误差状态卡尔曼滤波的视觉惯性自适应融合定位方法研究

头盔瞄准具(HMS)是近年来新一代战斗机飞行员的辅助瞄准设备,能够帮助飞行员增强战场态势感知能力,对敌方目标进行快速、精准打击。其能正常工作的关键是获取飞行员头部相对于运动飞机的姿态参数。本文结合头盔瞄准具这一应用场景研究了视觉组合姿态测量关键技术。视觉惯性组合定位能够实现目标位姿测量方法的优势互补,而由于标称噪声矩阵无法绝对准确预测,融合算法的鲁棒性、精度有待进一步提升。针对这一问题,本文提出一种误差状态卡尔曼滤波框架下基于变分贝叶斯推断的视觉惯性自适应融合方法。首先,对于过程噪声使用逆威沙特(Wishart)分布进行建模,之后通过引入隐变量分解一步预测协方差,并结合变分贝叶斯推断实现了对过程噪声协方差矩阵的在线估计。试验证明,在复杂运动及标称噪声协方差矩阵偏移较大的测量条件下,所提位姿测量算法具有较高的精度与鲁棒性,能够完成对靶标的快速、高精度跟踪。

采用改进最大相关熵自适应迭代容积卡尔曼滤波算法的锂离子电池荷电状态估计

针对非高斯噪声干扰下传统滤波算法在估计锂离子电池荷电状态(SOC)时存在不稳定以及精度低的问题,提出一种改进的最大相关熵自适应迭代容积卡尔曼滤波(IMCC-AICKF)算法,用于估计锂离子电池荷电状态。所提算法将加权最小二乘方法与最大相关熵准则(MCC)相结合,定义了一种新的代价权函数作为优化准则,通过优化噪声最小协方差矩阵来减小滤波误差,保证长时间滤波的收敛性和稳定性;再与自适应迭代容积卡尔曼滤波(AICKF)算法相结合,对过程噪声协方差和测量噪声协方差进行更新来提高估计的准确性和鲁棒性。基于两种电池数据,在非高斯噪声干扰下,运用所提算法对电池SOC进行估计,仿真结果表明:与容积卡尔曼滤波(CKF)算法和最大相关熵容积卡尔曼滤波(IMCC-CKF)算法相比,IMCC-AICKF算法对荷电状态估计的最大绝对误差、平均绝对误差和均方根误差都是最小的,且平均绝对误差和均方根误差均小于1%;在给定初始值错误的情况下,IMCC-AICKF算法可以准确收敛到真实值,具有较好的鲁棒性。所提算法在非高斯噪声下能实现更准确的估计,是一种估计精度高且鲁棒性好的SOC估计方法。

面向三维目标跟踪的状态转换卡尔曼滤波方法

雷达及声呐系统采集的三维球坐标量测与运动目标的笛卡尔坐标状态呈非线性,导致跟踪精度受限,而具有强非线性的多普勒量测更难以高效利用。针对上述问题,构造由距离、俯仰角、方位角及其微分组成的状态向量,使测量方程线性化;在距离、俯仰角构成二维时变极坐标系中对常微分动力学方程离散化,再基于投影关系引入方位角,建立球坐标系中的典型三维常速度和常加速度运动模型;结合标准卡尔曼滤波在线性高斯框架下,实现跟踪以避免非线性误差。通过仿真验证了在包括多普勒雷达等若干三维跟踪场景下提出方法的有效性与性能优势。

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。

基于卡尔曼滤波算法的电池状态估计

为更好地获得锂离子电池荷电状态SOC(state-of-charge)估计值,选用二阶等效电路模型作为研究对象,针对带有遗忘因子的递推最小二乘法在参数辨识中易受到噪声等环境因素干扰的缺点,提出偏差补偿最小二乘法来实现模型参数的准确辨识,并结合无迹卡尔曼滤波算法对SOC进行估计。针对无迹卡尔曼滤波算法稳定性差等缺点,提出利用权重向量更新滤波算法中的卡尔曼滤波增益。实验结果表明,所提算法估计SOC的总误差可控制在2.7%以内,验证了算法的鲁棒性和有效性。

基于双无迹卡尔曼滤波的电动汽车状态惯性监测

为了能够对车辆动力惯性参数开展非线性评价,开发了一种分布结构驱动力电动汽车双无迹卡尔曼滤波(Dual unscented Kalman filter,DUKF)方法与状态观测系统联合系统车辆惯性监测方法。采用离散化方法建立车辆非线性动力学观测器,有效满足了车辆的非线性动力学评价要求。研究结果表明:相对DEKF方法,采用DUKF方法观测时达到了更小振荡程度,到达稳态观测阶段时,DUKF达到了更接近实际值的稳态观测效果,促进观测精度的显著提升,可以与非线性车辆动力学评价系统之间达到良好适应性。该研究有助于提高自动驾驶的稳定性,为后续的理论研究奠定一定的基础。

