基于交互式多模型卡尔曼滤波的主动悬架控制

针对固定状态观测器难以保证路面自适应悬架状态观测精度的问题,本文中在交互式多模型卡尔曼滤波(IMMKF)的基础上,建立了悬架状态观测器与控制器。首先基于LQG算法与模糊控制算法建立了路面自适应主动悬架系统。结合谐波叠加法,生成A-B-D-C级空间域路面不平度模型,作为仿真系统的输入。其次以各级路面的最优LQG模型为子模型建立了3种IMMKF悬架状态观测器与控制器。仿真对比表明:14模型的IMMKF悬架状态观测器相对于普通卡尔曼滤波观测器的观测精度最大可提升98.17%,并可用于识别路面等级,并且基于14模型IMMKF的自适应主动悬架控制器的车身加速度相对于被动悬架降低了75.99%、相对于普通LQG主动悬架降低了47.16%,验证了模型的优越性。

交互式多模型卡尔曼滤波的车辆悬架系统状态估计

针对车辆悬架状态无法准确估计的问题,设计了自适应交互式多模型卡尔曼滤波(IMMKF)状态观测器.首先,建立了标准路面激励模型与四分之一线性化悬架模型;然后,利用递归最小二乘方法与IMMKF理论,设计了不同工况下广义悬架模型自适应IMMKF状态观测器;最后,分析了在标准C级路面激励工况下簧载质量变化对悬架系统状态估计的影响.仿真与台架试验结果表明,在簧载质量变化工况下,所设计的自适应IMMKF状态观测器与传统卡尔曼滤波状态观测器相比其估计精度至少可以提高20%.

基于交互式多模型卡尔曼滤波的AUV超短基线跟踪算法

在复杂海洋环境下,利用超短基线对自主水下航行器(AUV)进行跟踪定位可能会受到各类误差的影响,通常采用以最小均方误差为准则的卡尔曼滤波对动态定位数据进行处理。构建起与目标实际运动相匹配的运动模型,是保证卡尔曼滤波精度和可靠性的重要基础,而AUV具有机动性较强的特点,往往难以先验性地确定单一的运动模型实现对所有运动状态的匹配。针对基于单模型卡尔曼滤波无法全程适应水下目标的所有运动状态的问题,采用交互式多模型卡尔曼滤波方法处理AUV的超短基线跟踪数据,运动模型之间通过概率矩阵转移来增强运动状态的适应性,实验结果表明该算法在多模型集合构建合理的情况下,其状态适应性优于单模型卡尔曼滤波算法。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波(FOMIUKF)算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。

小波分析的自适应卡尔曼滤波模型在地铁隧道变形监测中的应用

为了加强地铁安全保护机制,基于测量机器人智能化、自动化的特点,对某试验区的地铁隧道进行变形监测,选择Trimble S9 HP测量机器人进行数据采集,通过云平台进行数据处理及变形分析,最后利用小波分析的自适应卡尔曼滤波模型对后期形变量进行预测。结果表明,自动测量机器人的测量精度满足隧道监测要求,完成了地铁隧道变形监测的预设目标,分析隧道结构的变形特征并通过小波分析的自适应卡尔曼滤波模型进行变形预测,所得预测数据精度较高,可以为今后工程建设和地铁维护提供参考。

卡尔曼滤波优化的高斯过程回归模型

为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.

基于集中式卡尔曼滤波干扰观测器的无模型自适应控制

针对一类具有测量扰动的离散时间非线性系统,提出一种基于集中式卡尔曼滤波干扰观测器的无模型自适应控制方法。利用动态线性化方法构造被控系统的线性化数据模型;根据线性化数据模型和传感器的测量数据,设计最优集中式卡尔曼滤波干扰观测器;并利用观测器的输出在线调整伪偏导数,提出系统的控制更新方案。该方案的设计和分析不依赖于除输入输出数据的任何模型信息,可避免常规无模型自适应控制方法容易受测量扰动的影响。仿真结果表明:与基于单个传感器卡尔曼滤波干扰观测器的无模型自适应控制方法相比,提出的基于多传感器最优集中式卡尔曼滤波干扰观测器的无模型自适应控制方法具有更好的跟踪性能和更大的数据信噪比。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

