锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识...锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识精度低、收敛速度慢的问题。为此,将电路分析法与FFRLS相结合,提出基于改进初值带遗忘因子的递推最小二乘法(improved initial value-FFRLS,IIV-FFRLS)。首先,通过离线辨识得到各荷电状态点对应的等效电路模型参数并进行多项式拟合;然后,利用初始开路电压(open circuit voltage,OCV)和OCV-SOC曲线获得初始SOC,代入参数拟合函数得到初始参数;最后,将初始参数带入递推公式得到IIV-FFRLS迭代初始值。对4种锂电池工况进行参数辨识,结果表明:与传统方法相比,IIV-FFRLS的平均相对误差、收敛时间分别减小58%、23%以上;IIV-FFRLS具有更高的辨识精度与更快的收敛速度。展开更多
自动落布车位姿估计的准确性是影响其在纺织车间内同时定位与地图构建(simultaneous localization and mapping,SLAM)的关键因素。在进行自动落布车位姿估计时,遇到观测噪声异常变化或噪声协方差与算法不匹配等情况时,无迹卡尔曼滤波(un...自动落布车位姿估计的准确性是影响其在纺织车间内同时定位与地图构建(simultaneous localization and mapping,SLAM)的关键因素。在进行自动落布车位姿估计时,遇到观测噪声异常变化或噪声协方差与算法不匹配等情况时,无迹卡尔曼滤波(unscented Kalman filter,UKF)难以准确估计小车的位置和姿态。针对此问题,将误差序列协方差估计与遗忘因子同时引入UKF进行改进,提出了一种改进的自适应UKF自动落布车位姿估计算法。通过误差序列协方差估计对观测噪声协方差矩阵R进行调整,引入遗忘因子对R进行自适应更新,进而得到自动落布车位姿的最优估计。实验结果表明,在高斯噪声环境下,改进的UKF算法比其他算法具有更好的鲁棒性和估计精度。改进后的UKF位姿估计算法代入Cartographer算法后建图误差值减小,表明此算法能够在室内复杂环境下达到更加精确的位姿估计。展开更多