基于卡尔曼滤波的4WD电动车辆寄生功率的测量技术

根据串励直流电动机工作特性,利用车辆行驶过程中较易测得的驱动电机工作电流及驱动轮转速,运用MATLAB/SIMULINK软件,建立基于卡尔曼滤波的驱动轮滑转率模型和寄生功率模型并进行仿真;通过道路试验对电动机工作电流和驱动轮转速的检测,实时预测驱动轮的滑转率与产生的寄生功率。结果表明,驱动轮滑转率和寄生功率的仿真结果与试验结果非常接近。     

存在车辆干扰的车道线识别

为避免道路上行驶的其它车辆对车道线识别的干扰,提出了一种结合车辆识别的车道线识别方法。融合雷达数据,车辆识别模块首先在图像中识别出车辆占据的区域;对于每一个车道线识别模块挑出的车道线候选点进行判断,去除处于车辆区域的车道线点;如果有效车道线点数目不足,则利用卡尔曼滤波的跟踪结果,确定符合最小风险函数的车道线位置。经过多种工况下的试验验证,该方法能够稳定地对车道线进行识别,准确地提取车道线参数,并且算法对车辆干扰有良好的抵抗能力。     

快速卡尔曼滤波算法在目标跟踪中的应用

介绍一种快速卡尔曼滤波算法,对于一般的递归最小二乘自适应算法(RLS算法)来说有着更快的计算速度,同最小均方自适应算法(LMS算法)相比计算量差不多,该算法用统计模型(时间序列)来代替状态方程,大大减少了算法的复杂度,在速度估计的时候采用时间序列模型方法进行速度估计,通过Matlab仿真,证明在一定情况下此方法有效、可行。     

卡尔曼滤波在潜艇垂直面运动控制器设计中的应用

潜艇低噪声操纵存在无效用舵现象。简要介绍了滤波信号的表示形式，在潜艇垂直面线性运动方程的基础上，得出了滤波信号的系统模型，并对其进行了离散化处理；将均方差最小线性递推滤波算法引入到输入信号的控制过程中，通过仿真证明对输入信号进行卡尔曼滤波能够提高输入信号的品质，用于工程应用。     

基于Hopfield神经网络的导航系统的滤波估计

介绍了以中精度惯性导航系统INS（Inertial Navigation System）为主，与全球导航定位系统GPS（Global Position System）等多个次级导航系统组成的导航系统的实现方案。设计了基于Hopfield神经网络的导航系统的滤波估计算法。经计算机模拟仿真证明，神经网络的算法优于通常的卡尔曼滤波方法。     

基于Unscented卡尔曼滤波器的地磁辅助组合导航

将船位推算与地磁测量相结合构成组合导航方法.首先建立了推算模型,然后利用Unscented卡尔曼滤波方法,直接将地磁测量的结果用于校正推算结果,进行导航定位.此方法不采用匹配方法进行定位,可进行实时定位,能适用于非线性和离散的地磁模型.仿真表明,此方法能减小定位误差,适用于基于船位推算和地磁定位的实时组合导航.     

基于角度变化率的机动目标单站无源定位

机动目标无源定位和跟踪技术在航空、制导等领域都有着非常广泛的应用,一直是人们的研究热点。文章运用了运动学原理,在传统测角定位技术基础上加以改进,增加了角度变化率信息,并采用IMM算法,实现了单站无源机动目标跟踪。计算机仿真验证了该方法的正确性与有效性。     

基于卡尔曼-高斯联合滤波的车辆位置跟踪

车辆位置的精确、可靠获取,一直是阻碍智能驾驶技术的难题.特别当车辆处于复杂道路环境中时,车辆卫星定位信号易受较大干扰,使车辆定位产生漂移现象.针对车辆定位的这种漂移现象,研究了针对车辆位置跟踪的卡尔曼-高斯联合滤波方法.对于车辆卫星定位受到的干扰不同,采用分层处理的滤波方法;针对卡尔曼滤波不能较好地滤除一些干扰较大的位置漂移点,通过设置与车速、航向角等相关的动态阈值,对卫星定位的车辆位置进行动态阈值判断;通过动态阈值识别出的车辆位置漂移数据,结合高斯过程回归,以车辆的历史数据作为学习样本,使用预测值和真实观测值构建补偿量,通过对卡尔曼观测方程加入动态观测补偿实现车辆位置优化;对于一般噪声产生的卫星定位波动,联合滤波也可以有效优化.实车实验表明,该方法可以有效识别出车辆定位的漂移点,车辆卫星定位在信号受较大干扰的情况下,车辆卫星定位的精度可以提高30%左右,最大误差由9 m降低到0.8 m左右.该联合滤波方法在使用低成本定位装置的情况下,有效提高车辆卫星定位的精度及可靠性.      

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据，基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素，选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据，选取3 000组实际运行数据完成公交行程时间预测模型的训练，另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间，预测值平均相对误差为3.23%，绝对误差集中在8 s左右，明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型，可认为选择RFID电子车牌数据作为组合模型的输入，能够明显改善模型预测精度；组合模型预测值的残差分布更为集中、鲁棒性较好，泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标，结果进一步表明，组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。