基于FPGA的扩展卡尔曼滤波器设计与仿真

为了进一步提高工程应用中扩展卡尔曼滤波器的实时性及通用性,提出了基于具有高度并行性特点的现场可编程逻辑阵列(FPGA)实现扩展卡尔曼滤波器的方案。依据其并行运算的特点,设计了扩展卡尔曼滤波并行运算流程,有效缩短了运算时间。针对矩阵乘法、状态机设计等难点提出优化实施方案,并采用模块化的设计方法进行了系统软件架构设计,使其更加易于进行测试与升级。最后通过与数值仿真结果进行对比分析,验证了本设计具备良好的运算精度,且有效提高了系统实时性。

基于扩展卡尔曼滤波器的液压驱动器状态估计

本文的液压驱动器属于不可观测的非线性系统,普通的状态观测器难以胜任系统的状态估计,故采用扩展卡尔曼滤波器对液压缸活塞腔和杆腔压力进行估计.建立了液压系统的4阶非线性状态空间模型,用高斯-牛顿法拟合模型参数,用关节角度信号通过扩展卡尔曼滤波器估计液压驱动器状态.仿真结果表明该方法可以精确估计液压缸压力,实验结果显示该方法估计的关节扭矩接近测量值;从而验证了扩展卡尔曼滤波器估计液压系统状态的有效性,为基于状态的故障诊断和液压驱动器控制提供了一定的借鉴.

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

扩展卡尔曼滤波器在车辆状态预测中的应用

如何避免车辆在行驶过程中与其他交通参与者特别是车辆发生碰撞,一直是车载主动安全系统所要解决的问题,同时主动安全系统对危险状态提前预知的要求越来越高。对此,提出一种基于扩展卡尔曼滤波器的车辆运动状态预测方法。该方法通过自车传感器实时探测周围车辆的运动状态参数,并利用扩展卡尔曼滤波器对被观测车辆的空间位置进行估计。将预测车辆状态和真实值进行比较,结果表明此模型能准确地对车辆运动状态进行预测。

利用磁强计及微机械加速度计和陀螺的姿态估计扩展卡尔曼滤波器

提出了一种用于惯性测量组合(IMU)姿态估计的扩展卡尔曼滤波器。此滤波器的状态转移阵利用基于四元数的等效旋转矢量来计算姿态。等效旋转矢量法可以避免欧拉角的奇异问题,并能有效抑制不可交换误差。测量四元数是利用高斯-牛顿迭代法解算以加速度计和磁强计输出数据为变量的方程组得出的。用从实际IMU 采集的数据对滤波器进行测试,并比较了带有滤波器和没有滤波器的结果。

船舶静态电场跟踪的渐进更新扩展卡尔曼滤波器

为了实现利用船舶静态电场对船舶进行跟踪的目的,针对传统卡尔曼滤波算法中存在的问题,设计一种新的非线性滤波器。建立船舶的状态空间模型,分析传统卡尔曼滤波算法在船舶跟踪中存在的问题;依据渐进贝叶斯思想,利用连续白噪声与离散白噪声序列噪声协方差之间的关系,设计一种新的渐进更新扩展卡尔曼滤波器。仿真结果表明,该滤波器能有效地抑制由于初始误差较大而造成的滤波性能下降和滤波发散,能够有效地跟踪船舶,具有较高的实用价值。

基于自适应扩展卡尔曼滤波器的永磁同步电机超低速控制

在使用低精度编码器的条件下,为获得永磁同步电机良好超低速控制性能,提出了一种适用于宽转速、高噪声环境下,获得伺服驱动系统瞬时转速、角位移和等效负载转矩的在线估计方法。通过构建基于扩展卡尔曼滤波器的最优状态估计器,在线辨识系统转动惯量及迭代更新估计器系数矩阵,实现了准确、实时和稳定的状态估计。仿真和试验结果表明,该算法可获得良好的低速控制性能,并对环境噪声和系统建模误差具有良好的鲁棒性。

基于扩展卡尔曼滤波器的无人机状态估计

在无人机飞行过程中,由于低成本无人机对状态反馈不准确和外部干扰对传感器的影响,导致飞行时间一长会出现漂移现象,使得无人机产生浮动等不良问题。为了解决这些问题,提出一种适用于小型无人机状态估计的四元数扩展卡尔曼滤波数据融合算法,该算法通过建立四元数系统观测模型和传感器量测模型,解决了低成本传感器对无人机位置和姿态直接测量的低精度和易被外界干扰的问题,有效提高了状态估计的精度。仿真实验验证了算法的有效性。

