基于变分贝叶斯双尺度自适应时变噪声容积卡尔曼滤波的同步定位与建图算法

为解决移动机器人在同步定位与建图(SLAM)中因系统噪声和观测噪声时变导致状态估计精度降低的问题,该文提出一种基于变分贝叶斯的双尺度自适应时变噪声容积卡尔曼滤波SLAM算法(DSACKF SLAM)。该算法采用逆Wishart分布对一步预测误差协方差矩阵P_(k|k–1)和观测噪声协方差矩阵R_(k)建模,分别用来降低系统噪声和观测噪声的影响,并利用变分贝叶斯滤波实现对移动机器人状态向量X_(k),P_(k|k–1)和R_(k)的联合估计。分别在系统噪声和观测噪声时变和时不变的条件下进行仿真实验,结果表明与基于无迹卡尔曼滤波的SLAM算法(UKF SLAM)、自适应更新观测噪声的容积卡尔曼滤波的SLAM算法(VB-ACKF SLAM)相比,所提DSACKF SLAM算法在噪声时变时,平均位置误差分别减小1.54 m,3.47 m;噪声时不变时,平均位置误差分别减小0.62 m,1.41 m,证明DSACKF SLAM算法有更好的估计性能。

基于容积卡尔曼滤波的输电线路弧垂预测

输电线路弧垂是线路安全运维的重要指标,为减少因弧垂过大或过小而产生运行时的安全问题,必须要考虑输电线路在不同气候条件下的应力及弧垂值,因此输电线路弧垂的预测具有重要意义。针对这一现象,国内外学者采用神经网络等预测算法对弧垂进行评估,但在实现动态实时估计的方法较少。文中采用输电线路模型优化融合容积卡尔曼模型,实现在不同工况下输电线路弧垂模拟预测。该方法利用系统状态方程,通过对输入输出数据的观测,对系统的状态进行最优估计,在含有不确定因素的动态系统中对数据进行实时追踪并修正,估计出真实发生的情况。通过对几种工作状态的导线应力预测,并与真实情况进行对比得出该算法具有良好的精度及动态性,为恶劣天气下高压输电线路无人巡检和预防故障的发生提供可能。

基于NPF-CKF的捷联惯导系统动基座初始对准技术

当海况不佳时,水下航行器大幅晃动,捷联惯导系统无法快速完成自主初始对准,因此提出了利用多普勒计程仪提供的速度信息进行运动中辅助对准。针对在非线性对准中扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,提出了一种基于非线性预测滤波的求容积卡尔曼滤波算法。该滤波算法将惯性器件测量误差作为模型误差使用非线性预测滤波器进行实时预测,然后再利用求容积卡尔曼滤波对模型误差补偿后的系统进行状态估计。仿真结果表明,与扩展卡尔曼滤波和求容积卡尔曼滤波算法相比,该滤波算法能够不仅提高失准角特别是方位失准角的估计精度,其精度约为45″,而且加快了收敛速度。同时由于该滤波算法降低了系统状态的维数,因此也大大减少了计算量。

强跟踪平方根容积卡尔曼滤波和自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.

一种用于实时轨道确定的NPF-SRCKF滤波算法

针对航天器实时轨道确定中建模复杂、计算量大、估计精度低的问题,设计了一种考虑地球J2摄动影响的基于NPF-SRCKF的实时轨道确定算法,该算法采用非线性预测滤波(NPF)对模型误差进行补偿修正,利用平方根容积卡尔曼滤波(SRCKF)算法对修正模型误差后的系统进行状态估计。针对单测站、双测站跟踪测量设计了不同的实时轨道确定算法。实验结果显示,将非线性预测滤波和平方根容积卡尔曼滤波结合在一起,运用于简化的实时轨道确定模型,能有效降低计算复杂度,改进数值运算的稳定性,提高状态估计的精度。

基于自适应SRCKF的空间非合作目标实时轨道确定

针对天基测角对非合作目标跟踪定轨的动力学模型简化误差问题,提出一种基于非线性预测滤波和SRCKF(Square Root Cubature Kalman Filter,平方根容积Kalman滤波)的自适应滤波方法。采用考虑地球J2摄动影响的轨道动力学模型作为状态方程,在跟踪滤波过程中,用NPF(Nonlinear Predictive Filter,非线性预测滤波)对动力学模型进行实时修正,利用SRCKF对修正后的动力学模型进行状态估计。将该方法应用于高轨航天器对非合作低轨目标的实时测角定轨任务中,进行数字仿真,仿真结果证明,该方法相比传统的滤波方法具有更高的精度、更强的鲁棒性和稳定性。

