基于鲁棒AFCKF的无人车多源组合导航方法

针对无人车进行多源信息融合时部分传感器失效或量测异常导致定位精度下降甚至无法定位的问题,提出了一种鲁棒自适应联邦容积卡尔曼滤波(AFCKF)算法。首先,在子滤波器中将Huber方法与容积卡尔曼滤波相结合,并基于马氏距离实时调整Huber方法中的调节因子,提高了子滤波器的估计精度和鲁棒性。其次,在信息融合中,基于预测状态残差以及量测残差的二次型引入一种自适应信息分享因子计算方法,减小了子滤波器不准确估计对主滤波器信息融合的影响。最后,对所提方法进行了仿真实验。仿真实验结果表明,相比于传统的联邦容积卡尔曼滤波和基于Huber方法的联邦容积卡尔曼滤波,所提方法的平均定位精度分别提高了77.84%和17.20%,平均速度精度分别提高了63.25%和9.30%。

车辆状态与参数联合估计研究

为获取准确的车辆状态与参数信息,并针对因系统模型不准确或测量异常而导致的滤波发散问题,设计了一种联邦-容积卡尔曼滤波方法对车辆状态与参数进行联合估计,实现了过程噪声自适应变化。通过建立车辆动力学模型并运用信息融合技术对低成本传感器信号进行融合,运用车辆动力学理论搭建车辆行驶状态、路面附着系数和车辆自身参数算法估计器。选择典型的实验工况应用Simulink与CarSim联合仿真进行验证。实验结果表明:所设计的估计方法能够准确且稳定地实现对车辆状态与参数的联合估计。