一种自适应扩展卡尔曼滤波的永磁同步电机无位置传感器矢量控制

在粗差干扰或噪声统计偏差情况下,扩展卡尔曼滤波(EKF)对永磁同步电机(PMSM)的速度和转子位置估计存在精度下降问题,为此提出一种基于新息序列的自适应扩展卡尔曼滤波算法(AEKF)。首先,将粗差干扰加入系统观测方程中,分析粗差干扰对系统观测精度的影响。其次,为增强算法的抗扰性能,在新息协方差计算中设置加权系数,通过调整临近时刻的新息协方差阵权重,计算出新息协方差值,并更新到卡尔曼增益的计算。最后,建立AEKF数学模型,并对比粗差干扰与噪声统计出现偏差情况下,AEKF与EKF两种策略的观测性能。仿真和实验结果表明,在粗差干扰或噪声统计信息出现偏差情况下,AEKF算法对永磁同步电机转速的观测具备更强的鲁棒性及更高的预测精度。

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

基于扩展卡尔曼滤波的直线感应电机速度观测

为解决在直线感应电机(linear induction motor,LIM)高性能闭环控制系统取消速度传感器后,速度闭环中缺少速度反馈信息问题,在考虑LIM边端效应前提下,实现了一种基于扩展卡尔曼滤波算法的速度观测器。首先,基于考虑边端效应的三相LIM数学模型,推导出具有合适增益和协方差更新矩阵的扩展卡尔曼滤波观测器,并基于LIM的矢量控制系统,将观测器辨识的速度参数反馈到速度闭环系统中。然后,在Simulink中搭建带有速度观测器的LIM矢量控制系统模型,对观测器的辨识速度和电机实际速度进行对比。结果表明,利用辨识速度进行闭环控制可以保证系统稳定运行。在3种负载情况下,观测器的预测速度和实际速度之间的误差在0.51%~2.34%之间。对系统多种动态性能进行分析可知,基于扩展卡尔曼滤波观测器的LIM矢量控制系统,随着负载增大,预测速度的误差增大,推力误差减小,磁链幅值误差略微增大。因此,在考虑边端效应情况下,基于扩展卡尔曼滤波的观测器可以代替速度传感器实现空载和带载时的三相LIM控制。

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。

基于扩展卡尔曼滤波与机器视觉融合的道路侧向坡度估计

为解决现有算法难以准确估计前方道路侧向坡度的问题,提出了一种基于扩展卡尔曼滤波(EKF)与机器视觉(VB)融合的道路侧向坡度估计方法。首先,建立含有侧向坡度的车辆2自由度模型,通过EKF估计出侧向坡度与车辆侧倾角的叠加态,由侧向加速度乘以适当增益解耦出车辆侧倾角,得到EKF道路侧向坡度估计值;其次,通过视觉成像原理分析二维图像中道路侧向坡度与图像中相关参数的几何关系,得到VB道路侧向坡度估计值;最后,通过数据融合得到最终的道路侧向坡度估计值,使估计结果冗余互补。仿真和实车试验结果表明,该融合算法能够适用于道路侧向坡度变化的坡道,并显著提高了估计精度。

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(state of charge, SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(multi innovation extended Kalman filter, MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。

扩展卡尔曼滤波的改进蛇定位算法在WSN中的应用

针对接收信号强度指示(Received Signal Strength Index,RSSI)定位易受到环境因素的影响,提出了一种基于RSSI扩展卡尔曼滤波的改进蛇定位算法(RSSI Extended Kalman Filter-based Improved Snake Optimization Localization Algorithm,RSSI-EISL)。该算法利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型对RSSI信号值进行平滑处理,使其能够抑制噪声和异常值对估计结果的影响,从而提高测距的准确性和鲁棒性。通过引入Levy飞行和非线性收敛因子的改进蛇优化算法(Improved Snake Optimization Algorithm,ISO),提升了蛇优化算法(Snake Optimization Algorithm,SO)的寻优能力,使之能够更加准确地计算出待测节点的坐标。根据仿真结果显示,相较于基于RSSI最小二乘定位算法(RSSI Ordinary Least Squares Localization Algorithm,ROL)、基于RSSI EKF的灰狼定位算法(RSSI Extended Kalman Filter-based Grey Wolf Optimization Algorithm,REGL)和基于RSSI EKF的蛇定位算法(RSSI EKF-based Snake Optimization Localization Algorithm,RESL),RSSI-EISL的定位精度分别提高了26.4%、8.75%和5.6%,算法的收敛速度和全局搜索能力也有所提升。

