采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

基于中心差分卡尔曼滤波器的快速SLAM算法

针对密集路标环境下机器人同时定位与地图创建(SLAM)速度缓慢以及一致性不够收敛,提出了一种使用Stirling多项式插值方法对非线性过程进行近似的卡尔曼滤波器,同时利用路标测量统计信息对SLAM过程中的状态向量和状态协方差进行动态调整的SLAM方法.此方法对预测方程和测量方程使用Stirling多项式插值方法可以近似到二级甚至是更高级的泰勒展开.使用路标统计信息动态计算各个路标对于当前时刻状态向量的权重,利用此权重进行状态向量和状态向量协方差动态调整.实验表明无论是在稀疏路标环境下还是在密集路标环境下此方法在内存占用、SLAM速度以及对机器人定位的一致性上都优于FASTSLAM.

采用强跟踪中心差分滤波器的汽车状态和参数估计

采用3自由度非线性汽车动力学模型作为汽车状态和时变参数估计的标称模型,利用强跟踪中心差分卡尔曼滤波器(CDKF)对汽车的纵向速度、质心侧偏角和横摆角速度等信息,以及标称模型的前、后轴等效时变侧偏刚度进行了估计。为验证强跟踪CDKF算法的估计性能,采用模型在环和硬件在环的方式进行多种工况的仿真验证。结果表明,该算法具有可行性和准确性。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

考虑有色噪声影响的脉冲星导航2级强跟踪差分滤波器

为提高X射线脉冲星导航对有色噪声及太阳系内星历误差的鲁棒性,设计了2级强跟踪差分滤波器(TSTDKF)。首先在分析导航原理基础上,导出了中心天体星历误差对导航结果的误差传递关系,并利用扩展卡尔曼滤波器(EKF)进行了仿真验证;在同一运行轨道上,又结合引力摄动模型对第三天体引力摄动数据进行了分析,证明该部分噪声为有色噪声。根据以上结论,将普通2级卡尔曼滤波器(TKF)的无偏滤波器设计为一种改进的差分卡尔曼滤波器以降低有色噪声对导航系统的影响,同时又在其独立偏差滤波器中根据观测残差构建了多重自适应调节因子以增强其跟踪性能,两者共同构成TSTDKF的2个并行滤波器。通过仿真实验证明,TSTDKF的位置误差性能最大可比EKF和TKF改进56.49%和35.18%,速度误差性能改进27.66%和17.07%;对星历误差的跟踪效果也整体好于TKF。

CDKF方法在外辐射源单站无源目标跟踪中的应用

针对外辐射源单站无源目标跟踪精度问题,将一种基于Sterling内插公式的新的非线性滤波算法—中心差分卡尔曼滤波算法(central difference Kalman filter,CDKF)应用到系统中。仿真结果表明,与传统的扩展卡尔曼滤波算法(extended Kalman filter,EKF)相比,CDKF具有更高的定位精度,且不需要计算Jacobian矩阵,更易实现;而与无迹卡尔曼滤波算法(unscented Kalman filter,UKF)相比,CDKF只有一个待优化的比例参数,参数的选择更加方便,且定位精度更高,所需运算时间更少。

基于多模型简化CDKF的故障诊断方法

针对使用传统卡尔曼滤波器对非线性系统进行故障诊断,估计精度低的问题,提出了一种新的故障诊断方法.该方法结合多模型自适应估计和简化中央差分卡尔曼滤波器的优点,能在线快速地检测出故障,利用中央差分代替了雅可比矩阵的求解,使系统状态估计准确收敛到真实值附近,而且避免了反复求解量测预测方差等一系列繁杂过程.在执行机构不同故障的情况下,通过与其他算法进行诊断对比,结果表明提出的算法在精度上和运行速度上具有明显的优势.

基于UniTire轮胎模型的汽车行驶速度估计

准确而实时地获取车速信息是汽车实现高精度定位与导航、高级巡航控制和编队巡航控制等功能的必要前提,文中提出一种基于UniTire轮胎模型的汽车行驶速度估计方法。首先,基于UniTire轮胎模型建立包含汽车纵向、侧向和横摆动态的车速估计名义模型,并利用自适应遗传算法的全局搜索优势和拟牛顿法的局部搜索优势辨识出UniTire轮胎模型的特征参数的全局最优解;随后,以车速估计名义模型的过程噪声和观测噪声为调度变量,利用强跟踪中心差分卡尔曼滤波器设计一簇车速估计器,并采用交互式多模型算法对基于强跟踪中心差分卡尔曼滤波器的车速估计器簇的输出结果进行平滑融合;最后,利用整车级硬件在环仿真平台对所提出的基于交互式强跟踪中心差分卡尔曼滤波器的车速估计算法的可行性和有效性进行验证。结果表明:相对于基于强跟踪中心差分卡尔曼滤波器的车速信息估计算法,本文提出的车速信息估计算法对系统噪声统计特性具有更好的自适应能力,并且具有更高的估计精度。

飞机机翼损伤的气动模型及故障诊断研究

为了确保机翼损伤后飞机的飞行安全,提出了一种在线的故障诊断方法.首先,根据输入输出特性,采用遗忘因子递推最小二乘法对飞机故障后的气动导数进行辨识,建立了机翼损伤故障的数学模型;然后,结合多模型方法和中心差分卡尔曼滤波器(central difference Kalman filter,CDKF)各自的优点,实现对机翼损伤的故障诊断,并采用强跟踪滤波器在线更新CDKF的采样点,以增强CDKF的自适应能力.最后,通过仿真结果验证了本文所提方法的有效性.

强跟踪CDKF及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.