基于日地月信息的航天器全弧段自主容积卡尔曼滤波导航

高精度全弧段航天器自主导航是航天应用技术的发展方向,是实现航天器在轨任务执行的前提和基础。文章对仅利用日、地、月等天文信息进行航天器全弧段自主导航方法进行了研究。首先,以航天器轨道动力学方程和航天器与日地月之间的夹角信息及地心距作为自主导航系统的状态模型和观测模型,构建了非线性导航系统模型。其次,给出了全弧段自主导航算法,在日月可见弧段采用非线性容积卡尔曼滤波实现航天器自主导航,在星蚀时段利用航天器轨道动力学模型进行高精度轨道预报。最后,给出了数值仿真算例。结果表明,基于日地月天文信息的航天器全弧段自主导航精度保持在2km以内,能够满足其自主导航的要求。

基于容积卡尔曼滤波(CKF)算法的卫星轨道实时预报方法

卫星轨道实时预报常采用扩散卡尔曼滤波(EKF)方法;但是EKF应用于非线性度较大的系统时精度和效率都不高。CKF算法利用带权重的点对状态量进行估计,用球面积分的方法解决了求函数与高斯随机变量乘积的积分的难题,既不需要对函数进行线性化,也不需要计算Jacobin矩阵。将其应用到轨道的实时预报当中,通过仿真验证,表明基于CKF的卫星轨道实时预报方法对预报精度和速度均有一定程度的提高。

基于时变TVAR模型和CKF滤波的助推器落点预测

为解决助推器难以精确回收的问题,提出了一种容积卡尔曼滤波(CKF)和时变自回归(TVAR)模型融合的助推器落点预测方法。针对外弹道观测数据的非平稳时序特点,利用TVAR模型对其建模,预测助推器脱落时和助推器落地之间一段时间的未来测量值,以离散化质点弹道模型作为状态方程,将未来测量值作为CKF滤波弹道位置估计的测量值。为普适非平稳序列,考虑时变TVAR对非平稳时间序列的时变参数和模型阶数的确定。该方法是预测助推器落点滤波外推法的一种新实践。实验数据结果表明,TVAR预测助推器落点与TVAR-CKF融合预测的助推器落点相比,融合后预测的结果与实际测量的助推器落点的偏差更小,可为实际应用提供参考。

基于动态负荷预测的配电网动态状态估计方法

随着相量测量单元(PMU)在配电网中的逐步部署,配电网动态状态估计逐渐成为智能配电网中的一个重要研究课题。为改进电力系统动态状态估计算法状态预测环节,通过负荷预测模型预测电力系统运行状况;将各节点负荷作为扩展状态变量,负荷预测结果作为新增量测,建立等式约束关系;在容积卡尔曼滤波(CKF)算法框架下,提出基于动态负荷预测的配电网动态状态估计方法。与直接对状态变量做线性外推的传统状态预测方法相比,所提算法更符合配电网动态特性变化规律。在IEEE119节点配电系统上的仿真分析,证明了算法的有效性。

空基无源相干定位系统的机动目标跟踪算法

针对空基无源相干定位系统中外辐射源状态不确定性对机动目标跟踪精度的影响,提出了一种基于多模型预测的双变量容积卡尔曼滤波算法。首先建立了机动目标跟踪的系统模型,并确定了多模型集。然后基于多模型思想,将模型交互步骤增加到状态预测步骤之后,对状态预测值进行交互融合,得到最优的状态预测值。为解决固定的马尔可夫转移概率导致系统跟踪性能下降的问题,采用“感知记忆”嵌入的时变转移概率,降低不匹配模型的竞争影响;最后利用双变量容积卡尔曼滤波算法同时对目标和外辐射源进行状态估计。仿真对比实验验证了算法的有效性。

预测-五阶容积卡尔曼滤波方法

为适用于强非线性、非高斯过程噪声系统,结合预测滤波(PF)与高阶容积卡尔曼滤波(HCKF),提出一种预测-五阶容积卡尔曼滤波(P5thCKF)方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整,进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则,采用五阶球面单形积分准则处理球面积分,广义高斯-拉盖尔积分准则处理径向积分;描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。

非均匀监测条件下滚动轴承剩余寿命预测方法

退化过程的建模依赖时间和幅值的离散化,现有的退化建模方法大多基于时间均匀离散的假设。然而,在设备的日常运维中,由于传感器故障或操作人员失误等因素,可用监测数据会出现非均匀分布的情况(如旋转机械的关键部件滚动轴承的状态监测数据),导致退化模型进行参数更新和剩余寿命预测时存在额外偏差。针对该问题,提出一种非均匀监测条件下的滚动轴承剩余寿命预测方法。首先,构造监测间隔相关的布朗运动项,以精确刻画非等间隔退化模型中随机参数的时间不确定性。在此基础上,提出了一种基于期望最大化算法和平方根容积卡尔曼滤波的非等间隔退化模型的参数动态推断方法,实现了滚动轴承退化状态与剩余寿命的自适应估计。通过滚动轴承全寿命试验实例,验证所提出剩余寿命预测方法的有效性。结果表明,在非均匀监测条件下,与其他指数退化模型相比,所提出的方法具有更高的预测准确度和更优的拟合性能。

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明:在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。