基于扩展卡尔曼滤波的水中放电阶段辨识方法

水中脉冲放电的电弧通道发育具有强随机性,难以固定时域进行放电阶段划分,故水中脉冲放电阶段的辨识方法研究极为重要。首先,该文建立了水中脉冲放电等效电路模型并阶段化分析了电阻时变特性,得到了判定放电阶段的临界参数阈值;其次,采用扩展卡尔曼滤波算法将离散电阻数据连续化,同时降低随机放电带来的噪声,从而获得辨识时变电阻模型;再次,计算辨识电阻斜率,并依据斜率变化特性及变化系数判定预击穿放电阶段和剧烈放电阶段;最后,通过水中脉冲放电观测试验平台验证了该辨识方法的有效性。结果表明,基于扩展卡尔曼滤波算法得到的水中脉冲放电电阻较试验值的方差小于1.717Ω^(2),电阻斜率方差小于1.899,故该方法可用于水中脉冲放电阶段的判定。

改进的自适应扩展卡尔曼滤波雷达目标跟踪算法

卡尔曼滤波是雷达目标跟踪场景最常用的目标状态跟踪估计算法,但针对非线性运动模型和噪声模型适配失配后,其滤波算法跟踪精度会出现下降。针对这些问题,提出一种机动目标场景下改进自适应扩展卡尔曼滤波的雷达目标跟踪算法,通过目标位置偏差范围来修正预测的位置信息,使用BP神经网络算法来自适应进行扩展卡尔曼滤波(extended kalman filter,EKF)算法预测信息结果的修正;根据噪声影响情况,提出基于实际情况可调的更新因子,用于进行修正后的EKF预测位置信息、测量信息和修正后的BP-EKF预测信息值的权重处理,基于优化模型,自适应选择最优的位置预测信息。仿真分析表明,所提出的算法在目标跟踪的滤波精度和稳定度都得到提升。

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

基于扩展卡尔曼滤波的清仓机器人位姿识别方法

煤矿水仓巷道光照强度不均匀且结构化特征明显,传统基于视觉的机器人位姿识别方法识别不准确,而单一的机器人定位技术如自适应蒙特卡洛(AMCL)方法随着清仓机器人的长时间运行,输出的位姿信息存在较大累计误差,易出现煤泥清理不干净、与两侧巷道发生碰撞的情况。针对上述问题,提出了一种基于扩展卡尔曼滤波的多传感器融合清仓机器人位姿识别方法。首先搭建多传感器融合算法框架,建立里程计、惯性测量装置、激光雷达数据采集模型;其次基于扩展卡尔曼滤波原理,以惯性测量装置角度信息建立观测方程,结合里程计位姿信息,得到第1次融合的清仓机器人位姿矩阵,利用激光雷达的位置信息与之前的位姿矩阵进行迭代,得到第2次融合的清仓机器人位姿矩阵;最后采用互补滤波算法对融合后的清仓机器人位姿矩阵进行处理,输出最终的清仓机器人位姿矩阵。实验结果表明:在直线位姿识别中2次的最大位置误差为0.04 m,最大姿态角误差为0.05 rad;在模拟巷道实验中的最大位置误差为0.1 m,最大姿态角误差为0.085 rad;与AMCL方法相比,基于扩展卡尔曼滤波的清仓机器人位姿识别方法在减少清仓机器人运行过程中的累计误差方面表现出显著的有效性。

基于扩展卡尔曼滤波的疏散行人密度预测算法研究

疏散效率的提升是疏散系统研究的核心关注点。由于疏散系统通常呈现局部可观测性,而异常的局部观测信息会降低疏散效率,因此需对观测信息进行预测校正。为此,提出一种基于扩展卡尔曼滤波的人员密度信息预测校正算法。该算法采用神经网络拟合方法对扩展卡尔曼滤波算法中状态函数和观测函数的参数进行辨识,完成非线性疏散系统的近似线性化,提高了建模的精度;同时算法通过误差协方差矩阵的迭代更新机制实现疏散人员密度的快速预测和校正。在此基础上,还结合密度控制算法构建异常疏散场景下的行人流疏散控制策略。为验证所提算法的有效性,在设计和构建异常疏散场景仿真模型的基础上进行了对比仿真和真人疏散可控实验。结果表明,相较无数据校正的疏散控制策略,算法在异常疏散仿真和真人可控场景中分别获得最高38.9%和23.26%的效率提升,为异常疏散场景中的控制策略提供了有效的解决思路。

扩展卡尔曼滤波优化的锂离子电池寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)的准确预测有助于检测电池的健康状况并提高电池工作时的安全性,具有重要的研究意义和实践价值。然而,由于锂离子电池衰退的非线性以及电池模型的复杂性等问题,对电池RUL的预测变得困难。使用双指数退化模型结合扩展卡尔曼滤波(extended Kalman filter,EKF)算法来预测锂离子电池的RUL,利用Matlab进行了锂离子电池RUL的预测仿真,并将仿真结果与NASA容量数据进行了比较分析。仿真结果表明,双指数退化模型结合EKF算法对电池RUL的预测结果与实际结果之间的偏差较小,总体平均绝对误差约为10.9%,具有较高的精度。

