基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法

在当前机器人导航和环境感知领域,室外大尺度场景下的三维激光SLAM一直是一个挑战性问题。由于GPS信号在某些环境下的不稳定性和激光SLAM的误差累积特性,传统算法在大尺度场景下表现不佳。针对室外大尺度场景下三维激光SLAM(同步定位和地图构建)存在的误差累积严重问题,本文提出了一种基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法。该算法通过利用惯性测量单元(IMU)数据对机器人状态进行预测,同时以激光和全球定位系统(GPS)数据作为观测,更新机器人状态,推导出观测方程和雅可比矩阵,显著提高了建图的精度和鲁棒性。里程计中融合GPS数据的绝对位置信息以解决长时间运行中的误差累积问题。在特征稀疏的环境中,由于约束不足可能导致算法崩溃,GPS数据的引入可以提高系统的鲁棒性。此外,重力对于IMU数据预测机器人状态起到关键的作用。虽然重力是三维向量,但在不发生区域变化的情况下,其模长是不变的,因此被视为二自由度向量。通过将重力的优化转化为旋转矩阵群上的优化,成功避免了重力过参数化的问题,提高了算法的精度。在室外场景下与其他算法进行了性能测试对比并且验证了在大尺度场景下的鲁棒性和精度,结果表明:本文算法的均方根误差为0.089 m,与其他算法相比降低了54%。

采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

基于卡尔曼滤波器及深度强化学习的双有源全桥变换器控制策略

高比例的新能源以及随机性负载大量接入微电网,其不确定性带来的大扰动对直流母线电压的稳定性造成不良影响。为了实现大扰动下快速、自适应的电压调节,针对双有源桥式DC-DC变换器(dualactivebridge,DAB)提出了一种基于卡尔曼滤波器(Kalmanfilter,KF)及深度强化学习的新型复合控制策略。设计了基于Actor-Critic架构的深度确定性策略梯度强化学习智能体,采用KF的最佳观测结果作为前馈补偿提高输出电压调节的准确性,通过在线学习自动调整DAB变换器的控制参数,保证直流变换器在面临系统各种扰动问题时均保持稳定,最后通过仿真和实验验证了该控制策略的有效性。

基于增广卡尔曼滤波器的时域传递路径分析方法

时域传递路径分析方法用于解决瞬态工况下复杂系统振动噪声问题不仅未能解决自然频率附近频响函数矩阵的病态问题,而且利用现有频域信息转换提取得到的所需时域信息精度较低,因此提出一种基于增广卡尔曼滤波器的时域传递路径分析方法。该方法采用增广卡尔曼滤波器辅以遗传算法估计时域工况载荷,通过最小二乘算法辨识单位脉冲响应函数,将时域工况载荷和对应的单位脉冲响应函数进行线性卷积以计算各传递路径的时域贡献量。算例表明,所提方法采用的增广卡尔曼滤波器载荷识别误差小于传统方法的去卷积滤波器所识别载荷的误差,最小二乘算法辨识的单位脉冲响应函数误差小于对频响函数直接进行快速逆傅里叶变换或者构造有限单位脉冲响应滤波器的误差,且所提方法在复杂结构上也同样具有较小的误差。

基于递归小脑模型神经网络和卡尔曼滤波器的锂电池荷电状态预测

由于储能系统被广泛应用到新能源汽车、分布式发电等领域,其在运行过程中的可靠性是研究的重点之一。荷电状态(SOC)是反映电池续航能力的关键参数。为保证储能系统的正常运行,提出了一种锂电池SOC估计的方法,将递归小脑模型神经网络(RCMNN)和卡尔曼滤波器(KF)都用于荷电状态估计。为了强化RCMNN的捕获动态特征的能力,在联想记忆层和权值记忆层均加入了递归单元。将采集的电压、电流和温度作为模型的输入,用于模拟储能系统的不同充、放电情况。考虑到实际工况下电池放电的复杂性,在不同的放电条件和不同SOC初值的情况下将SOC的实际值与预测值进行对比。试验结果表明,该预测方法在不同条件下都具有较高的精度和鲁棒性。

