汽车行驶状态参数的估计

介绍Sage-Husa自适应卡尔曼滤波算法和滤波估计流程,建立二自由度汽车模型,在模型中加入系统噪声和测量噪声,建立系统状态方程和观测方程。利用自适应卡尔曼滤波算法,对汽车质心侧偏角和横摆角速度进行估计,并进行转向盘转角正弦输入仿真分析,仿真结果表明两者的真实值和估计值吻合良好。利用自适应卡尔曼滤波算法对汽车行驶状态参数进行估计可以降低汽车的成本,是一种行之有效且具有工程应用价值的方法。     

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。     

基于自适应卡尔曼滤波的商用车横向载荷转移率估计

为解决商用车由于质心高、轮距小而易发生侧翻事故的问题,建立了3自由度参考模型,提出了基于自适应卡尔曼滤波算法的状态估计器,并以估计器估计结果对车辆状态和横向载荷转移率进行计算.利用TruckSim仿真软件对自适应卡尔曼滤波估计算法进行了验证,验证工况为30 km/h和90 km/h双移线工况.通过估计结果与仿真数据对比,验证了此估计算法能够很好地估计计算车辆状态和车辆横向载荷转移率值.     

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。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

基于ARWLS和AUKF的锂电池SOC估计

精确估计锂电池荷电状态（SOC）对纯电动汽车的安全稳定行驶有着深远影响,对锂电池SOC状态的估计主要有参数辨识算法和SOC估计算法两个热点问题。针对辨识过程中出现的“数据饱和”现象以及锂电池SOC状态估计时的滤波发散问题,文章提出了自适应遗忘因子递推最小二乘法（ARWLS）-自适应无迹卡尔曼滤波（AUKF）联合算法。首先建立了二阶R-C锂电池数学模型,并针对传统最小二乘法在参数辨识过程中出现的“数据饱和”现象,引入了自适应遗忘因子动态修正新旧数据权重,提升在线参数辨识的准确度以及效率。其次,针对无迹卡尔曼滤波存在的滤波失效问题,提出了自适应无迹卡尔曼滤波算法来自适应调整系统噪声和观测噪声,从而提高SOC估计时的适应性和鲁棒性。最后在混合动力脉冲能力特性（HPPC）工况下对扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和AUKF三种SOC估计算法进行仿真比较,仿真结果表明,AUKF算法估计的SOC曲线跟随SOC真实值曲线变化的性能最好,估计精度也优于其他两种算法,具有更小的估计误差,收敛性也最好。     

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计EI北大核心CSCD

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。     

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。     

基于自适应卡尔曼算法的重型半挂车状态估计研究

在建立三轴重型半挂车简化动力学模型的基础上,提出了用于估计重型半挂车运动状态的自适应卡尔曼滤波估计算法。利用动力学软件Trucksim对该估计算法进行了验证,验证结果表明,所提出的自适应卡尔曼滤波算法能够在车速为30 km/h与60 km/h的两种扫频工况下,准确估计重型半挂车横摆角速度和铰接角,为重型半挂车的稳定性控制奠定了基础。     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明:在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。      

基于数据关联和改进统计模型的激光雷达目标跟踪研究

目标运动状态识别与关联匹配是智能车辆环境感知中目标跟踪的关键因素,本文中以单线激光雷达为主要传感器开展了车辆前方目标跟踪算法的研究。在最近邻法基础上构造了包含距离、尺寸和反射强度的"关联函数"进行量测值与目标值之间的关联匹配,并基于改进的当前统计模型设计了自适应卡尔曼滤波估计算法来识别目标的运动状态。仿真和试验结果表明,该目标关联匹配与运动状态识别算法能有效地抑制测量过程中引入的量测噪声,并实时、可靠地估计前方障碍物的位置、速度和加速度,实现对目标的跟踪。     

融合毫米波雷达与深度视觉的多目标检测与跟踪

针对现有融合毫米波雷达与传统机器视觉的车辆检测算法准确率较低与实时性较差的问题,本文中对多目标检测与跟踪进行研究。首先,利用阈值筛选和前后帧数据关联方法对毫米波雷达数据进行预处理,进而提出一种用于毫米波雷达数据跟踪的自适应扩展卡尔曼滤波算法。然后,为提高目标检测精度与速度,基于采集到的实车数据集训练卷积神经网络,完成深度视觉的多车辆检测。最后,采用决策级融合策略融合毫米波雷达与深度视觉信息,设计了一种用于复杂交通环境下前方车辆多目标检测与跟踪的框架。为验证所设计的框架,进行了不同交通环境下的实车实验。结果表明:该方法可实时检测跟踪前方车辆,具有比融合毫米波雷达与传统机器视觉的车辆检测方法更好的可靠性与鲁棒性。     

基于强跟踪的卡尔曼滤波算法道路坡度估计分析

在上下坡路段行驶的过程中，道路的坡度角对车辆的纵向受力分析非常重要。道路坡度角过大时会影响驾驶员驾驶的安全性，因此在道路建设中，上下坡路段的研究是有重要意义的。为了更加精确地对汽车在各种路段下的行驶状况进行研究，道路坡度是重要的研究指标。据此，提出了强跟踪滤波优化卡尔曼滤波算法，并利用MATLAB/Simulink仿真，验证了优化后的卡尔曼滤波算法具有很强的跟踪性和准确性。     