基于混合自适应扩展卡尔曼滤波的永磁同步直线电机等效机械参数辨识策略

针对机械参数辨识精度受推力系数波动影响而降低的问题,提出等效机械参数模型,将推力系数与待辨识参数相结合,并推导该模型在控制器调谐和前馈补偿上与传统模型的等效性。为了进一步实现等效机械参数在线辨识,构建基于混合自适应扩展卡尔曼滤波的辨识器。混合自适应扩展卡尔曼滤波在系统噪声矩阵和渐消因子中加入自适应机制,能够估计系统噪声,并在负载突变时快速收敛。通过对系统可观性和矩阵正定性的推导,证明算法的稳定性。最后,在一台永磁同步直线电机上进行实验,验证所提算法的有效性及其在PWM周期为32 kHz和10 kHz时在线运行的可行性。

基于YOLOv5s与扩展卡尔曼滤波的人体跟踪器设计

YOLOv5s在COCO数据集上的预训练权重可以检测出人体目标,然而对于特殊的人体姿态无法识别。提出了一种基于YOLOv5s与扩展卡尔曼滤波的跟踪器,当YOLOv5s能检测出人体目标时,对扩展卡尔曼滤波进行初始化,当YOLOv5s无法检测时,由扩展卡尔曼滤波进行跟踪,在先验结果创建候选区域,使用差异值哈希匹配出最优候选区域作为观测值,从而更新目标位置,实现人体检测的连续性。实验结果表明,在跟踪精度上所提出的跟踪器与“真实边界框”的重叠率为50.65%,中心位置误差为51.78像素,在实时性上优于KCF和TLD跟踪器,帧率比KCF跟踪器快了26 frame/s。

永磁同步电机扩展卡尔曼滤波器电流观测方法

为提高前置电感电容LC滤波器永磁同步电机系统性能,提出一种基于扩展卡尔曼滤波器(extended Kalman filter,EKF)的电机电流观测控制方法。该方法采集逆变器侧电流,通过新型EKF观测器获得实际电机电流,并将估计的电机电流用于电流环反馈控制。论文给出了新型EKF电流观测器的结构和参数设计过程,并利用Lyapunov稳定性定理证明了该方法的稳定性。仿真结果表明,与传统Luenberger观测器相比,新型EKF观测方法的电流估计误差更小,电机电流跟踪性能更好,电磁转矩脉动及其谐波明显降低。

基于扩展卡尔曼滤波的农机路径跟踪控制算法研究

智能农机的路径跟踪精度受田地地形、农机结构等多因素的影响,会导致压坏滴灌带等严重后果。以棉花播种机为研究对象,提出一种由Stanley跟踪算法和线性二次最优控制(LQR)算法组成的切换式跟踪算法,引导农机快速入线和保持直线精度;另外为消除静态横向误差,加入针对航向角误差的扩展卡尔曼滤波器(EKF)。仿真结果显示,切换式跟踪算法在进入目标直线后可有效消除静态横向误差。实车试验结果表明,当给定初始横向误差为0.5 m,速度为3.6 km/h时,入线时间为6.88 s,超调量为0.041 m;当给定初始横向误差为0 m,速度为3.6 km/h时,直线跟踪精度控制在±0.025 m范围内,满足实际农机高精度的直线作业要求,表明该算法具有良好的跟踪精度和抗干扰能力,有利于提升农业生产效率。

基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法

鉴于低信噪比高动态环境下的载波跟踪过程中,接收信号存在显著的各阶频偏变化率,故提出了一种基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法。载波跟踪通过基于卡尔曼滤波的锁频环辅助基于扩展卡尔曼滤波的锁相环来实现,对频率斜升信号和频率加速信号分别进行了载波跟踪环路结构的分析,得到系统方程,并进行了载波跟踪系统性能仿真。经仿真验证,在信噪比为-20 dB条件下,该方法跟踪频率斜升信号收敛时间小于60 ms,跟踪频率加速信号收敛时间小于90 ms,对两种信号的频率跟踪残差均小于5 Hz,相位跟踪残差均小于0.25rad,跟踪性能显著优于传统环路。

一种基于扩展卡尔曼滤波的雷达组网滤波方法

本文提出了一种基于三站雷达组网测速的空间目标滤波算法。首先,利用速度向量分解的方法解算出直角坐标系下目标真实速度向量,并讨论了该方法在解算目标真实速度向量时的条件;其次,用扩展卡尔曼滤波的方法提升了目标的位置精度和速度精度,并讨论了多站(三站以上)的情况;最后,仿真结果证明,该方法在目标机动以及低信噪比条件时,滤波精度高于基于径向速度的单站滤波方法。

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。