上的车辆跟踪问题,提出了粒子滤波跟踪算法。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。文章的主要研究内容包括粒子滤波理论及其实现方法;利用粒子滤波理论来解决目标跟踪问题,构建基于粒子滤波的跟踪框架。     

基于粒子滤波的非线性设备状态估计

为解决非线性非平稳设备状态估计难的问题,提出一种基于粒子滤波的非线性设备状态估计方法。该方法通过蒙特卡洛方法仿真状态动态模型和观测模型,并对系统状态的后验概率密度函数进行估计。该方法避免了典型卡尔曼滤波状态估计过程中要求线性和高斯噪声的假定。最后,将该方法用于齿轮箱状态估计实验,实验结果显示,该方法与卡尔曼滤波法相比较,结果更加准确,验证了该方法的有效性。     

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。     

基于改进的自适应遗传粒子滤波算法的车辆质心侧偏角估计

质心侧偏角是表征车辆稳定性和安全性的一个重要状态参数,该参数一般通过汽车行驶状态观测器估计来获取,提高质心侧偏角的估计精度将有助于车辆控制理论的研究.文中针对分布式纯电动汽车非线性、非高斯的行驶特点和四轮独立控制的特点,在自适应遗传粒子滤波算法的基础上,提出一种改进的粒子选择算法,并基于该算法设计了分布式纯电动汽车行驶...     

基于粒子滤波算法毫米波误差综合估计

5G毫米波通信因其高载波频率和速率而备受关注,成为了未来移动通信的研究热点。然而,在毫米波通信测试仪器设计中,通常采用多次倍频的方法为毫米波基波混频器提供毫米波本振,这个过程中附加产生的相位噪声、载波频率偏移和采样时钟偏移等误差,会造成系统解调指标恶化。为了解决这一问题,本文首次提出了一种基于粒子滤波算法的毫米波误差综合估计的方法,利用粒子滤波算法良好的鲁棒性和适应性,可一次性估计出相位噪声、载波频率偏移以及采样时钟偏移。通过仿真与实验分析,本文算法相较于传统PTRS相位噪声估计效果更好,EVM指标更优。并且本文所提算法已应用于国产5G毫米波基站综测仪中,在载波频率为28 GHz,带宽为400 MHz,调制方式为64QAM时,EVM指标可达到2.21%。     

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。     

分布式电驱动车辆的无味粒子滤波状态参数联合观测

针对目前分布式电驱动车辆动力学领域中存在的状态参数观测体系不完善、观测精度低的问题,利用分布式电驱动车辆多信息源的特点,提出无味粒子滤波状态参数联合观测方法。基于非线性车辆动力学模型对分布式电驱动车辆的纵向速度、质心侧偏角、横摆角速度及各轮侧向力进行联合观测。同时,为提高侧向力的观测精度,采用非线性动态轮胎模型。在完成模型搭建的基础上,考虑到所搭建的车辆动力学模型具有强非线性,设计适用于强非线性模型的无味粒子滤波器对多个状态变量进行联合观测。而为进一步提高状态观测精度,进行量测噪声协方差的自适应调节。仿真和试验结果表明,所提出的状态观测方法能够提高分布式电驱动车辆状态参数观测精度和鲁棒性。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

基于粒子滤波和GVF-Snake的目标跟踪算法

提出了一种基于粒子滤波和GVF-Snake的自适应目标跟踪算法.该算法首先采用背景差分法获取目标初始轮廓,利用改进的GVF-Snake的强大搜索能力,使Snake收敛至运动目标的真实轮廓;然后根据控制点的距离增删控制点,达到自适应地跟踪运动和变形目标的目的;最后通过结合粒子滤波和改进的GVF-Snake,得到一种能量粒子滤波(EPF)目标跟踪算法,并利用提出的的跟踪策略,改进其抗遮挡能力.实验结果表明,被跟踪目标在遮挡情况下也能够保持良好的跟踪效果.     

基于容积卡尔曼滤波的车辆行驶状态估计

目前针对车辆行驶状态的估计主要采用的是扩展卡尔曼滤波、无轨迹卡尔曼滤波、粒子滤波算法及其它们的改进方法。针对车辆行驶过程中的状态估计问题,论文提出了基于容积卡尔曼滤波的车辆行驶状态估计算法。建立了非线性三自由度车辆估算模型和Dugoff轮胎模型,通过对纵向加速度、侧向加速度、横摆角速度、方向盘转角和轮速传感器低成本传感器信号的信息融合实现对车辆行驶状态的准确估计,并应用Car Sim和Matlab/Simulink联合仿真实验对算法进行仿真验证。结果表明:基于容积卡尔曼滤波的估计算法能够较准确地、稳定地对车辆行驶状态进行估计。     

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。     

车辆行驶过程中的状态估计问题综述

从传感器配置、估计用物理模型、状态估计算法和估计过程中的模型参数自适应4个方面回顾车辆行驶过程中的状态估计问题.对比分析以纵向车速、横摆角速度、质心侧偏角为估计目标时传感器的常见配置,给出合理的传感器配置方案;比较在不同估计目标下运动学模型和动力学模型的优缺点,提出纵向车速和横摆角速度适合采用运动学模型、质心侧偏角估计适合采用动力学模型的观点;列举并比较车辆状态估计中常用的估计算法,给出各算法在实际应用中所需注意的因素.指出实现估计过程中的参数自适应是提高不同行驶工况下观测器估计精度的有效手段,并介绍递推最小二乘、联合卡尔曼滤波等实现参数自适应的典型方法.     

基于MATLAB辅助设计IIR滤波器的方法研究

介绍一种基于MATLAB辅助DSP设计IIR滤波器的方法,大大简化了设计过程.首先根据技术指标在FDAtool中设计滤波器,经过多次修改符合要求后,然后生成C头文件来导入到工程中,最后在该工程中进行与DSP连接操作.     

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IUKF的非线性状态估计

为了提高测量更新的近似精度,将迭代卡尔曼滤波(IKF)的思想引入到UKF中,得到迭代无迹卡尔曼滤波算法(IUKF).理论分析与仿真结果表明:IKF的引入在提高非线性近似精度的前提下并没有增加计算的复杂性;在相同数量级运算时间的条件下,其估计性能明显优于标准EKF和UKF滤波器.     

Particle Filter for Estimation and Tracking

In recent years, the particle filter technique has been widely used in tracking, estimation and navigation. In this paper, the authors described several practical filters including the general practical, the extended Kaman practical, and the unscented particle filters. And they explained the degeneracy problem in the practical filter process, and introduced some solved methods. Finally they demonstrated the estimation of different particle filters in non-liner and non-Gaussian situation respectively. The result proved the unscented particle filter had the best performance.