一种约束扩展卡尔曼粒子滤波器

针对非线性非高斯动态系统中的状态估计问题,提出了一种约束扩展卡尔曼粒子滤波新算法。设计非线性状态约束条件,即修正先验信息将非线性状态约束信息融入贝叶斯估计目标函数的构建,得到修正的似然函数,同时,在滤波更新过程中引入当前观测信息,从而,有效利用观测约束信息修正新息、增益及重要度权值的的预测及更新。所提出的算法概率地选择粒子,采用有效的数值方法来执行一系列约束优化,使得远离可行区域的那些粒子不太可能传播到下一个时间步长。引起的近似误差使用重要性抽样方法进行修正。仿真实验表明该方法能够构成更接近真实的后验分布,滤波性能优于传统粒子滤波器。

扩展卡尔曼滤波器的目标机动信息估计研究

针对目标机动信息估计时的状态方程非线性及目标机动频率未知的特点,对三维线性卡尔曼滤波器的状态量进行了扩维。利用扩展卡尔曼滤波器(EKF)完成了目标机动信息估计算法设计,并通过仿真验证了不同条件下滤波器对目标机动频率、机动加速度及加加速度的估计特性。同时,对滤波器估值误差的收敛性进行了仿真评估,验证了算法的有效性。

含有关联噪声的非线性分数阶系统的扩展卡尔曼滤波器设计

针对含有过程和测量噪声的连续时间非线性分数阶系统的状态估计问题,提出了扩展卡尔曼滤波器算法.采用Grünwald-Letnikov差分定义对非线性分数阶系统离散化.利用输出方程设定待定系数矩阵,得到离散化的差分方程,实现非线性分数阶系统的有效的状态估计,提高状态估计的精度.最后,给出一个实例来说明所提出非线性分数阶系统的扩展卡尔曼滤波器的有效性.

基于H∞扩展卡尔曼滤波器模型不确定性的动态状态估计

当运用卡尔曼滤波器来跟踪系统动态状态变量时,一般假设系统动态参数模型是准确的。然而,由于电力系统动力学模型会受到各种不确定性的影响,如在不同运行条件下变化的发电机瞬态电抗、不确定的输入以及噪声统计数据等,因此该假设可能不成立,卡尔曼型滤波器的性能会大大降低。为限制这些参数不确定性的影响,提出了一种基于鲁棒控制理论的H∞扩展卡尔曼滤波器(H∞Extended Kalman Filter,HEKF)以及调整HEKF参数的方法,基于IEEE-39节点标准系统的仿真结果证明了HEKF的有效性。

基于模糊自适应扩展卡尔曼滤波器的锂电池SOC估算方法

精确的锂电池荷电状态(SOC)在线估算可以有效地延长电池使用寿命,提高电池的安全性,对于电动汽车电池管理系统(BMS)而言至关重要。针对自适应扩展卡尔曼滤波(AEKF)算法运行初期收敛速度缓慢问题,该文提出模糊AEKF(FAEKF)算法可以改善收敛速度。以NCR18650B型三元锂电池的实际端电压与预测端电压差值的绝对值及其变化率作为模糊输入,以卡尔曼滤波器的系统测量噪声R作为模糊输出,通过对R进行模糊控制来调节算法在迭代过程中的增益K,进而实现收敛速度的模糊调节。实验结果表明,在0.5C倍率恒流放电工况和动态应力测试工况(DST)条件下,改进的算法相比于扩展卡尔曼(EKF)和AEKF算法,在不降低估算精度的情况下能够明显地提高收敛速度,在SOC在线估算中更具有实用性。

基于低阶串行双扩展卡尔曼滤波的永磁直线同步电机无速度传感器控制策略

首先,基于三相永磁直线同步电机在同步旋转坐标系下的数学模型,推导出系统的三阶状态方程,实现基于扩展卡尔曼滤波算法的动子速度估计;然后,分析传统扩展卡尔曼滤波算法的计算过程,针对其实时线性泰勒近似是在上一周期的最优估计处完成,因而具有一定滞后性的缺陷,提出一种低阶串行双扩展卡尔曼滤波算法,通过两个低阶扩展卡尔曼滤波算法串行执行,在当前周期的最优估计处完成泰勒近似,提高状态估计精度;最后,仿真和实验结果表明,提出的基于低阶串行双扩展卡尔曼滤波器的无速度传感器控制策略,相比于常规扩展卡尔曼滤波器无速度传感器控制方法具有更高的速度估计精度。

