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.

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。

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。

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。

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.

一种基于联邦卡尔曼滤波器的多源信息融合定位算法

为提高车载组合导航定位系统的容错能力和信息源扩展能力,设计了一个联邦卡尔曼滤波器,搭建了一种开放式算法架构,选取了SINS/GNSS/里程计/高程计四种典型的车载定位信息源进行融合。算法框架以SINS为主参考系统,分别与其它信息源组成了子滤波器,子滤波器的输出结果经故障诊断和系统重构后,进入主滤波器进行信息融合。进行了仿真试验和实车试验,试验结果表明:该算法在降低误差状态维数,具备容错能力的情况下,达到了集中式卡尔曼滤波器的定位精度,提高了车载定位系统的环境适应性和信息源扩展性。

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%。

基于Unscented卡尔曼滤波器的管道泄漏的快速检测与定位

针对扩展卡尔曼滤波器(EKF)对非线性模型进行状态估计时,需要将非线性模型进行线性化,而天然气管道模型的非线性程度十分严重的情况,提出一种基于无偏卡尔曼滤波器(UKF)估计的管道泄漏检测与定位方法。该方法是一类用采样策略逼近非线性模型的方法,避免了线性化,并且不需要计算Jacob矩阵,UKF的收敛速度明显优于EKF,能够快速地检测出泄漏。仿真结果说明UKF在泄漏检测中相对于EKF的优势。

一种带多重次优渐消因子的扩展卡尔曼滤波器

本文提出了“强跟踪滤波器”的新概念,给出了强跟踪滤波器的一般结构,并提出了一个正交性原理用于此类滤波器的设计.在此基础上,提出了一种具有强跟踪滤波器性能的带多重次优渐消因子的扩展卡尔曼滤波器(SMFEKF),改进了文献[1]中提出的一种带单重次优渐消因子的扩展卡尔曼滤波器(SFEKF).数值仿真说明了SMFEKF的有效性.

基于卡尔曼滤波器的交流伺服系统自适应滑模控制

为了减小负载转矩扰动和系统参数摄动对永磁同步电机控制系统的影响,提出了一种基于卡尔曼滤波器的自适应滑模速度控制器。该控制器由自适应律估计参数摄动项,用卡尔曼滤波器估计外部扰动项。设计了含积分作用的滑模面,以保证电机转速的无静差跟踪;采用了指数趋近律,以提高趋近速度并削弱抖振。卡尔曼滤波器估计得到的系统外部扰动前馈补偿至控制器的输出,用于有效降低滑模控制器的不连续切换项造成的系统抖振。实验结果显示:跟踪设定的600r/min转速时,控制器稳态转速精度达到±1r/min。电机在以600r/min稳速运行时,设计的控制器在1.6N·m的外部转矩扰动下的最大转速波动比传统PI控制器的转速波动减小了2%。仿真分析和实验数据表明基于卡尔曼滤波器的自适应滑模控制器对交流伺服控制系统具有较强的抗扰动性、鲁棒性以及良好的稳态性能。

低阶卡尔曼滤波器在低成本SIAHRS中的实现研究

在导航系统的工程应用中 ,高阶滤波器将给导航计算机带来沉重的计算负担 ,也会带来较大的模型误差 ,从而影响系统的滤波精度和性能。文章介绍了低成本捷联惯性航姿系统 (SIAHRS)中低阶卡尔曼滤波器的设计和实现 ,针对航姿系统提出了一种低阶滤波器结构 ,结合磁传感器对航姿系统的航向角进行了组合修正 ;并且以实际研制的低成本航姿系统为例 ,讨论了航姿系统的组成 ,将低阶滤波器应用于该航姿系统。实践结果表明 ,这种低阶滤波器能完全保证低成本捷联航姿系统的姿态精度 ,是一种具有实际应用价值的滤波器 。

基于卡尔曼滤波器的背景抑制及小目标检测

提出了一种采用卡尔曼滤波器作为杂波背景预测器的小目标检测方法 .相比较于传统的梯度下降算法 ,该方法充分利用了假设的杂波图像模型 ,并且算法中也没有影响检测性能的步长参数 ,因而具有更好的检测性能 .实验表明 ,该方法能有效地抑制杂波 ,并同时增强小目标的信号 .

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。

卡尔曼滤波器参数分析与应用方法研究

介绍卡尔曼滤波器及其各种衍生方法。首先给出卡尔曼滤波器的算法流程以及所有参数的含义,并对影响滤波效果的五个主要参数进行了讨论。然后通过仿真实验研究不同的参数取值对于卡尔曼滤波的影响。最后总结在不同应用场景下使用卡尔曼滤波器的宗旨和要点。