径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

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。     

基于最小偏度采样的UPF算法

针对一般的粒子滤波中的退化问题,提出了一种改进的Unscented卡尔曼粒子滤波算法。首先,提出了最小偏度采样策略,将该策略用于UKF(Unscented kalman filtering)算法中,以UKF方法生成建议分布并从中采样,解决了一般粒子滤波算法中以转换先验密度函数作为替代分布所引发的粒子退化等问题。其次,将多项式重采样和分层重采样两种方法结合起来进行重采样,有效地减弱了粒子退化问题。最后,给出了非线性序列的仿真算例。理论分析和仿真结果均表明,改进的UPF算法提高了滤波的精度,算法的运行效率也得到了较大的提高。     

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。     

基于粒子滤波处理GPS定位信息的研究

为提高GPS接收机的定位性能,首先对采样粒子数目进行研究,发现并不是采样粒子数目越多粒子滤波(Particle Filter,PF)的滤波效果就越好。然后针对PF算法中存在的粒子退化现象,研究PF算法与扩展卡尔曼滤波算法(the Extended Kalman Filter,EKF)处理加入了高斯噪声干扰的非线性模型,仿真并分析得到,PF在处理高斯非线性模型的时候滤波效果要优于EKF算法,试验中发现PF算法在粒子数目较大的时候滤波效果远远偏离真实值,试想通过EKF算法计算取得的均值和方差来引导PF算法进行下一步采样,以此建立较好的重要性密度函数。试验表明经过扩展卡尔曼滤波改进的粒子滤波算法相比PF算法更加精确,平缓性更好。     

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。     

一种快速GPS/DR组合导航系统状态估计算法研究

无轨迹卡尔曼滤波(UKF)技术在非线性系统(GPS/DR车载组合导航系统)的状态估计中取得了比扩展卡尔曼滤波(EKF)更好的滤波精度和收敛速度.为了进一步减少采样点数目,提高UKF滤波实时性,一组n+2个采样点被构造用于逼近系统状态分布.蒙特卡洛仿真表明RUKF和UKF在滤波精度和收敛速度上是一致的,RUKF的计算效率好于UKF.     

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。     

应用最小偏度采样的UPF算法

针对一般粒子滤波中的退化问题,提出了一种改进的Unscented卡尔曼粒子滤波(UPF)算法.提出了最小偏度采样策略,将该策略应用于UKF算法中,以UKF方法生成建议分布并从中采样,解决了一般粒子滤波算法中以转换先验密度函数作为替代分布所引发的粒子退化等问题.将多项式重采样和分层重采样两种方法结合起来进行重采样,有效地减弱了粒子退化问题.最后,给出了非线性序列的仿真算例.理论分析和仿真结果表明,改进的UPF算法提高了滤波的稳定性和精度,算法的运行效率提高了30%.     

基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用

车辆行驶中某些状态参量不易准确测得或测量成本较高,而这些变量的准确获取对车辆底盘控制有着重要的意义。为以较低成本获取重要的车辆运动状态,建立包括横摆、侧向和纵向3自由度的非线性车辆模型,利用扩展Kalman滤波(Extended Kalman filtering, EKF)理论建立了信息融合算法,给出车辆状态变量最小方差意义下的融合结果,利用少量的易测车辆状态信息(转向盘转角、车辆纵、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、质心侧偏角)。并在Matlab/Simulink环境下利用实车场地试验数据进行了离线仿真。多种工况下的场地试验结果表明,该算法在估计汽车横摆角速度、质心侧偏角、纵向速度时具有一定的准确性,特别是对横摆角速度的估计,即使在车辆非线性区也表现出良好性能。同时该融合算法简单、稳定及所需融合输入较少的特点使该算法在实际中的应用成为可能。     

