基于鲁棒自适应UKF的分布式电动汽车状态估计

准确的车辆状态参数是实现汽车主动安全和自动驾驶的关键.标准的无迹卡尔曼(UKF)算法,在观测噪声较大或噪声协方差不匹配时,会对车辆状态的估计精度产生严重影响.针对分布式电动汽车状态估计,提出一种基于故障检测机制的鲁棒自适应UKF算法,该算法利用观测变量的残差向量识别系统是否存在故障,依据统计函数判断是否需要对观测噪声协方差和过程噪声协方差进行自适应调整,并基于权重因子更新协方差.设计了基于鲁棒自适应UKF的估计器,对车辆的纵向车速、侧向车速和质心侧偏角三个重要状态变量进行估计.最后利用CarSim和MATLAB/Simulink联合仿真对算法进行了验证.结果表明,所提出鲁棒自适应UKF算法能够明显降低三个状态变量的估计误差,在精确性和鲁棒性上均优于标准的UKF算法,为先进驾驶辅助系统以及自动驾驶的精确运动控制奠定了重要基础.

GARUKF算法在无人船对准中的应用

针对无人船在恶劣海况下不仅做大幅摇摆运动,还会遭受海浪的周期性瞬时冲击以及阵发性短时强干扰等影响,提出一种GARUKF算法来提高对准精度,利用投影统计(PS)算法对滑动窗口内的新息向量重新赋权,实现对量测噪声方差阵的实时估计,并利用遗传(GA)算法求解自适应因子阵,最优化地调整量测噪声方差阵。与常规自适应鲁棒UKF算法(ARUKF)算法相比,该算法实现了自适应调节能力的最优化。仿真试验表明,本文提出的GARUKF算法在系统遭受短时强干扰以及瞬间冲击等影响时,水平方向对准精度达4′,方位对准精度可达5′。结合半实物实验结果,验证了该算法可有效提高滤波精度和稳定性,满足恶劣海况下无人船对准的要求。