基于IQPSO-EKF的多传感器融合姿态测量方法研究

为解决自动化竖井掘进设备的定位调姿精度对竖井、孔桩挖掘效率与质量的影响,提出了一种基于改进量子粒子群(IQPSO)-扩展卡尔曼滤波(EKF)的姿态测量算法,以提高微机电系统(MEMS)传感器测量精度。首先,对MEMS传感器数据进行了预处理(除噪、滤波、校准等);然后,参考现有飞行器的坐标系,建立了姿态解算模型,通过姿态角数学模型及运动学分析,构建了EFK状态方程,针对EKF方法参数估计不准确的问题,以分段混沌映射优化初始种群,引入平均位置最优值来避免陷入局部最优的IQPSO-EFK算法,优化EKF的系统、测量噪声的协方差参数;最后,对改进算法和三组姿态误差估计进行了对比实验。研究结果表明:对比三种典型目标函数,IQPSO-EFK相较于普通粒子群算法(QPSO-EFK)具有更强的寻优能力与收敛精度;对比三组旋转速度姿态测量误差,基于IQPSO-EKF算法的姿态测量方法在测量误差时比真实测量误差减少了约86.3%,比扩展卡尔曼滤波减少了约68.7%,比普通粒子群算法减少了约28.2%,证明该算法有效地提高了MEMS传感器测量精度。

一种基于Madgwick-EKF融合算法的卫星姿态测量方法

针对低地球轨道卫星姿态测量时,传感器易受噪声干扰、陀螺仪漂移等问题,提出一种基于Madgwick扩展卡尔曼滤波合算法(EKF)的卫星姿态测量方法。该方法采用陀螺仪、加速度计、磁强计等多传感器数据进行融合,并结合Madgwick算法和EKF算法的优点,实现姿态测量。首先,通过Madgwick算法,利用多个传感器测量数据计算初始姿态。然后,基于初始姿态和实际测量数据,应用EKF算法进行数据融合和噪声滤除,以获得最终准确的姿态估计。实验结果表明:相较Madgwick算法,本算法在测量精度上提升了65.8%,且具有较高的鲁棒性,为低地球轨道卫星姿态测量提供了一种有效的方案。

基于EKF-GRU的车辆轨迹预测

为提升行车安全,实现自动驾驶车辆正确的决策规划,提出基于扩展卡尔曼滤波(EKF)-门控循环单元(GRU)的车辆轨迹预测方法,结合学习方法与物理模型,在提升预测精度的同时,提高轨迹预测的合理性。首先,基于GRU构建预测网络,通过提取车辆的历史轨迹特征预测车辆的纵向加速度及横摆角速度;其次,基于车辆非线性运动学构建EKF状态估计器,结合观测值生成车辆未来有限时域的行驶轨迹;最后,在高速公路多车轨迹数据集NGSIM I-80和US-101上进行轨迹预测方法验证。结果表明:采用传统的物理模型生成预测轨迹,其最终距离误差(FDE)、均方根误差(RMSE)、平均距离误差(ADE)值分别为6.48、7.69和3.03 m。相比之下,利用EKF-GRU生成的预测轨迹表现出更高的准确性,对应的数值分别为5.45、6.67和2.56 m,分别提升15.90%、13.26%和15.51%。

基于高阶EKF的锂电池SOC测算精度研究

锂电池荷电状态是电池管理系统运行的前提和核心任务,为能够准确跟踪测算电池SOC值,以18650-20R型锂电池为主要研究对象,建立二阶Thevenin等效电路模型,经脉冲特性实验对电路模型参数进行辨识,在恒流、脉冲放电及Fuds工况下验证模型的准确性,并在此基础上实现了利用一阶、二阶及高阶EKF算法对电池荷电状态的估计。最后通过Matlab仿真结果验证,高阶EKF在锂离子电池动静态SOC测算时均具有更高的测算精度。