UKF在永磁直线同步电动机无位置传感器控制中的应用

Unscented卡尔曼滤波器(UKF)在许多非线性估计问题中是一种估计性能优于扩展卡尔曼滤波器(EKF)的非线性滤波方法。然而在永磁直线同步电动机无位置传感器控制中,UKF是否能提高永磁直线电动机位置与速度的估计性能却尚未见研究。针对永磁直线同步电动机进给系统的特点,建立用于位置与速度估计器的永磁直线同步电动机进给系统模型,提出永磁直线同步电动机无位置传感器控制系统。通过仿真和试验对UKF的估计性能进行评估,并与EKF进行了比较。仿真及试验结果表明,UKF在估计性能与EKF相当, 然而UKF的计算量却比EKF大,使得在高速永磁直线同步电动机无位置传感器控制这一特定问题上,EKF比UKF更有效。     

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。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

Comparison of Linearized Kalman Filter and Extended Kalman Filter for Satellite Motion States Estimation

The performance of the conventional Kalman filter depends on process and measurement noise statistics given by the system model and measurements.The conventional Kalman filter is usually used for a linear system,but it should not be used for estimating the state of a nonlinear system such as a satellite motion because it is difficult to obtain the desired estimation results.The linearized Kalman filtering approach and the extended Kalman filtering approach have been proposed for a general nonlinear system.The equations of satellite motion are described.The satellite motion states are estimated,and the relevant estimation errors are calculated through the estimation algorithms of the both above mentioned approaches implemented in Matlab are estimated.The performances of the extended Kalman filter and the linearized Kalman filter are compared.The simulation results show that the extended Kalman filter is much better than the linearized Kalman filter at the aspect of estimation effect.     

Detection of broken rotor bars in induction motors using nonlinear Kalman filters

This paper presents a model-based fault detection approach for induction motors. A new filtering technique using Unscented Kalman Filter (UKF) and Extended Kalman Filter (EKF) is utilized as a state estimation tool for on-line detection of broken bars in induction motors based on rotor parameter value estimation from stator current and voltage processing. The hypothesis on which the detection is based is that the failure events are detected by jumps in the estimated parameter values of the model. Both UKF and EKF are used to estimate the value of rotor resistance. Upon breaking a bar the estimated rotor resistance is increased instantly, thus providing two values of resistance after and before bar breakage. In order to compare the estimation performance of the EKF and UKF, both observers are designed for the same motor model and run with the same covariance matrices under the same conditions. Computer simulations are carried out for a squirrel cage induction motor. The results show the superiority of UKF over EKF in nonlinear system (such as induction motors) as it provides better estimates for rotor fault detection.     

基于粒子群的信道估计方法

针对非线性信道精确估计的问题,将随机集和粒子群理论技术应用到信道估计算法中,提出了基于离散二进制粒子群的信道估计方法,并利用Matlab对该算法进行了仿真与评价.仿真研究结果表明,该算法能够获得较为精确的信道估计,同时,该方法适用于任何能用状态空间模型以及传统卡尔曼滤波表示的非线性系统.     

四轮独立驱动汽车多工况路面附着系数识别研究

四轮独立驱动（Four-wheel independent drive, 4WID）电动汽车具有较好的动力学稳定性协调控制潜力,轮胎-路面附着系数的识别是汽车操纵性能控制的基础。基于视觉传感器的路面识别方案成本高,传统卡尔曼滤波算法观测精度低且难以适应含有时变结构的非线性系统。众多研究已详细介绍均一路面附着系数的估计方法,尚未充分考虑对接和对开路面的观测方案。本研究将强跟踪理论（Strong tracking theory, STT）引入无迹卡尔曼滤波（Unscented Kalman filter, UKF）算法,构造强跟踪无迹卡尔曼滤波（Strong tracking unscented Kalman filter, STUKF）观测器,提高识别算法的识别精度,以及对时变附着系数的适应能力。考虑多重渐消因子计算过程的复杂性,本研究降低四轮路面识别模型的维数,构造两个含单重渐消因子矩阵的二维观测器,实时观测四个轮胎-路面附着系数。仿真和试验结果表明,与传统四维UKF算法相比,改进的并联STUKF算法能够更加有效地追踪转向或直行工况下均一路面、对接路面和对开路面的四轮附着系数。