基于无迹卡尔曼滤波的动力电池状态估计

准确预测动力电池的荷电状态(SOC)与健康状态(SOH)对电动汽车电池系统的安全运行至关重要。卡尔曼滤波(KF)算法被广泛用于动力电池的状态估计,但非线性误差较大。提出利用无迹卡尔曼滤波(UKF)算法实现对动力电池状态的准确估计。首先,通过分析动力电池实验数据,建立一阶等效电路模型,模型拟合优度达到0.992。随后,加入容量衰退机制模拟锂离子电池老化过程,并对电池进行恒流充电以及随机放电循环,模拟动力电池实际工况。不同初始值下,SOC、SOH估计的均方根误差均小于0.01,且随着循环次数的增加,误差逐渐减小。

复杂交通流下基于卡尔曼滤波的多目标全生命周期状态估计

针对复杂行车环境下噪声干扰和车辆行车过程中状态变化导致交通场景中目标状态估计精度低的问题,以毫米波雷达为检测传感器,提出涵盖参数初始化和在线更新的基于卡尔曼滤波的多目标全生命周期状态估计方法。首先,建立交通流下多目标运动状态的卡尔曼滤波状态估计模型;基于此,一方面提出基于数据驱动的卡尔曼滤波观测噪声协方差矩阵初始化的新方法,另一方面采用变分贝叶斯方法对卡尔曼滤波参数进行在线更新,以此提高多目标状态估计精度;最后,在算法实现步骤的基础上,利用实车数据开展测试验证工作。实验结果表明,方法的目标状态估计均方误差为0.153,相较于传统卡尔曼滤波减小了36.2%,证明所提出方法对提升车辆感知精度的有效性。

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。

带约束卡尔曼滤波对涡扇发动机状态估计

提出了一种加入线性不等式约束的卡尔曼滤波方法,并用于涡扇发动机的健康状况估计。涡扇发动机数字模型包含10个状态变量、12个量测量、6个控制输入量以及8个健康状况参数。不等式约束不仅保证了状态变量估计在用户自定义的范围内随时间变化平稳缓慢,而且还提高了滤波计算效率,改善了滤波估计精度。同时系统还允许滤波器沿确定的方向修正状态变量估计,以保持状态变量真值恒定。对比传统的无约束卡尔曼滤波,线性化滤波结果显示,该方法对涡扇发动机的健康状况估计尤其行之有效。

基于扩展KRSL无迹卡尔曼滤波的约束动态状态估计

动态状态估计作为监测系统动态变化的有效手段,对电力系统稳定运行具有重要意义。然而,采集和传输的数据中往往存在时变非高斯量测噪声和离群值,使得基于均方误差准则的传统卡尔曼滤波估计方法的精度不高。为此,首先定义广义核风险敏感损失函数,将其引入无迹卡尔曼滤波框架以实现鲁棒状态估计。然后,考虑同步发电机和控制器模型存在不同条件约束,通过伪量测法将约束条件引入上述估计算法中,以解决估计值超出真值变化范围而产生较大估计偏差的问题,从而进一步提升估计精度。最后,应用新英格兰16机68节点网络模型在不同条件下进行仿真实验,以验证算法的有效性。

考虑状态约束的容积卡尔曼滤波估计算法

针对传统非线性滤波未考虑状态约束的局限,提出一种考虑状态约束的容积卡尔曼滤波算法。将状态约束转化为增益约束,结合最小方差估计给出最小约束代价函数;同时,采用相径容积规则近似计算系统状态的后验均值和协方差,给出等式状态约束下的容积卡尔曼滤波递推公式。最后,对路径约束条件下的导航定位系统进行仿真,结果表明算法定位精度优于常规容积卡尔曼滤波算法,较好地解决了非线性系统存在等式状态约束时、常规容积卡尔曼滤波算法不满足约束条件且估计精度差的问题,验证了算法的有效性。

基于自适应无迹卡尔曼滤波算法的锂电池荷电状态预测

针对无迹卡尔曼滤波在噪声不稳定和工况复杂的情况下锂电池荷电状态预测准确度低的问题,提出基于二阶等效RC电路模型,采用遗忘因子递推最小二乘法对模型参数进行辨识,使用自适应无迹卡尔曼滤波算法(AUKF)对锂电池荷电状态进行预测,最后在DST数据工况下,验证预测模型的准确性。对无迹卡尔曼滤波(UKF)算法和提出的AUKF算法进行仿真对比,结果表明:所提算法的最大误差在±0.02之内,预测精度更高、适用性更强。