噪声环境下基于等价输入干扰和卡尔曼滤波器的控制系统扰动抑制

控制系统中存在的未知扰动和测量噪声,限制了系统性能的提升,给控制设计带来了巨大挑战。提出了一种基于等价输入干扰(Equivalent Input Disturbance,EID)和卡尔曼滤波器(Kalman Filter,KF)的复合扰动抑制方法,以减小测量噪声对扰动抑制和系统控制性能的影响。首先,设计一种稳态卡尔曼滤波器,滤除测量信号中的高频噪声;其次,基于卡尔曼滤波器的输出,设计状态观测器和干扰估计器,计算等价输入干扰的估计值,并在控制通道中反向补偿,得到一种复合控制规律,以提高噪声环境下控制系统的扰动抑制性能;最后,设计电机转速控制系统仿真实验,验证该方法的有效性。与传统控制方案进行比较表明:新的结构使得系统在同时存在测量噪声和扰动的情况下,仍然具有良好的控制性能。

基于高阶扩维卡尔曼滤波器的SLAM算法研究

针对扩展卡尔曼滤波在解决强非线性系统问题时精度不高、在机器人进行同时定位与建图时误差大、抗干扰性弱、小车运动估计效果不理想等问题,提出了一种基于高阶扩维卡尔曼滤波器的小车运动估计方法。为了解决舍入误差,高阶扩维卡尔曼滤波器算法引入隐变量,将小车运动模型进行伪线性化表示,在系统变量和隐变量之间建立线性关系,将系统状态模型转化为线性形式,再将观测模型进行等价改写。最终将小车运动模型改写为符合卡尔曼滤波的线性形式。仿真结果显示,基于高阶扩维卡尔曼滤波器的SLAM算法具有高性能和高精度等优点。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

集员卡尔曼滤波器在电机故障诊断中的应用

本文针对伺服电机提出了一种基于集员卡尔曼滤波器的故障诊断方法并进行了实际应用.首先,基于运动学关系和数据驱动技术构建了伺服电机的综合系统动态.之后,针对电机的位置–速度模型设计了一个中心对称多面体卡尔曼滤波器来检测位置传感器和速度传感器是否发生故障.同时,针对电机的力矩–速度模型设计了一个中心对称多面体卡尔曼滤波器来检测力矩执行器故障和速度传感器故障.然后,基于上述的两个中心对称多面体卡尔曼滤波器提出了一种故障隔离律,可以定位出伺服电机故障部件的位置.最后,通过一个实际的伺服电机实验平台对所提出方法进行了应用,并验证了其可行性与有效性.

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2～3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter,UKF)的迭代收益就难以保证。

基于改进容积卡尔曼滤波器的超宽带/惯性导航系统室内融合定位技术

在室内非视距环境中,单一超宽带(ultra wide band,UWB)技术会产生稳定性差和定位精度低的问题,以至于不能达到室内定位的要求。将UWB定位技术和惯性导航系统(inertial navigation system,INS)技术相结合,能够有效抑制非视距误差对定位结果的影响,因此本文提出基于改进的容积卡尔曼滤波器(cubature Kalman filter,CKF)的UWB/INS融合室内定位方法。首先,通过广义似然比检测算法对行人的静止态和运动态进行检测;之后对于静止态通过零速修正算法对速度进行修正,零积分航向角速率修正算法对航向角进行修正;然后,通过模糊综合评判的非视距识别算法对非视距信号进行识别,通过基于半定规划的非视距修正算法对识别出的信号进行修正;最后通过改进的容积卡尔曼滤波器将UWB定位数据和INS定位数据进行融合,得出组合定位结果。实验结果显示,与标准容积卡尔曼滤波算法相比,改进的容积卡尔曼滤波算法的定位结果均方根误差降低了2.32 cm(18.82%),拥有更好的定位精度和鲁棒性。

减小初值影响的分数阶卡尔曼滤波器设计

为了实现含有关联噪声的线性连续时间分数阶系统的状态估计,设计分数阶卡尔曼滤波器(FOKF)来减小初值影响.通过模型变换方法,获得等效方程,基于等效方程的FOKF可以有效地减小初值对状态估计的影响.通过仿真算例验证了提出的FOKF的有效性.

