自适应软测量算法的汽车行驶状态估计

为了实现车辆行驶状态低成本测量,设计了估计汽车行驶状态参数的传统无迹卡尔曼滤波器和能够有效解决噪声时变特性的次优Sage-Husa噪声估计器相结合算法,通过建立电动汽车3自由度的动力学模型和HSRI轮胎模型,且融合低成本测量的纵、横向加速度和方向盘转向角传感器测量信息,从而可精确估计电动汽车行驶状态.在选定的典型工况下,通过与无迹卡尔曼软测量算法进行对比,硬件在环实验结果有效地验证了自适应无迹卡尔曼软测量算法具有很好的鲁棒性,且比无迹卡尔曼软测量算法更加能够有效地估计电动汽车的行驶状态.     

基于双自适应无迹卡尔曼滤波的半挂车状态估计

针对半挂车辆状态估计过程中测量噪声不确定、累计误差影响严重、初值敏感等问题,提出一种适用于半挂车铰接角、车速等多个状态量估计的双自适应无迹卡尔曼滤波算法(FFUKF).基于搭建的半挂汽车12自由度非线性动力学模型和轮胎模型,通过测量的轮速与车辆加速度等信息,首先利用模糊控制自适应调整滑移率容差,综合判断每个车轮的稳定状态,通过轮速估算出一种车速;与此同时,模糊控制自适应调整测量噪声,利用无迹卡尔曼算法,依据动力学估计出铰接角和另一种车速;然后通过卡尔曼滤波算法融合两种方法估计的结果,实现车辆的纵向、侧向速度、横摆角速度和挂车与牵引车铰接角的实时估计.最后在Simulink/TruckSim联合仿真环境下进行多工况仿真试验,验证所提出的双自适应无迹卡尔曼估计算法(FFUKF)有较强的适应性、稳定性和鲁棒性,相比普通模糊自适应无迹卡尔曼(FUKF)有更高的估计精度,能有效克服累计误差,即便在估计初始值不准和有ABS控制输入的情况,仍可以较精确地对车速和铰接角进行实时估计.     

UKF在视频移动目标跟踪中的应用

目标跟踪技术把跟踪看作是一个估计问题,在对动态系统进行实时估计时,针对经典卡尔曼滤波器在非线性系统应用中精度低和可能出现滤波发散的情况,文中将无迹卡尔曼滤波器应用于非线性的视频移动目标跟踪系统中,利用无迹变换对经典卡尔曼滤波器进行改进,以提高系统的跟踪效果。通过对无迹卡尔曼滤波器在移动目标跟踪中的仿真结果分析比较表明,无迹卡尔曼滤波对噪声的适应能力强,跟踪精度高,算法实现简单。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

基于无迹卡尔曼滤波的汽车状态参数估计

由于部分汽车状态参数无法直接通过传感器获得,为了提高这些参数的估计精度以准确判断汽车行驶过程中的状态变化,增强控制系统的鲁棒性,文中提出了基于无迹卡尔曼滤波的汽车状态参数估计方法.该方法在传统卡尔曼滤波算法的基础上,采用无迹卡尔曼滤波算法对汽车质心侧偏角、横摆角速度、路面附着系数等状态参数进行估计,并运用Simulink与Carsim进行联合仿真.结果表明,无迹卡尔曼滤波算法响应快,估计精度较扩展卡尔曼滤波高,能满足车辆高级动力学控制系统的控制需要.     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

四轮毂驱动EV双容积卡尔曼路面附着系数估计

针对车辆在行驶过程中难以实时、准确地获取路面附着系数这一问题,本研究在结合车辆三自由度动力学模型和Dugoff修正轮胎力模型所搭建的四毂驱动联合仿真电动汽车平台基础上,设计了一种时效性、鲁棒性强的双容积卡尔曼滤波路面附着系数观测算法。双容积卡尔曼滤波算法利用奇异值分解优化求解误差协方差矩阵,将车辆行驶状态观测器信息与附着系数观测器信息相互联系,形成闭环反馈校正更新观测信号,实现对路面附着系数的实时估计。在四轮毂驱动联合仿真电动汽车平台中设置低附着路面,在开路面仿真工况下对双容积卡尔曼滤波算法进行验证,并与传统容积卡尔曼滤波观测器数据进行比较和分析。结果表明:双容积卡尔曼滤波算法具有更快的的响应速度,估计的路面附着系数精度更高,实时性更强。     

基于自适应滤波器的无人驾驶汽车速度估计

针对无人驾驶汽车容错控制对速度信息软测量技术的需求,提出了一种基于交互式多模型无迹卡尔曼滤波器的无人驾驶汽车速度估计方法,以自适应系统未知的噪声统计特性.首先,基于无人驾驶汽车定位信息建立了包含汽车运动学和动力学特性的名义模型,并采用前向欧拉离散化方法将其转化为包含系统噪声统计特性的状态空间名义模型;然后,采用一系列典...     

车辆行驶状态无迹卡尔曼软测量

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼搭建了软测量算法,该算法充分考虑了电动汽车非线性的车辆运动状态估计,对于轮胎侧向力的估计采用非线性的魔术轮胎模型。最终,通过联合仿真实验方法验证了所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数。     

月心矢量增强XNAV及其自适应滤波方法

针对X射线脉冲星导航(XNAV)难以获取准确的过程噪声统计特性及导航精度低的问题,提出基于自适应差分卡尔曼滤波器(ADDF),融合地月夹角的多信息融合XNAV.首先通过处理从光学相机获得的月球图像得到视场角度和方向矢量的测量模型;然后将该测量模型和传统脉冲星计时观测模型集成到航天器轨道动力学中,以建立ADDF滤波模型;最后对所提方法进行仿真验证.实验结果表明:在相同的初始状态和初始噪声误差下,与无迹卡尔曼滤波器(UKF)和差分滤波器(DDF)相比,ADDF具有良好的噪声自适应能力,其导航位置估计精度提高60%以上,速度估计精度提高25%以上;较之传统计时观测XNAV,融合视场角和月球方向矢量的XNAV方法能够将导航精度提高50%以上.