基于遗忘递推最小二乘与自适应无迹卡尔曼滤波的锂电池SOC估计

针对无迹卡尔曼滤波(UKF)在噪声不确定及工况复杂情况下锂电池荷电状态(SoC)估计精度低的问题,提出基于自适应无迹卡尔曼滤波(AUKF)的估计方法.建立了基于二阶RC等效电路模型的锂电池状态方程,采用遗忘递推最小二乘(FFRLS)参数辨识方法,将Sage-Husa自适应滤波算法与UKF相结合对系统噪声协方差进行实时更...     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

基于NA-EKF的分布式驱动电动汽车行驶状态估计研究

精确的行驶状态估计对分布式驱动电动汽车(DDEV)的纵、横向稳定性控制具有至关重要的意义。本文中应用噪声自适应扩展卡尔曼滤波(NA-EKF)算法对DDEV行驶状态进行估计。该算法充分利用观测信号的实时统计信息,通过监测滤波器新息和残差的动态变化,不断修正状态噪声方差和量测噪声方差,从而调整滤波器增益、状态预测值和观测值在滤波后的状态值中的比例,提高状态估计精度。最后利用车辆动力学仿真软件ve DYNA对本文应用的算法进行了仿真验证,结果表明:与EKF相比,该算法可有效克服先验统计信息不准确和复杂工况下造成估计不准确的问题,状态量估计的平均误差不超过27%,均方根误差不超过26%,峰值相对误差较小。     

基于粒子滤波算法的动力电池容量估计模型研究

针对基于双指数模型和多项式模型的粒子滤波算法估计动力电池容量精度低的问题,提出一种融合指数项和多项式的组合模型估计动力电池容量,通过分析粒子滤波算法运行过程中双指数模型和多项式模型的参数迭代更新状态,提取两模型中的关键项形成组合模型,并分别以实验室条件下和用户工况下动力电池容量数据对组合模型进行验证。结果表明,两种条件下基于组合模型估计的动力电池容量精度均高于基于双指数模型和多项式模型估计的精度。     

基于点特征的车载LiDAR与GNSS/IMU联合标定方法研究

激光雷达(LiDAR)、全球导航卫星系统(GNSS)与惯性测量单元(IMU)之间的外部参数标定精度是影响多传感器融合及高精度地图的主要因素。基于此，提出一种适用于无人车的LiDAR与GNSS/IMU标定方法，该方法可实时提取标定板点云中心坐标，并利用点特征进行外部参数标定。首先，分析了LiDAR、GNSS、IMU及通用横墨卡托格网系(UTM)坐标系的变换关系；其次，基于IMU安装平面与地面平行的假设，通过车辆前方地面的法向量计算LiDAR俯仰角和滚转角的初值，并利用标定板中心偏移量计算偏航角初值；然后，假设车辆在平面上保持直线运动，采用恒定姿态运动将旋转角度的求解问题转化为最优化问题，并根据标定板UTM坐标不变的约束求解出平移参数；最后，通过分析算法误差、传感器测量误差以及中心点匹配误差验证了方案的可行性，并通过无人矿车采集LiDAR、GNSS和IMU的同步数据，对所提出的外部参数标定方法进行测试。试验结果表明：提出的方法只需要一定范围的平坦区域和标定板就可以解决3自由度运动估计6自由度外部参数的退化问题，且标定后的外部参数可以保证点云地图在20 m内的拼接误差小于20 cm。     

基于多传感器信息融合的汽车行驶状态估计

为了保证汽车的主动安全控制,需要准确地估计车辆行驶状态信息。针对目前汽车状态估计中由于技术条件限制和成本过高造成的部分参数无法测量或不易测量的问题,本文中利用低成本传感器,基于信息融合技术进行汽车行驶状态估计。建立了包括横摆、横向和纵向的3自由度非线性汽车动力学模型,同时为降低噪声对系统影响,建立了自适应无迹卡尔曼滤波(AUKF)的信息融合算法,给出车辆状态最小方差意义下的融合结果。利用纵向加速度、侧向加速度和转向盘转角等低成本传感器信号融合得到所需的难以测量的质心侧偏角、横摆角速度和纵向车速。通过Matlab/Simulink-CarSim联合仿真和实车试验对所研究的估计算法进行了试验验证。试验结果表明:该算法能够准确地估计汽车质心侧偏角、横摆角速度和纵向车速,且相比于无迹卡尔曼滤波(UKF),本算法提高了估计精度和实时性。     

