一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果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离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真。结果表明:改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。

多模型自适应联邦卡尔曼滤波及其在鱼雷导航定位中的应用

针对复杂环境所引起的鱼雷组合导航系统模型参数变化导致传统单一固定参数滤波器精度降低的问题,设计了一种适用于复杂情况的多模型自适应联邦卡尔曼滤波器。该滤波器采用多模自适应联邦滤波算法,利用多模型滤波器参数来逼近系统的动态性能,该滤波器同时采用了在信息融合时自适应调整信息分配系数的方法。实验室导航试验结果表明,文中设计的多模自适应联邦卡尔曼滤波器可以大大提高导航定位系统的估计精度、跟踪速度以及稳定性。

基于无迹卡尔曼滤波器的Sub Thalamic Nucleus神经元关键参数及变量获取

为了获取脑部神经一些不可测量的关键参数和变量。本研究提出以可测量的神经元膜电位为基础,通过无迹卡尔曼滤波(Unscented kalman filter,UKF)实时估计,实现关键参数和关键变量的获取。本研究以Sub Thalamic Nucleus(STN)神经元为研究对象,应用以上的方法分别实现了单个参数(钠离子通道电导gNa)的估计、多个参数(钠离子通道电导gNa,钾离子通道电导gk)的同时估计,以及多个变量(r、n、h及Ca离子浓度)的同时估计,证明了该方法的可行性。本研究还给出了UKF方法和自适应同步方法的对比,进一步证明了UKF方法的有效性。本研究提出的方法可以正确的估计出所需的关键参数和变量,对神经活动的外部电磁控制成为可能,对临床神经疾病的诊断和治疗具有重要的意义。

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。

遮挡情况下刚体位姿估计的自适应无迹卡尔曼分布式融合

针对视觉目标位姿估计系统中常出现的因为特征点遮挡而造成系统估计结果不准确的问题,本文提出了一种利用自适应无迹卡尔曼滤波(AUKF)作为局部滤波器的分布式融合估计方法.通过引入改进的Sage-Husa噪声估计器自适应过程噪声.根据特征点识别量将遮挡情况分为部分遮挡和严重遮挡,对部分遮挡子系统根据先验信息修复缺失观测点后进行局部滤波估计,严重遮挡子系统不参与融合,利用当前时刻整体估计结果对其进行初始化.通过仿真获取了区分遮挡情况的阈值,实验结果表明所提方法能够提升系统在遮挡情况下的估计精度与鲁棒性.

改进型自适应无迹卡尔曼姿态算法

提出了一种改进型自适应无迹卡尔曼滤波姿态算法,能够有效的解决MEMS陀螺仪的漂移和噪声问题,同时减小运动加速度对加速度计的影响。将改进的自适应Sage-Husa算法与无迹卡尔曼滤波器相结合,使量测噪声统计特性在线更新,提高系统的抗干扰能力,避免扩展卡尔曼滤波的线性化误差,可以得到精确的全姿态角。每次迭代只更新3个欧拉角,提高了系统的解算速度。飞行实验和分析表明:改进算法能够有效的提高姿态解算精度,收敛速度快,自适应能力强,稳定可靠,具有较强的鲁棒性,在干扰消失时能够快速得到准确姿态角。

基于信息补偿的自适应联邦滤波算法

针对采用标准卡尔曼滤波器必须知道系统噪声统计特性的局限性,研究了一类系统噪声未知情况下的自适应联邦滤波方法,指出了自适应滤波方法应用于联邦结构时应当注意的问题,提出了一种基于信息补偿的自适应联邦滤波算法。SINS/BDS/GPS组合导航系统的仿真结果表明,该方法可以有效抑制系统噪声未知情况下的滤波发散现象,提高了滤波的稳定性和估计性能。

基于自适应滤波器的无人驾驶汽车速度估计

针对无人驾驶汽车容错控制对速度信息软测量技术的需求,提出了一种基于交互式多模型无迹卡尔曼滤波器的无人驾驶汽车速度估计方法,以自适应系统未知的噪声统计特性。首先,基于无人驾驶汽车定位信息建立了包含汽车运动学和动力学特性的名义模型,并采用前向欧拉离散化方法将其转化为包含系统噪声统计特性的状态空间名义模型;然后,采用一系列典型值描述系统未知的噪声统计特性,得到一系列包含不同系统噪声统计特性的状态空间名义模型,并针对每一个状态空间名义模型,分别采用无迹卡尔曼滤波器对无人驾驶汽车的速度进行实时估计,通过交互式多模型算法平滑融合无迹卡尔曼滤波器的输出,由此得到对系统噪声统计特性具有自适应能力的交互式多模型无迹卡尔曼滤波器。实车试验结果表明,所提出的方法对汽车纵向速度的估计精度是传统无迹卡尔曼滤波方法的4倍,对汽车侧向速度的估计精度是传统无迹卡尔曼滤波方法的1.5倍,满足无人驾驶汽车容错控制的需求。

基于双UKF滤波器的锂电池SOC-SOH联合估计方法

为提高锂电池荷电状态(state of charge,SOC)及健康状态(state of health,SOH)的估计精度,以二阶RC等效电路模型为研究对象,基于无迹卡尔曼滤波器(UKF)的思想,提出SOC-SOH联合估计的双自适应UKF滤波器算法,该算法通过对状态方差阵和噪声方差阵的递推估算,确保了状态和噪声方差阵的实时更新,并且能及时反映SOH变化趋势。仿真实验结果验证了该算法的正确性和有效性。

基于自适应UKF算法的小型水下机器人导航系统

针对海流扰动及姿态、航向误差角引起的无法确知的导航系统模型误差,设计了一种带模型误差的自适应无迹卡尔曼滤波器(Adaptive unscented Kalman filter,AUKF)用于小型水下机器人(Small autonomous underwater vehicle,SAUV)推位导航系统.首先提出了小型水下机器人三维运动连续时间模型;然后针对该模型特点,基于极大后验估值原理推导了AUKF算法.仿真结果说明该算法能够克服海流扰动及姿态和航向误差引起的模型误差.对比经典无迹卡尔曼滤波器算法,采用该算法的小型水下机器人推位导航系统在复杂海况下的滤波精度显著提高.