智能车辆自动跟随控制的目标跟踪算法研究

为解决智能车辆目标跟踪过程中环境干扰导致目标丢失的问题,提出一种改进的目标跟踪算法,利用结合卡尔曼滤波的Camshift算法与ECO算法进行综合观测,对观测结果进行可靠性评价与选择性更新输出,最终实现跟踪目标状态的获取。采用目标跟踪基准(OTB)开放数据库对相关算法进行验证,结果表明,改进算法在一定程度上实现了Camshift算法和ECO算法优点的互补,抑制了常见的环境因素对目标跟随的影响。     

基于滤波器自适应更新的机场目标跟踪算法

机场场面目标跟踪常面临目标遮挡、背景干扰、低分辨率等因素的影响，导致跟踪准确性降低甚至丢失跟踪目标。针对以上问题，研究了基于滤波器自适应更新的机场目标跟踪算法。选取跟踪目标的颜色特征和深度特征，通过插值算子进行多特征融合，再将融合特征与之对应的滤波器进行卷积求和计算各区域置信度，置信度高的区域即为跟踪目标位置。为提高跟踪准确性，利用峰值旁瓣比与平均响应峰值能量建立了跟踪结果校验机制，并设计了1种滤波器自适应更新策略，使滤波器能够自适应调整学习速率，仅在结果可靠时更新。在西南某机场采集的视频数据集上进行测试，结果表明:算法在目标特征不明显或发生变化时具有更好的性能，在目标遮挡和背景干扰等9种因素下的跟踪性能有较大提升，整体精确度和成功率分别达到0.834和0.828，较原ECO算法分别提升了11.35%和11.29%，且均优于文中提到的其他5种经典算法。      

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

基于强跟踪容积卡尔曼滤波的车辆行驶状态估计

针对车辆行驶过程中的状态估计问题,提出了基于强跟踪容积卡尔曼滤波的车辆行驶状态估计算法。建立了采用Dugoff轮胎模型非线性3自由度车辆估算模型,通过对纵向加速度、侧向加速度、横摆角速度、转向盘转角和车轮轮速低成本传感器信号的信息融合以实现对车辆行驶状态的准确估计。应用驾驶员模拟器进行在环试验结果表明,基于强跟踪容积卡尔曼滤波的估计算法能够较准确地对车辆行驶状态进行估计。     

概率匹配和状态预测的不连续空间车辆识别跟踪算法

为了解决交通路段不连续监控区域车辆目标的自动识别跟踪问题,提出了一种不连续空间车辆识别跟踪算法.该算法分为识别阶段和跟踪阶段,识别阶段利用高斯概率密度估计的方法建立前一场景中某个车辆目标的概率函数,再通过概率函数计算出出现在下一场景中的所有车辆的匹配概率,用概率阈值确定是否有车辆与前一场景的车辆目标匹配,匹配的车辆在下一场景中将被标记识别.而在跟踪阶段中车辆的跟踪基于无迹卡尔曼滤波(UKF),通过状态预测同时跟踪不同的车辆目标.该算法可以解决在不同路段的监控视频中自动识别并跟踪肇事潜逃车辆等实际问题.通过试验测试表明,该算法在车辆目标的识别上具有一定的精准性,且能够实现对车辆目标的实时跟踪.     

异常情况下电动汽车锂电池SOC估计

为提高锂电池在状态突变、模型不准确、SOC初始误差大等异常情况下的SOC估计精度和收敛速度,提出了基于强跟踪卡尔曼滤波算法的SOC估计方法。建立了锂电池的双RC等效电路模型,使用HPPC方法辨识了模型参数;分析了扩展卡尔曼滤波原理和缺陷,在误差协方差矩阵中引入时变渐消因子,用于改进修正系数矩阵,强行使残差序列保持正交特性,基于此原理提出了强跟踪卡尔曼滤波算法。经仿真验证,在模型不准确和状态突变情况下,强跟踪卡尔曼滤波的最大估计误差为2%,而扩展卡尔曼滤波最大误差为4.5%;在SOC初始误差较大情况下,强跟踪卡尔曼滤波在15 s内收敛至真值,而扩展卡尔曼滤波在40 s时收敛至真值。     

基于自适应模糊扩展卡尔曼滤波的车辆运动状态联合估计

为准确实时地获取车辆运动状态信息,满足车辆主动安全控制系统的需求,基于模糊控制器和扩展卡尔曼滤波（EKF）算法,采用非线性3自由度车辆动力学模型,提出一种基于自适应模糊扩展卡尔曼滤波（AFEKF）的车辆运动状态联合估计策略。首先利用EKF算法对待测量噪声的输入量联合估计得到所需的状态量,然后建立模糊控制器对其进行自适应调节,最后应用MATLAB/Simulink仿真平台建立14自由度车辆动力学模型对估计算法进行仿真和实车试验验证。结果表明：AFEKF算法能够准确有效地估计车辆的行驶状态,且与EKF算法相比,准确性和鲁棒性更好。