基于改进自适应卡尔曼滤波算法的锂离子电池荷电状态估计

针对锂离子电池荷电状态(state of charge,SOC)估计过程中传统卡尔曼滤波算法噪声特性难以确定、收敛速度慢及精度差等一系列问题,提出了一种改进自适应卡尔曼滤波算法。首先,建立了电池等效电路模型,并在不同温度和SOC状态下,对模型参数进行了辨识和精度验证。然后,对传统自适应卡尔曼滤波算法系统过程噪声协方差矩阵计算方式进行了正定性优化。此外,在状态估计结果的修正过程中,引入了对模型等误差变化进行补偿的增益因子。最后,通过实验电池的仿真和测试验证了所提算法的有效性。结果表明,在不同温度和工况条件下,SOC的估计误差均在4%以内,改进自适应卡尔曼滤波算法的估计精度和收敛速度均优于改进前的算法和常用的扩展卡尔曼滤波(extendedkalmanfilter,EKF)算法,具有较强的实用性。

考虑采样失准的卡尔曼滤波改进神经网络锌溴液流电池状态估计策略

针对锌溴液流电池自身特性导致的电池状态估计困难问题,该文提出一种适用于锌溴液流电池的卡尔曼滤波改进神经网络荷电状态估计策略。核心工作在于通过神经网络模型解决锌溴液流电池泵转速变化带来的开路电压非线性问题,并进一步将自放电电流加入电池状态方程中,使用考虑自放电电流的卡尔曼滤波方法解决锌溴液流电池的自放电以及采样噪声问题。现场实测数据的验证表明,所提方法的状态估计平均绝对误差0.98%,最大误差3.73%,优于单独使用的安时积分、无迹卡尔曼滤波以及神经网络等方法。同时采样失准情况下的数据验证表明,该方法在单传感器采样失准的情况下也能保持较好的效果,能够满足长时储能应用场景的需求。

虚假数据注入攻击下基于容积卡尔曼滤波的电力系统状态估计

针对虚假数据注入攻击下系统状态估计的问题,以电力信息物理系统为研究对象,根据发电机三阶模型和自动电压调节器模型,建立电力系统的数学模型。采用指数平滑法预测测量值,通过对比预测值与真实测量值,检测系统是否发生虚假数据注入攻击。若检测结果判定系统遭受虚假数据注入攻击,用预测值替代不良数据输入状态估计算法,实现虚假数据注入攻击下不良数据的恢复。将指数平滑法与容积卡尔曼滤波算法结合,提出一种改进的容积卡尔曼滤波算法对系统进行状态估计。以典型的五机电力系统为例进行仿真,仿真结果表明提出的方法能有效抵御虚假数据对系统状态估计造成的不良影响。

基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法

受负荷随机变化、需求响应参与、分布式电源波动、量测装置种类多等因素的影响,容易出现配电网量测数据值异常,导致配电网动态状态估计精度下降。为了提高配电网状态估计的精度,提出了一种基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法。首先,在容积卡尔曼滤波基础上,将自适应因子和H_(∞)滤波器相结合,对模型误差问题进行处理与限制。其次,结合噪声估值器,对过程噪声中的参数进行在线估计,减少噪声对预测误差的影响。最后,对典型配电网69节点系统进行仿真,仿真结果表明:该方法在系统正常运行、需求响应参与削峰填谷以及负荷发生突变这3种场景下,其估计精度均提高10%以上,保持了相对高的估计精度。

基于多状态卡尔曼滤波的双目视觉导航设计

提出了一种改进的多状态约束卡尔曼滤波器(IMSCKF)双目视觉惯性导航算法。该算法在初始阶段采用Sigma滤波器和三焦点张量约束快速完成初始化,产生的状态向量与MSCKF一致,可以实现初始化和后续导航之间的无缝过渡,提高了系统状态估计的精度和鲁棒性。实验结果表明,本文提出的IMSCKF方法位置跟踪误差维持在±1 mm,角度误差维持在±1°,可以提高双目视觉惯性导航的鲁棒性和精度。

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%。

基于约束卡尔曼滤波的区域多能源系统鲁棒状态估计

为了保障区域多能源系统(regional multi-energy system,RMES)的可靠运行,亟需提出面向RMES的全面、实时的状态感知方法,为此计及异质多能流动态特性,提出基于约束卡尔曼的RMES鲁棒状态估计(state estimation,SE)方法。该方法首先采用Lax-Wendroff差分法对配气网动态过程进行数值求解;随后构建配电网状态空间模型,并以燃气轮机和电转气为接口,建立电气双向耦合环节;最后,以卡尔曼滤波(Kalman filter,KF)为基础,添加量测噪声自适应算法,并计及配气网时序状态约束及电气边界耦合约束修正估计结果。采用改进的IEEE 33节点配电网与10节点配气网构建MATLAB仿真算例,仿真结果表明该方法能够有效跟踪RMES的状态变化,相较常规KF算法,配气网估计精度提升2个数量级,且在坏数据干扰下保持较好的鲁棒性。