涡喷发动机健康状态的带约束非线性滤波估计

针对涡喷发动机在不等式约束条件下的部件性能估计问题,在标准扩展卡尔曼滤波方法的基础上引入了最小均方差和概率密度截断,提出了涡喷发动机健康状态的带约束非线性滤波估计方法。最小均方差的基本思想是求解最小化条件均方差函数,同时运用拉格朗日算子法将不等式约束引入待求方程,而概率密度截断求解则是将先验不等式约束条件转化为概率密度函数形式,并获得标准正态分布函数,其特点是均值和方差易于算得。以涡喷发动机为对象进行仿真验证,结果表明相比于标准扩展卡尔曼滤波方法,本文提出的最小均方差和概率密度截断的不等式约束的非线性滤波估计方法对部件性能估计精度高,而其中概率密度截断求解在保证精度的同时计算耗时更少。

基于强跟踪滤波器的永磁同步电动机状态观测

针对永磁同步电动机(permanent magnet synchronous motor,PMSM)研究其在外界作用发生突变情况下的状态观测问题。首先基于理想状态下PMSM的数学模型,采用强跟踪滤波器(the strong tracking filter,STF)算法估计电动机的转速、转角、磁链和转矩,并通过仿真比较STF算法与扩展卡尔曼滤波器(extended Kalman filter,EKF)算法的估计性能,结果表明STF与EKF相比对突加给定起动以及突加扰动等因素引起的状态快速变化能够实现更快速、更准确的跟踪。最后在考虑电动机的铁耗情况下分别通过这两种方法进行状态观测,所得结果与上述结论相符,进一步表明将STF应用于实际电动机进行状态观测的可行性和优越性。

一种基于加性潜变量的扩维卡尔曼滤波方法

现有面对非线性系统所设计的卡尔曼滤波器的性能常随着非线性程度的增强而逐步退化。为了弥补扩展卡尔曼滤波和无迹卡尔曼滤波在线性化过程中的不足之处,文中针对一类由线性项和非线性项累加组成的强非线性系统,建立了一种基于潜变量的扩维卡尔曼滤波方法。该方法将非线性项定义为原始系统的潜变量,并建立了关于潜变量的线性动态关联模型,将潜变量扩维到系统原始的状态变量中,从而建立以原始变量和潜变量为基础的线性系统模型。最后设计出该类系统的高阶扩维卡尔曼滤波器,并经过MATLAB仿真验证了新设计滤波器的有效性与准确性。

基于混合运动模型的相对状态估计

相对状态的精确估计通常依赖参考平台准确的角加速度,在航天场景由外力矩计算,而在日常环境中由于未知阻力普遍存在,准确的外力矩难以获取,角加速度一般由角速度差分近似,导致相对状态估计精度下降.对此,本文构建一种仅依赖惯性测量的相对运动模型,称为混合运动模型,其将恒定加速度模型与向量运动学结合,在独立于力矩和惯性状态的情况下,精确预测相对状态.此外,本文设计扩展卡尔曼滤波器(EKF),将该运动模型与视觉相对观测结合,实现高精度相对状态估计,并以仿真和实际数据评估其性能.仿真实验从轨迹动态特性和相对观测丢失的角度对比该EKF和目前先进的方法,结果证明本文提出的方案具有较高的精度和稳定性.实际实验利用本方法实现虚拟现实应用中的六自由度手柄视觉跟踪,验证其具备先进的毫米级定位精度,演示链接见https://www.bili bili.com/video/BV1mv4y1d7iD/.

基于强跟踪滤波器的电力系统频率测量算法

频率在电力系统保护与控制、电能质量监测等领域都起到了关键作用。建立了谐波和噪声干扰下的电压信号的复数状态空间描述,提出了基于强跟踪滤波器(Strong Tracking Filter,STF)的电力系统频率测量算法。解决了扩展复数卡尔曼滤波(Extended Complex Kalmanfilter,ECKF)算法在算法收敛后,系统状态发生突变的情况下需要重置误差协方差阵来重新跟踪这些变化的问题,进一步提高了其动态跟踪速度。通过与鲁棒型扩展复数卡尔曼滤波(Robust Extended Complex Kalman Filter,RECKF)算法的对比仿真表明,STF测频算法在迅速跟踪电压频率、幅值和相位变化的同时又能够保持较低的跟踪误差。

加性复合有色噪声干扰下的强跟踪滤波器

将周东华等人提出的强跟踪扩展卡尔曼滤波器推广到一类加性复合有色噪声干扰下的非线性时变随机系统。通过增广状态向量 ,线性化非线性的增广状态空间模型和采用等效量测方程 ,加性复合有色噪声干扰下的强跟踪扩展卡尔曼滤波器问题可以转化为过程与量测噪声相关情况下的强跟踪卡尔曼滤波器问题。数值仿真示例显示了方法的有效性。