基于Mahony-EKF算法的手臂运动姿态测量系统

针对传统姿态解算方法效率迟缓、精度低下及稳定性差等问题,提出一种基于Mahony和扩展卡尔曼(EKF)相融合的算法,并开发出一种新型人体手臂姿态测量系统。首先,通过STM32微处理器采集MEMS传感器测得的数据,借助Mahony滤波器解算加速度计、磁力计和陀螺仪的数据,以此得到初步姿态四元数。其次,将初步姿态四元数作为EKF量测值,依据非重力加速度调节量测噪声协方差矩阵。然后,根据陀螺仪测得的角速度信息建立EKF状态方程,通过EKF滤波更新状态,获取解算融合后的手臂姿态数据。最后,将数据发送到上位机,通过上位机软件实时监测姿态角数据,再构建三维模型实时还原手臂的运动状态。经实验验证,应用EKF算法矫正Mahony滤波解算出的姿态数据,不仅可以使误差减小到0.5°、消除超调量和降低噪声干扰,还能有效克服传统姿态解算方法中需要大量数据集和计算时间长问题,从而抑制了随机波动,提高姿态解算精度。

基于AFEKF的锂离子电池SOC估算方法

针对利用扩展卡尔曼滤波算法估算锂电池荷电状态时,由于历史数据影响易产生累积误差的问题,提出了一种基于自适应渐消扩展卡尔曼的SOC估算方法。选用Thevenin等效模型并用递推最小二乘法进行电池参数辨识,通过将自适应渐消因子引入EKF算法中,抑制历史数据对当前状态估算的影响,完成锂电池SOC估算。结果表明:AFEKF算法在递推20次时可有效收敛,具有较好鲁棒性,估算SOC的平均误差为1.03%,误差均方根为1.21%,平均运行时间为1.476 s,可以较好地模拟电池的动静态特性。

基于EKF算法的纯电动汽车锂电池SOC与SOH联合估算

为提高对动力电池的荷电状态(state of charge, SOC)估算精度、动力电池的健康状态(state of health, SOH)对锂电池性能的影响,提出一种扩展卡尔曼滤波(extended kalman filtering, EKF)联合估算算法。根据现有的实验数据,分析锂电池特性,构建二阶RC等效电路模型,并进行参数辨识,搭建MATLAB仿真平台联合EKF算法进行SOC估算,将仿真结果与真实数据进行对比,结果表明,EKF联合估算SOC比EKF估算SOC误差精度约高1.2%,且抗干扰能力更强。

基于SR-EKF的UWB/IMU组合室内定位系统

UWB定位技术定位精度高、系统结构搭建简单,但在遮挡物影响下性能降低.IMU计算目标位置不受周围环境干扰,长时间工作会存在误差累积.本文提出一种基于平方根扩展卡尔曼滤波法(Square Root-Extended Kalman Filter,SR-EKF)的惯性测量单元(Inertial Measurement Unit,IMU)/超宽带(Ultra-Wideband,UWB)组合室内定位技术.平方根扩展卡尔曼滤波融合IMU/UWB测量数据,通过提高描述状态量的协方差矩阵精确度,进而对状态量校正.同时能够补偿IMU误差累积,降低加速度计和陀螺仪零偏,克服复杂环境下未知影响,提高定位精度.实验结果显示,定位算法能够有效反馈IMU进行误差补偿,并缩小算法估计位置与真实位置之间的误差值,实现高精度目标定位.

基于CEP的重力自适应并行EKF匹配算法

针对现有惯性/重力/重力梯度组合导航EKF匹配算法滤波状态方程存在模型误差以及惯性导航系统定位存在累积误差而造成的滤波失准乃至发散问题,提出一种基于CEP(Circular Error Probable,圆概率误差)的自适应并行EKF匹配算法.该算法首先通过自适应因子调节状态预测信息的权重,削弱预设动力学模型不准确产生的误差;同时利用惯性导航系统圆概率误差半径构建基于CEP的移动窗口分层模型,然后根据滤波量测值与窗口坡度等信息,对移动窗口范围进行约束;最后组建分层窗口并行滤波器,得到最优匹配结果.南海海域实验结果表明,基于CEP的自适应并行EKF匹配算法相较于传统EKF算法和自适应EKF算法的水下重力匹配导航定位精度分别提升了74.0%和49.8%.该算法能够在一定程度上克服惯性导航系统由于时间推移误差积累的缺陷,提高系统导航定位精度,增加匹配算法的鲁棒性.