一种改进的电动汽车锂电池RC滞后模型及其应用

为提高电动汽车电池SOC估计精度、收敛速度和鲁棒性,提出了一种改进的锂电池RC滞后模型及自适应粒子滤波的SOC估计方法。在传统RC模型基础上加入滞后模块,使用粒子群算法搜索的方法求解模型参数,综合考虑计算量和模型精度,确定了一阶RC滞后模型作为锂电池等效模型。在传统粒子滤波基础上,提出了观测噪声方差自适应估计方法。仿真结果表明,SOC初值误差较大时,自适应粒子滤波收敛速度和鲁棒性、SOC估计精度和稳定性明显优于传统算法。     

基于无迹卡尔曼滤波与遗传算法相结合的车辆状态估计

针对汽车状态估计中过程噪声和量测噪声统计特性不确定的状况,通过UKF算法与遗传算法相结合,提出一种新的自适应滤波算法,以降低噪声对估计结果的干扰。为达到较高的精度,建立了7自由度非线性车辆动力学模型,结合"魔术公式"轮胎模型对汽车行驶过程中的纵、侧向速度、轮胎力和质心侧偏角分别进行了估计。在利用UKF对汽车状态参数进行估计的同时,引入遗传算法,根据适应度函数对过程噪声和量测噪声进行寻优,实现了噪声的自适应作用,估计精度大幅提高。仿真和道路模拟试验的结果表明,UKF结合遗传算法的方法,能提高估计精度且具有很好的抗干扰性。     

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数，进一步提高观测路面附着系数算法的精度和收敛速度，结合非线性车辆动力学模型和轮胎力修正模型，搭建分布式驱动电动汽车联合仿真平台，提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器，应用协方差匹配判据对观测器发散趋势进行判别，设计自适应加权系数修正预测协方差，以增强新近观测数据的利用率；同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计，抑制观测器的记忆存储长度，调整过程噪声和测量噪声的均值与协方差，提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验，并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下，所设计的算法估计误差可控制在0.64%以内；低附着路面条件下，所设计的算法估计误差可控制在1.03%以内；对开路面条件下估计误差可控制在1.26%以内；自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快，具有更高的估计精度和较强的自适应能力，估计结果整体上维持稳定，能够适应各种不同路面的估计。     

基于改进Gmapping的室内ROS智能车同步定位与建图系统设计

室内移动机器人是近年来研究的热点问题,同步定位与建图技术更是移动机器人的关键技术之一。为此文章设计了基于机器人操作系统（ROS）智能车的同步定位与建图系统,以Gmapping为核心算法,首先采用电机编码器构建的里程计对单线激光雷达的每帧数据进行运动畸变补偿,以运动畸变补偿后的激光雷达数据和里程计数据作为Gmapping算法输入;然后通过Gmapping算法粒子初始化,构建考虑观测量的提议分布并对粒子进行采样以估计智能车位姿,以重采样重要性系数对粒子进行重采样并设置重采样阀值,利用二值贝叶斯滤波器对每个粒子的地图状态更新;最后基于Gmapping算法输出智能车的位姿估计和地图数据。试验结果表明,所设计的同步定位与建图系统,在小尺寸环境下对智能车位姿估计和构建的地图较为准确,满足设计目标要求。     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。      

基于卡尔曼滤波的Galileo动态定位

采用一种Galileo动态定位滤波的方法，该方法从Galileo接收机输出的定位结果入手，将各种误差因素的影响等效为一个总误差，对Galileo接收机的机动载体加速度采用当前统计模型，利用线性卡尔曼滤波器进行动态定位数据的处理，并将带次优渐消因子的卡尔曼滤波算法应用到Galilex，动态定位中。本模型简单，实时性好，滤波后定位精度得到提高。     

基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

专用短程通信辅助的车辆卫星定位故障检测方法

为了确保卫星定位性能满足特定协作式智能交通应用需求,提高车辆定位系统的故障容错能力,针对车辆卫星定位的自主故障检测与性能优化问题,提出基于专用短程通信辅助的卫星定位故障检测方法,充分利用专用短程通信设备的测距率观测信息,实现故障检测对不同类型卫星可视条件的有效适应。基于专用短程通信多普勒观测特性,构建基于载波频偏的车间测距率观测模型;设计卫星定位与专用短程通信组合观测与解算框架;基于容积卡尔曼滤波提出适于非线性观测特征的故障检测、识别与排除算法,并叠加量测噪声方差矩阵动态调整策略,对故障检测性能进行优化;基于实测试验检验车间测距率的观测性能,并运用实车轨迹对多车协同运行及定位采集过程进行仿真,检验所提出方法的故障检测性能。研究结果表明：提出的方法有效解决了常规接收机自主完好性监测算法受卫星可视条件限制的问题,所引入的量测噪声方差矩阵调整策略提升了故障检测及故障排除性能的稳定性,在给定仿真场景中,常规卫星观测条件下阶跃故障、斜坡故障排除率相对常规方法最高可分别提升52%、18%,受限观测条件下不同水平2类故障的排除率最高分别可达100%、89%,边界观测条件下不同水平2类故障的检测率最高分别可达100%、96%。研究结果对于充分发挥车-车协同模式的核心优势、保障车辆定位性能具有重要价值。     