奇异值分解五阶容积卡尔曼滤波汽车状态估计

针对三阶滤波对高维汽车非线性模型估计精度有限的问题,以电动汽车为研究对象,提出了一种基于奇异值分解的五阶容积卡尔曼滤波(SVD-FCKF)车辆状态估计器。首先基于Dugoff轮胎模型,构建高维非线性7自由度车辆动力学模型。然后根据三阶球面-径向容积规则将CKF拓展到五阶,使其具有五阶泰勒级数展开精度,同时利用奇异值分解代替传统Cholesky分解,提高估计器的鲁棒性。最后利用Carsim和Matlab/Simulink联合仿真平台对SVD-FCKF进行验证,结果表明:改进的SVD-FCKF估计器能够有效提高电动汽车纵向速度、侧向速度、质心侧偏角和四轮转速的估计精度和稳定性,多工况适应能力强,整体估计效果优于CKF估计器。研究结果为电动汽车主动安全研究提供了理论支撑,具有实际应用价值。

基于卡尔曼滤波的交互式多模型GPS定位方法研究

针对GPS定位中,由于模型单一而不能适应环境影响或机动过程变化的问题,提出将交互式多模型算法引入到定位方法中。文中详细阐述了基于卡尔曼(Kalman)滤波的交互式多模型(IMMKF)算法原理及其在GPS定位中的应用。根据静态单点定位实测数据的试验分析,验证了变噪声模型的IMMKF能很好地适应环境噪声的变化;进一步通过动态定位仿真,说明了IMMKF算法在动态过程中能对多模型进行有效的融合,在很大程度上弥补了单模型的不足。

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高。针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法。该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波。与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度。

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。

基于求积分卡尔曼滤波的交互式多模型算法

针对非线性系统中的多模型估计问题,将求积分卡尔曼滤波算法应用到交互式多模型算法过程中,提出一种基于求积分卡尔曼滤波的交互式多模型算法。该算法不需要求取非线性方程的雅可比矩阵,且能够获得比基于不敏卡尔曼滤波的交互式多模型方法更高的滤波精度。仿真结果证明了该算法的有效性。

一种用于车辆定位的交互式多模型两级卡尔曼滤波（英文）

为了解决一般状态增强型卡尔曼滤波和两级卡尔曼滤波在微机械惯性传感器不确定噪声的影响下难以获得良好定位性能的问题,提出一种新型的基于交互式多模型的两级卡尔曼滤波方法来适应微机械惯性传感器的不确定噪声.根据不同的噪声特性,建立3个偏差滤波器来覆盖大范围的噪声水平.交互式多模型算法根据3个偏差滤波器可以准确估计出惯性传感器的偏差值,并用来修正无偏差滤波器.因此,应用所提出的滤波方法后,车辆定位系统在不确定噪声的影响下也能获得较好的性能.实验结果显示所提出的交互式多模型两级卡尔曼滤波的平均定位误差比一般两级卡尔曼滤波方法低25%.

基于卡尔曼滤波的动力电池SOC估算

由于传统无迹卡尔曼滤波估算方法具有局限性,为了能准确估算动力电池荷电状态(state of charge,SOC),提出了一种基于无迹卡尔曼粒子滤波的动力电池SOC估算方法.以三元锂电池为研究对象,建立了电池二阶RC等效电路模型,通过对电池进行充放电试验辨识出模型参数,并验证模型准确性.采集了实际工况下的电池数据,分别用无迹卡尔曼滤波算法、粒子滤波算法和无迹卡尔曼粒子滤波算法估算电池SOC,在MATLAB中进行了仿真试验,并对估算的电池SOC进行比较.结果表明:无迹卡尔曼粒子滤波算法可以快速准确地估算出电池SOC,误差小于2.5%,优于另外2种算法.

