基于双重扩展卡尔曼滤波器的共轴跟踪技术研究

为了解决光电经纬仪由于机动目标运动模型不准确而引起的跟踪精度下降的问题,采用了单隐层前向神经网络(SLFNs)进行建模,提出了基于状态参数双重扩展卡尔曼滤波估计的共轴跟踪控制技术。仿真与实验结果显示,对83.33°sin0.6t的等效正弦目标的速度估计最大误差为0.070 9(°)/s,跟踪精度为2.42′;对旋转周期为4.5 s的光学动态靶标的跟踪精度达到2.96′以内。由此可见,所建立的模型与机动目标实际模型匹配,双重扩展卡尔曼滤波器(DEKF)能快速跟踪和估计状态参数。与传统控制方法相比,提出的方法具有更高的跟踪能力,能有效提高系统的跟踪精度。

基于双重扩展卡尔曼滤波汽车防碰撞模型研究

针对现有的汽车防碰撞高速扇形预警模型,文章提出了基于双重扩展卡尔曼滤波的高速扇形预警模型。根据双重扩展卡尔曼滤波原理,将车辆状态和路面附着系数估算过程形成闭环控制,实现了对车辆状态和路面附着系数的准确估算;建立汽车的四自由度动力学模型和魔术轮胎模型,结合Carsim和Matlab/Simulink软件进行联合仿真。仿真实验结果表明,该模型能够实时监测路面附着系数,正常预警。

基于FFRLS-DEKF的锂电池SOC-SOH联合估算研究

以锂电池为研究对象,构建二阶RC等效电路模型,并通过遗忘因子递推最小二乘法(FFRLS)实现电池模型的参数辨识,应用扩展EKF估算电池SOC,实现了平均误差为4.83%的准确度。为了全面评估电池性能,同时考虑到SOC与SOH的相互影响,提出一种基于双重扩展卡尔曼滤波(DEKF)算法的SOC与SOH联合估计方法,通过在不同SOC初值条件下验证所提出的联合算法,得到SOC平均误差为1.23%,SOH平均误差为0.681%,实验结果验证了联合估计方法的精准性和可靠性。

基于多信息融合的车辆状态参数估计

如何获得不同道路条件下的车辆行驶状态,是底盘一体化集成控制系统设计中首先要解决的问题。针对汽车实际行驶过程中,外界干扰及测量条件等因素的影响使汽车行驶状态的关键参数很难通过车载传感器直接获得,提出了采用多信息融合的车辆状态参数估计算法。建立了15自由度车辆模型和车辆多状态参数估计的状态方程;利用多信息融合理论采用双重扩展卡尔曼滤波方法实现了车辆状态参数的实时估计。估计算法与CarSim仿真结果对比显示,信息融合方法具有较高的估计精度,为实车状态参数估计算法研究提供了理论指导。