弱GNSS信号下基于EMD和LSTM的车辆位置预测方法研究

针对弱GNSS环境下组合导航（INS/GNSS）系统存在的定位偏差问题，提出一种基于经验模态分解和长短期记忆网络的车辆位置预测算法。首先，针对训练数据中噪声较大的惯导数据，提出一种融合经验模态分解与离散小波变换的降噪算法。该算法基于噪声能量估计和各阶本征模态函数的功率谱密度函数，提出一种确定混合模态函数阶数上下界的方法，并采用离散小波变换硬阈值法对混合模态函数进行滤波处理，最终利用经过处理的各阶模态函数重构原始数据以达到降噪目的。训练数据经过预处理后，采用改进的堆叠式长短期记忆网络离线训练位置预测模型，利用该训练模型可在线实时进行位置预测。针对车辆定位序贯数据预测，提出一种局部数据降噪方法，该方法利用一定长度时间窗口的历史数据，通过线性最小二乘给出当下时刻数据的预估值，并与实际量测值进行滑动平均滤波，优化位置预测的结果。在封闭场地模拟隧道环境下，对长短期记忆网络输入端进行局部数据降噪与不进行降噪处理比较，经度和纬度的归一化均方误差分别下降了13.34%和9.38%，经度和纬度的归一化平均绝对误差分别下降了8.64%和5.41%；在复杂城市交通环境下，检验提出的方法，经度和纬度的归一化均方误差分别下降了6.51%和5.66%，经度和纬度的归一化平均绝对误差分别下降了5.70%和8.23%。试验结果表明，在弱GNSS信号环境下，提出的车辆位置预测方法有效提高了车辆定位精度和稳定性。     

基于多传感信息融合的智能车辆定位方法

针对高精度定位系统中地图的重要性问题,将定位问题分为无地图定位与基于地图定位,分别对智能车辆的定位问题进行探索.对研究的智能车辆、传感器及其定位问题进行建模分析,再对该平台实施传感器校准以减小系统误差.对于无地图定位问题,利用扩展卡尔曼滤波算法将里程计与惯性测量单元(IMU)数据相融合,通过试验证明航迹推测法存在累计误...     

Dynamic sensor zeroing algorithm of 6D IMU mounted on ground vehicles

The main focus of this paper is to compensate the steady state offset error of the 6D IMU which provides the measurements that include the vehicle linear accelerations and angular rates of all three axes. Additionally, the sensor compensation algorithm exploits the wheel speed data and the steering angle information, since they are already available in most of the modern mass production vehicles. These inputs are combined with the inverse vehicle kinematics to estimate the steady state offset error of each sensor inputs as it is done in a disturbance observer, and the raw sensor measurements are compensated by the estimated offset errors. The stability of the error dynamics regarding the integrated signal processing system is verified, and finally, the performance of the system is tested via experiments based on a real production SUV.     

基于自适应卡尔曼滤波的轮速信号处理技术

分析了轮速信号的检测误差,建立了轮速估计的系统状态空间模型,采用了用于轮速估计的自适应卡尔曼滤波算法.利用MATLAB进行了仿真,验证了算法的有效性.实车试验表明,滤波后的轮速信号延时小,响应速度快,平滑效果比较理想,可以用来直接估计车速.     

北斗卫星与车载传感器融合的车辆定位

为了改善北斗卫星定位性能,基于卡尔曼滤波设计了北斗卫星与车载传感器的数据融合算法。算法包括车辆方向融合和车辆位置融合两部分,前者融合电子罗盘和陀螺测量得到的北向角及其变化率,估算北向角的真实值;后者首先同步车速矢量与北斗卫星测量得到的车辆位置矢量,再根据融合结果估算车辆定位信息。为了验证数据融合算法,设计了北斗卫星与车辆状态信息采集系统,利用本系统采集的实车数据进行的仿真计算表明,算法能够提高定位频率、减小定位误差,提高北斗卫星定位的性能。