结合EKF与LSTM神经网络的授时/守时算法

本文研究了一种在卫星授时下,提高授时信号的授时精度和守时能力方法,即利用晶振计数器,记录下每个秒脉冲时刻的晶振频率信息;将记录历史信息输入到扩展卡尔曼滤波器(extended Kalman filter,EKF)中进行滤波,消除卫星秒脉冲信号的随机误差,提取北斗卫星前N t_(CN) k fre(k)k v(k)秒秒脉冲的累计时间、时刻的晶振频率、时刻晶振变化速率;并将经过EKF输出的历史数据作为训练集,输入到长短期记忆(long short-term memory,LSTM)神经网络中建立预测模型;通过控制变量法进行算法参数调试,找到最适合的预测模型.试验结果表明:授时算法输出的授时信号精度最大误差为34 ns;授时算法8 h累计误差为1.001μs,平均误差小于0.125μs/h.有效地提高了系统授时和守时精度.

基于二阶近似EKF的永磁同步电机无传感器控制策略

在永磁同步电机(PMSM)无感控制中,采用扩展卡尔曼滤波(EKF)来估计PMSM的转子位置和转速,采用一阶Taylor展开对系统状态模型进行线性化,省略二阶及以上项会带来较大的建模误差。针对该问题,提出了基于二阶近似的EKF方法,保留二阶偏微分项,提高了系统模型精度。仿真实验证明,该方法可以获得比传统方法更精确的估计结果。

使用KF/EKF算法的新能源汽车电池组故障在线监控系统

本文介绍了一种使用KF/EKF算法的新能源汽车电池组故障在线监控系统。该系统使用KF/EKF算法,采取了Android的运行形式,实现了登录、通信、显示(电池参数显示和地图显示)和设置功能,能够对新能源汽车电池组的故障监控,延长新能源汽车电池组的使用寿命,提升新能源汽车电池组的健康水平等目标。

基于RLS和EKF算法的锂离子动力电池荷电状态估计

电池荷电状态(SOC)是电动汽车电池管理系统的关键参数之一,影响着整车性能与安全。文章以一阶Thevenin等效电路作为电池模型,采用递推最小二乘法(RLS)对电池进行参数辨识,再运用扩展卡尔曼滤波(EKF)算法估算电池的SOC。将估算结果与试验测量结果进行对比,结果显示,RLS-EKF的联合算法可有效估计电池的SOC值,估算误差值基本保持在2%以内。

基于EKF的星地协同测向时差定位算法

针对无源定位协同化需求,文章提出一种利用到达角、到达时间差的星地协同定位方法,分别研究其定位原理,建立数学定位模型,给出解算方法以及定位精度的表达式,推导基于测向时差参数的扩展卡尔曼滤波(EKF)算法。仿真结果表明该方法能够达到较高的定位精度;此外,该定位模型仅需单星,避免了传统星载平台定位需要寻找匹配邻星的问题,与机动平台配合,可对辐射源进行快速高效定位,具备一定的工程应用价值。

基于多开路电压曲线结合EKF的锂电池SOC融合估计

准确估计电池的荷电状态(state of charge,SOC)对电动汽车具有重要意义。针对单一的锂电池开路电压曲线对基于模型SOC估计方法的局限性,提出了一种应用多开路电压曲线结合扩展卡尔曼滤波的锂电池SOC融合估计方法。利用SOC与对应开路电压之间的离散数据,通过多项式拟合和含有对数函数的复合函数拟合方式,获得了两种开路电压曲线。分别基于这两种开路电压曲线并结合扩展卡尔曼滤波算法,获得了各自的SOC估计结果。利用加权求和对获得的SOC进行融合,得到最终的SOC估计结果。在动态应力测试工况和美国联邦城市驾驶工况下,验证了所提方法的有效性。两种工况下,SOC融合估计的平均绝对误差和均方根误差均出现了明显下降。

