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UKF滤波的自主移动机器人锂电池SOC估计

准确估计剩余电量(state of charge,SOC)关系到自主移动机器人(AMR)的生存与安全,是AMR研究中所面临的主要挑战之一.针对广义卡尔曼滤波估计SOC的不足,本文给出基于无色卡尔曼滤波(UKF)估计AMR锂电池SOC的新方法.通过试验对UKF和EKF进行了比较.试验验证了同样条件下,UKF比EKF具有更好的滤波估计精度.     

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。     

基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地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,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法（DEAKF）。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。
     

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。     

利用车辆状态估计的客车防侧翻控制

为提高客车侧翻稳定性,提出了一种基于车辆状态估计的客车主动防侧翻控制方法。针对客车行驶过程中直接计算侧翻指标LTR困难较大、准确度较低的问题,基于TruckSim整车模型和三自由度参考模型建立了无迹卡尔曼滤波（Unscented Kalman Filter,UKF）状态参数估计器。结合现有车辆稳定性控制系统,设计了柔性PID控制器,以差动制动的原理对防侧翻附加横摆力矩进行补偿。通过TruckSim/Simulink联合仿真平台对客车在鱼钩试验典型工况下进行了仿真试验,结果表明,设计的主动防侧翻控制系统在中、高车速时均能降低LTR值至阈值附近,有效提高了客车的侧翻稳定性。     

U-卡尔曼滤波在状态估计中的应用

本文介绍了新的滤波估计方法-U卡尔曼滤波.UKF能给出最佳估计的至少二阶近似.本文通过一个时间序列的仿真实例说明UKF比EKF的估计精度要高.     

基于变增益UKF的单站无源定位算法

将一种适用于非线性系统的UKF应用于单站无源定位,并结合具体应用背景,设计了变增益UKF滤波器。变增益UKF滤波器具备UKF滤波器精度高,稳定性好,不易发散的优点。蒙特卡罗仿真结果表明,该滤波器适用于实际情况,且具有比UKF和EKF更好的跟踪性能。     

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。     

基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究

基于Thevenin等效模型建立二阶RC等效电路模型,通过混合脉冲动力功率特性测试实验获取电池脉冲放电数据,进行电池等效电路参数辨识。为弥补锂离子电池荷电状态在90%~100%区间时电池模型参数辨识拟合误差而引起其估算误差的缺陷,综合采用安时积分与无迹卡尔曼滤波估算电池荷电状态。使用硬件在环仿真测试平台及环境模拟测试平台进行电池管理系统设计,在不同工况下对电池进行荷电状态估算,结果表明荷电状态估算误差范围为-1.5%~1.0%,该方法估算精度较高,效果理想。     

四驱混合动力轿车驱动工况无迹卡尔曼车速估计

针对驱动模式复杂多变的四驱混合动力轿车,考虑其后轮毂电机驱动转矩的准确可测以及既定模式下前驱动轮转矩的可推算性,结合电子稳定程序(Electronic stability program,ESP)系统传感器信号,提出无迹卡尔曼车速估计算法。搭建四驱混合动力轿车仿真平台,其集成了驱动系统模型、非线性7自由度车辆动力学模型和统一轮胎模型。基于车辆动力学模型和轮胎模型,设计融合驱动轮转矩信息和传感器信息的车速估计算法,并将估计结果与仿真车速进行比较分析。在样车上加装转向盘转角、横摆角速度和质心加速度等传感器,采集轮转、驱动轮转矩信息,在后轮纯电驱动模式低速双纽线试验、四轮混合驱动模式双移线和蛇行试验工况下,对所设计算法进行实车道路试验。仿真和实车试验结果表明,无迹卡尔曼车速估计算法精度较高,且具有较强的工况适应性。     

分布式驱动电动汽车双无迹卡尔曼滤波状态参数联合观测

为实时观测分布式驱动电动汽车行驶过程中的车身质心侧偏角等状态及车辆惯性参数如车辆质量、横摆转动惯量等信息,针对车辆惯性参数估计易敏感于载荷参数变化的挑战,发展面向载荷参数不确定（乘客或货物加载）的纵向、侧向、横摆运动的四轮车辆非线性动力学系统估计模型,在融合轮毂转矩等车载多传感器信息的基础上,将能适应强非线性系统的无迹卡尔曼滤波引入到车辆惯性参数估计中,设计车辆并联双无迹卡尔曼滤波状态参数联合观测系统,其中一个无迹卡尔曼滤波器观测车辆速度、车身质心侧偏角等状态,而另一个无迹卡尔曼滤波器观测车辆惯性参数。在CarSim/Matlab高保真环境中使用双移线、正弦工况对观测器在不同的载荷加载条件的可行性和有效性进行仿真验证,结果表明：该观测系统能实时观测车辆运行的状态及车辆惯性参数,即使在重载荷加载条件下仍具有较高的观测精度。     

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。     

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。     

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。     

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.