卡尔曼滤波器与神经网络串行的轮胎载荷识别模型

轮胎载荷是车辆设计和安全性评估的基础数据,对轮胎进行高精度的载荷识别具有重要意义。针对轮胎载荷直接测量昂贵、复杂的现状以及基于纯物理驱动与纯数据驱动的载荷识别方法的局限性,提出一种物理-数据联合驱动的载荷识别模型。该模型由卡尔曼滤波器与神经网络修正模型串行组成,卡尔曼滤波器对载荷进行初步识别,修正模型通过卷积神经网络和长短期记忆网络提取信号的空间和时间特征,预测卡尔曼滤波器的偏差并对识别结果予以修正。以APM300胶轮车辆为例进行载荷识别,结果表明,该串行模式载荷识别模型通过将物理驱动与数据驱动方法有机结合,综合整个系统的规则与经验,有效地克制了参数扰动的影响,提升了载荷识别精度,具有较强的泛化性能,具备一定的工程应用价值。

基于平方根容积卡尔曼滤波器的非线性模型参数识别

针对容积卡尔曼滤波器在参数识别过程中截断误差导致算法终止的问题,采用平方根容积卡尔曼滤波器、容积卡尔曼滤波器和奇异值容积卡尔曼滤波器分别对MFS模型、Bouc-Wen模型进行参数识别。结果表明:平方根容积卡尔曼滤波器得到MFS模型参数b、K、Q识别值的均方根误差比容积卡尔曼滤波器和奇异值容积卡尔曼滤波器至少降低了19.17%、29.88%和2.64%。容积卡尔曼滤波器识别Bouc-Wen模型不稳定,平方根容积卡尔曼滤波器识别值的均方根误差比奇异值容积卡尔曼滤波器至少降低17.04%。平方根容积卡尔曼滤波器既提高非线性模型参数识别精度,又具有良好的数值稳定性。

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器（Unscented Kalman filter，UKF）的误差进行分析，提出了迭代UKF（IUKF）算法。该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测，然后再次应用LMMSE估计子估计状态量的均值和协方差阵，如此多次迭代后的滤波估计输出具有更高的精度和更小的方差，故滤波器表现出更好的一致性。Monte Carlo仿真表明，IUKF主要应用于观测噪声较小的场合，其中的迭代只需进行2～3次即可。

光电系统中卡尔曼滤波器的运用实践及模拟分析

为了提升光电系统跟踪精度,提出采用自适应卡尔曼滤波法,借助代码安全模块(Code Security Module,CSM)计算目前时间状态预测矩阵、预测误差方差矩阵,并依据强跟踪滤波器计算调节因子,以此对预测误差方差矩阵、机动频率进行校正,更新预测输出信息。经过模拟实验,卡尔曼滤波器的使用,有效减小最大跟踪误差、均方根误差。

无轨迹卡尔曼滤波器在感应电机转速估计中的应用研究

无轨迹卡尔曼滤波器(UKF)作为扩展卡尔曼滤波器(EKF)的进化算法在许多非线性估计问题上取得了成功的应用。探讨了在感应电机转速估计领域引入UKF是否能获得明显优于EKF的估计性能这一问题。通过仿真及实验对比,分析了采样周期以及滤波器参数对UKF及EKF估计性能的影响,从各个方面评估、比较了UKF与EKF的转速估计性能。仿真及实验结果表明UKF并不能以预想的突出优势在感应电机转速估计问题上取代EKF,EKF仍旧是这一特定问题的最有效和最可行的算法。

基于卡尔曼滤波器组的多重故障诊断方法研究

针对缺乏有效的用于处理多重(两重及以上)加性故障隔离问题的诊断方法的现状,本文提出了一种新的基于卡尔曼滤波器组的控制系统多重故障的检测与隔离算法.通过构造多个结构不同的卡尔曼滤波器并设计相应的残差,使得每个残差仅对执行机构或传感器某个故障敏感而对其余故障不敏感,最终实现多重故障检测与隔离.除此之外,通过理论推导以及仿真分析,证明了所提出的故障检测与隔离算法的优越性.