基于RP-EKF的无人机动力系统参数辨识

针对无人机动力系统电池电压波动导致系统噪声大、辨识结果精度低的问题,本研究提出了一种基于反向预测-增广卡尔曼滤波(RP-EKF)的无人机动力系统参数辨识方法。首先构建增广参数矩阵,将压降噪声模型考虑入辨识环节,其次提出反向预测卡尔曼滤波算法,设定新息平方比阈值,计算原始预测新息平方与反向预测新息平方的比值,通过对比预测新息比与阈值完成过程噪声调整并实现估计模型修正。实验结果表明,本文提出的基于RP-EKF的参数辨识方法,平均误差为39.22 rpm,均方根误差为55.85 rpm,平均相对偏差为0.85%,相比于最小二乘算法与卡尔曼滤波算法,本文方法辨识结果平均误差分别提高41.51%和22.26%,均方根误差提高49.63%和13.0%,平均相对偏差提高41.7%和22.7%。本文提出的算法拥有更高的辨识精度。

基于EKF融合的室内定位技术研究

针对单一室内定位技术的局限性,提出了一种基于扩展卡尔曼滤波(EKF)融合WiFi和行人航位推算(PDR)的定位方法。不同于传统WiFi指纹定位,本文基于随机森林(RF)模型建立多个基分类器,取投票结果的众数作为输出结果;通过采集手机内置传感器数据解算行人的步频、步长,并基于四元数进行航向估计。本文在EKF融合定位时,根据状态模型得到状态的预测值,RF模型输出观测值,根据观测值更新状态估计,推算下一时刻位置。试验表明,本文研究的融合算法的定位精度可达到1.26 m,比单一定位算法定位精度提高了1.07 m。

基于EKF的农机智能体自主导航算法研究

为获得更加准确、全面、实时的农田障碍物信息,提高农业机械智能体自主导航定位的精度,提出一种基于北斗系统和视觉导航的组合定位方法。针对农田环境,选择BDS、视觉CCD为外部传感器,设计一种基于扩展卡尔曼滤波器(EKF)的数据融合算法,该算法融合了BDS和视觉传感器数据,实时定位农机智能体的位置。系统通过对导航角度和行驶进度进行跟踪,完成绝对定位。通过机器视觉图像处理,获取导航基准和作业目标信息,完成相对定位。通过试验验证该算法的有效性,并通过卡尔曼滤波算法(KF)的成果进行对比分析。结果表明:滤波后的路径更平滑,抖动偏差减小,坐标数据比KF滤波结果更稳定、更平滑。此外,距离的平均误差可以从滤波前的0.1195 m降低到滤波后的0.070 m,有效地降低了过程噪声。且位置偏差在±0.1 m以内,精度较高,提升了农机智能体自主导航的定位精度。

UKF与EKF在导航定位中的对比研究

为深入研究UKF与EKF两种滤波算法在导航定位应用中的表现,基于对扩展卡尔曼滤波与无迹卡尔曼滤波的原理的介绍,建立起一种导航单目标定位模型,利用无迹卡尔曼滤波方法进行目标定位的仿真并展开分析。通过对目标定位结果与其真实运动轨迹的对比,验证UKF轨迹与真实轨迹的重合情况,将位置估计的平均偏差控制在2m以内,在整个目标定位过程中未发生目标跟踪丢失情况。将仿真得到的结果与真实轨迹进行对比并计算位置估计偏差,以此论证两种算法在性能效果上的优劣。

改进强跟踪EKF算法在MEMS姿态解算中的研究

本文针对四旋翼姿态解算,提出了一种噪声自适应强跟踪扩展卡尔曼滤波算法(ASTEKF)。当机体从平稳状态向机动状态过渡时,由于量测噪声影响会导致算法估计不准确,因此本文首先证明不同时刻新息序列方差满足正交性原理,正交性原理表明,量测噪声对观测值的准确性影响很大;其次,引入Sage-Husa噪声自适应估计器较准确估计系统量测噪声均值和方差,使观测值更准确;最后,通过满足正交性原理条件公式计算次优渐消因子,将次优渐消因子引入协方差一步预测运算式中,得到强跟踪滤波器。次优渐消因子的引入使得一步预测协方差矩阵增大,即增大强跟踪扩展卡尔曼滤波器增益,使系统增加对观测值权重,得到更准确的状态估计值。离线仿真实验和在线实物实验结果表明了所设计算法的有效性。