不同温度下的基于BPNN-AUKF的新型自动水下航行器SOC估计器

本研究提出了一种基于反向传播神经网络(BPNN)和自适应无迹卡尔曼滤波器(AUKF)的SOC(state of charge)估计方法。首先针对电池SOC与端电压之间在不同温度下的关系,研究设计了一系列温度补偿策略,以提高在低温、低SOC条件下的估计精度。其次,利用反向传播神经网络(BPNN)建立了一个耦合了温度补偿策略的电池模型。这个模型能更好地适应低温和低SOC条件下的电池状态变化,提高了SOC估计的准确性。最后,基于BPNN电池模型建立了BPNN-AUKF的SOC估计框架,通过利用测量值与测量预测值之间的信息和残差序列,对系统过程和测量噪声协方差进行估计修正。通过实验验证,发现该方法在低温环境下具有明显优势,相比传统方法能够更准确地估计电池的SOC,且具备较好的泛化能力。这种基于BPNN-AUKF方法的SOC估计器不仅适用于自主无人潜水器(AUV),而且对于其他在复杂环境中工作的车辆也具有广泛的应用价值。

基于TDOA/Doppler测量的联邦UKF移动位置估计算法(英文)

为了进一步提高移动台的跟踪和定位性能,提出了一种基于联邦滤波结构和简化UKF的移动位置最优估计与融合新方法.该算法以Singer移动台运动模型作为参考系统,以简化UKF滤波器作为子滤波器,对2组独立检测的TDOA和Doppler测量值进行局部估计;然后在主滤波器中,对子滤波器的估计结果按标量加权进行最优融合,得到全局最优或次最优融合估计结果;最后主滤波器利用全局估计结果对子滤波器和参考系统进行反馈和信息重置,以进行下一步估计.仿真试验中,对该算法用于移动台位置估计的效果和性能进行评估,并与基于TDOA和基于Doppler的简化UKF方法做比较.仿真结果表明,该算法能有效降低移动台位置估计的误差和方差,具有良好的均方根误差和均值误差CDF性能.

永磁同步电机无位置传感器控制现状和展望

永磁同步电机(PMSM)的无位置传感器控制是当前电机控制领域的研究热点。针对永磁同步电机无位置传感器控制中基于反电动势观测以及电感凸极性的位置估计方法进行归纳总结。分别对滑模观测器法、模型参考自适应法、龙伯格观测器法、扩展卡尔曼滤波器法、无迹卡尔曼滤波器法和高频信号注入法的基本理念进行了介绍,通过比较每种方法的优势和不足,并根据其缺点归纳了目前主要的改进方法,并阐述了全速范围内两大控制方法的结合策略,且对无位置传感器控制的研究趋势进行了展望。

基于地磁/光谱红移/太阳光信息的FAUKF自主定轨

针对地磁场模型精度低而引起的低轨卫星导航精度不高问题,提出了一种利用地磁、太阳光、光谱红移多源信息融合的低轨卫星自主导航方法。设计了基于地磁/光谱红移/太阳光信息的联邦自适应无迹卡尔曼滤波器(federal adaptive unscented Kalman filter,FAUKF)滤波自主定轨方案,提出了利用FAUKF滤波,选取太阳光矢量与地磁矢量的夹角的余弦值、地磁场强度、光谱红移信息为观测量,来估计卫星的速度和位置。仿真结果为位置精度465.38m,该算法的精度要高于单纯的地磁导航,滤波的收敛性和稳定性较好,导航误差不随时间累积,有工程应用价值。

大尺度欠驱动高速AUV导航系统研制

[目的]针对某新型大尺度欠驱动高速自主式水下机器人(AUV)导航系统的研制,[方法]详细介绍AUV导航系统的硬件组成及软件构架,构建基于VxWorks实时嵌入式操作系统的AUV组合导航系统。考虑到高速AUV导航系统的非线性特征及容错性要求,将无迹卡尔曼滤波(UKF)技术用于联邦滤波器,设计基于UKF的联邦卡尔曼滤波器,并对导航系统的二维平面模型进行数值仿真。[结果]结果表明,联邦无迹卡尔曼滤波器相比传统的卡尔曼滤波方法能够获得更高的精度和更好的鲁棒性;半实物仿真联调试验、水池试验、湖上试验及艇载试验充分验证了导航系统的实时性和可靠性,[结论]证明该系统能够满足AUV航行任务的需要。

多模型UKF方法及其在故障诊断中的应用

当系统的非线性行为较强时,扩展卡尔曼滤波器对系统状态变量估计的性能将大幅下降;针对传统的扩展多模型自适应估计方法 (EMMAE)的不足,文章提出了一种新的基于无迹卡尔曼滤波(UKF)和多模型自适应估计相结合的故障诊断方法;首先利用UKF能更好的逼近状态方程的非线性特性,然后利用改善后的残差质量提高故障隔离的效果;仿真结果表明,传统的故障诊断方法相比,该方法能快速准确地辨识出系统故障。