一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法研究

针对多节点被动协同定位模式下,海面高机动目标定位结果随测向误差跳变的问题,提出一种基于交互多模型卡尔曼滤波的被动协同定位滤波算法;通过仿真模拟一条由多种运动状态组合而成的航迹,各子航迹对应不同的运动模型,对比了常规卡尔曼滤波算法和交互多模型卡尔曼滤波算法对复杂场景的滤波效果,仿真结果表明后者具备更好的滤波性能。

基于Koopman算子与卡尔曼滤波的同步发电机动态状态估计

动态状态估计是监测同步发电机动态行为的重要手段,准确的动态状态估计结果对于指导电力系统安全运行与高效控制具有重要意义。从数据驱动的角度出发,提出了基于Koopman算子与卡尔曼滤波的同步发电机动态状态估计方法。该方法首先利用汉克尔动态模态分解算法从发电机动态响应数据中提取Koopman算子,进而以提取的Koopman算子为基础构建同步发电机状态空间模型,并利用卡尔曼滤波对同步发电机状态变量进行动态估计。该方法无须事先构建发电机模型及参数,实现了完全数据驱动的动态状态估计。仿真实验结果表明,在发电机模型及参数失配的情况下该方法估计精度明显高于传统以模型为基础的估计结果,具有较好的自适应性和鲁棒性。

稳态卡尔曼滤波优化方法研究

微机电系统(Micro-electromechanical Systems,MEMS)陀螺仪测量精度低、噪声大等不足,亟需对微机电陀螺仪输出信号进行数字滤波处理。针对传统卡尔曼滤波方法在信号处理初期对协方差初始值依赖较大的问题,基于陀螺仪实时输出信号,在线分析数据、辨识误差类型,利用动态性高的时间序列模型描述陀螺仪输出角速度,实时构建陀螺仪信号自回归一阶模型,根据自回归一阶模型分析卡尔曼滤波器协方差、状态预测误差、量测误差等,深入研究稳态卡尔曼滤波实时优化方法,直接计算每一个时刻最优方差和最优卡尔曼增益,使得每一个时刻都可以达到稳态情况下的最优估计,消除传统卡尔曼滤波方法初期对协方差初始值的依赖。采用MPU6050作为微机电陀螺仪测试样机进行了试验验证,结果表明:与传统卡尔曼滤波方法相比,稳态卡尔曼滤波方法在滤波初期输出结果的平均值可提升93.33%,标准差可提升96.87%,实现微机电陀螺仪信号最优估计,满足微机电陀螺仪实时滤波、快速优化的需求。

基于交互式多模型平方根容积卡尔曼滤波的船舶轨迹跟踪

[目的]针对船舶运动状态变化复杂场景下扩展卡尔曼滤波(EKF)的误差不稳定,以及单一运动模型的表征能力受限等问题,提出一种基于交互式多模型(IMM)平方根容积卡尔曼滤波(SCKF)的船舶轨迹跟踪算法。[方法]引入SCKF,并代替EKF来执行自动识别系统(AIS)数据的轨迹跟踪;采用交互式多模型框架将恒速直线模型(CVM)、当前统计模型(CSM)和恒定转向率模型(CTM)及改进的CTM模型进行交互融合,形成3种组合模型来表征AIS轨迹的运动状态,并进行船舶轨迹跟踪实验。[结果]结果显示,对于航向、航向率和航速均发生变化的轨迹,采用组合模型1跟踪时,在轨迹6中SCKF相比EKF的位置信息的均方根误差变化幅度小,精度提高了30.06%;采用组合模型3跟踪时,相比EKF,SCKF在轨迹6中位置信息的均方根误差波动的范围最小,误差减小了60.80%,组合模型3的性能最好,但计算量也最大;对于航速不发生变化的复杂轨迹,采用组合模型2跟踪的性能接近组合模型3。[结论]所提方法能够提高AIS数据的精度并保证AIS数据误差波动的稳定性,为提高船舶运动跟踪和监测提供了可能性。