基于IMU/GNSS/车速传感器的矿用车定位系统研究

针对使用低精度惯性测量单元(inertial measurement unit,IMU)的矿用车定位系统存在无法与混合动力能量管理控制策略相结合的问题,本文设计了一种融合IMU、GNSS和车速传感器信号的定位系统。该系统的结构基于直接配置扩展卡尔曼滤波方法,滤波器由运动学模型和传感器误差模型组成。引入车辆车速传感器信号,对车辆车速进行修正,作为预测下一步位置的辅助信息。该体系结构的设计方式使其易于标定不同传感器参数,以便应用于不同定位需求的车辆。同时,为了测试本文所设计系统的性能,选取青岛大学校内路段,采用不同精度的车速传感器对定位系统进行仿真实验,并将仿真实验结果与传统定位方法进行对比。仿真结果表明,融合IMU、GNSS和车速传感器信号的定位系统,定位误差大幅减小,车辆在出现胎压不足或车轮打滑时,定位系统的定位精度依然满足需求,定位精度显著提高,并在车速传感器精度受到干扰的情况下,具有较好的鲁棒性,可较好适应各种恶劣路况,证明本算法是一套稳健可靠的低精度传感器融合定位算法。该研究具有一定的实际应用价值。

混合算法优化的乘用车舱内噪声感知烦恼度神经网络建模

针对传统乘用车舱内噪声感知烦恼度量化模型精度低的问题,提出了一种利用混合算法优化的神经网络模型预测舱内噪声感知烦恼度的评价方法。此混合算法融合麻雀搜索算法(SSA)和遗传算法(GA),对反向传播(BP)神经网络进行优化,根据声品质主客观评价数据,建立SSA-GA-BP网络的乘用车舱内噪声感知烦恼度客观量化模型,与BP模型、GA-BP模型、SSA-BP模型进行对比分析。结果表明,SSA-GA-BP模型能够实现更高的预测精度,更接近主观评价数值,泛化能力更强,可替代传统的声品质主观评价实验。