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%。

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。

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。

一种基于AUKF的航天器自主导航算法

将非线性Sage-Husa噪声估计器与无迹滤波器(UKF)相结合,提出了一种新型的自适应无迹滤波器(AUKF).对基于AUKF的航天器自主导航系统进行了计算机仿真,仿真结果表明,对于存在测量偏差的自主导航系统,AUKF的导航滤波精度较传统的扩展卡尔曼滤波器(EKF)有显著的提高.进而,针对航天器自主导航系统测量偏差周期时变的特点,提出了提高偏差估计精度的改进算法.仿真结果表明,在适当增加计算量的条件下,利用偏差估计改进算法的AUKF能够进一步提高自主导航系统的导航精度.

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。

AMAUKF应用于无人机跟踪目标再捕获研究

无人机(UAV)在使用滤波器对目标跟踪时常遇到目标丢失情况,然而在目标丢失时使用一步估计代替估计值会对跟踪精度造成较大影响,鉴于此,将自适应衰减记忆滤波(AMAF)理论应用于无迹卡尔曼滤波(UKF)以提高再次捕获目标后的跟踪精度;新的滤波器命名为自适应衰减记忆卡尔曼滤波(AMAUKF);在此基础上设计了滤波流程和计算机仿真实验,结果表明新的滤波器不但缩短了收敛步长,而且提高了跟踪精度。

基于AUKF的锂离子电池SOC估计方法

本文中提出一种基于自适应无迹卡尔曼滤波器(AUKF)的锂离子电池荷电状态(SOC)估计方法。首先建立电池的2阶RC等效电路模型,并对模型的参数进行辨识;其次针对无迹卡尔曼滤波(UKF)算法的不足,引入一般滤波器的收敛判据,从自适应调整测量噪声、调整过程噪声和修正卡尔曼增益的角度改进UKF算法,形成了基于AUKF的SOC估计方法。最后用测试数据和公开电池数据集进行验证,结果表明该方法具有较快的收敛速度和较高的估计精度。