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...     

动力电池SOC估计的一种新型鲁棒UKF算法

针对动力电池SOC估计过程中,电压观测数据容易出现野值干扰的问题,提出了改进UKF算法,将观测噪声模型修正为归一化受污染正态分布模型,利用贝叶斯定理计算野值出现的后验概率,以此作为加权系数自适应地调整滤波增益和状态协方差。该方法能有效克服野值干扰问题。但在SOC初值设定存在误差情况下,该方法会将电压观测数据中的正常值误视为野值,而仅以很小的滤波增益控制量进行调整,导致算法收敛慢甚至引起发散。因此,在算法初始阶段又引入了基于强跟踪原理的次优渐消因子对目标进行快速跟踪,弥补上述单纯抗野值方法的不足。试验验证结果表明,改进UKF算法鲁棒性强,具有很好的跟踪速度和精度,为动力电池SOC估计过程中抗野值干扰提供了一种新的方法。     

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。     

考虑动力学模型系统误差补偿的智能车GNSS/IMU组合定位算法

为了解决智能车动态组合定位过程中，因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题，针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统，结合非线性预测滤波(NPF)和自适应滤波的优点，提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先，根据NPF算法原理，通过最小化预测观测残差与系统误差的加权平方和，估计动力学模型系统误差；其次，结合自适应滤波原理，利用状态预测残差向量构造自适应因子，设计了一种自适应扩展卡尔曼滤波(AEKF)算法，用于估计系统状态向量，并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响，克服NPF对系统状态估计精度有限的缺陷；再次，对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导，以补偿动力学模型系统误差对系统状态估计的影响；最后，通过车载GNSS/IMU组合定位系统试验，从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点，同时克服了NPF算法估计精度有限的缺陷，具有较好的滤波解算精度，水平定位精度小于1.0 m，算法单次平均执行时间约为0.013 9 ms，在精度和实时性的平衡方面显著优于其他滤波方法。     

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。     

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。     

基于HSRI模型的参数自适应质心侧偏角观测器的设计

首先对全维车速观测器进行降维处理,以减少观测器的在线计算量,并设计了非线性级联车速观测器.接着,对路面附着系数和轮胎侧偏刚度进行参数自适应估计,以提高质心侧偏角的估计精度,并基于HSRI轮胎模型设计了参数自适应非线性质心侧偏角观测器.在估算轮胎侧偏刚度时采用无侧向车速的车辆模型,以避免车辆动力学模型与侧向车速观测器的耦合作用,并引入带双重遗忘因子的递推最小二乘法,以保持算法的修正能力和解除不同估计参数之间误差的耦合作用.最后采用Simulink与Carsim动力学仿真软件进行联合仿真验证,结果表明所设计的参数自适应非线性质心侧偏角观测器是有效的,估计精度满足ESC控制的工程要求.     

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。     

基于交互式多模型和容积卡尔曼滤波的汽车状态估计

基于UniTire轮胎模型建立了包含时变噪声统计特性的汽车动力学7自由度整车模型。针对系统状态噪声和观测噪声统计特性未知的问题,提出了一种基于交互式多模型和容积卡尔曼滤波(IMM-CKF)车辆状态估计算法。该算法采用包含不同系统状态噪声和观测噪声统计特性的汽车动力学模型作为交互式多模型算法的模型集,用容积卡尔曼滤波器对每个子模型的车辆状态进行估计,并使融合输出结果始终保持跟踪估计误差小的子模型输出。最后利用实车场地环境下多种驾驶工况的测试数据对IMM-CKF算法进行离线验证,并与容积卡尔曼滤波器的估计结果进行对比,结果表明其估计性能优于容积卡尔曼滤波器。     

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。     

一种基于加速度及轮速信息的参考车速估计方法

以两轮驱动轿车为研究对象,提出了一种基于加速度及轮速信息的参考车速估计方法。以Kalman滤波为基本算法,结合试验分析,通过估计系统噪声特征和修正量测方程,改进了算法对加速度量测信号静态偏差变化的跟踪能力,提高了参考车速的估计精度。利用该方法估计参考车速具有不依赖大量试验、计算量小的特点,适于实车应用。     

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。     

四轮轮毂电机电动汽车行驶状态估计

针对四轮轮毂电机电动汽车行驶过程中的状态估计和在数据测量过程中由于偶然因素使观测序列中存在野值的问题,本文中提出了一种基于抗野值鲁棒容积卡尔曼滤波的车辆行驶状态估计算法。首先利用四轮轮毂电机电动汽车的每个车轮的电机驱动力矩容易测得的优势计算轮胎的纵向力,采用Dugoff轮胎模型计算轮胎的侧向力,建立了汽车非线性3自由度车辆模型。接着通过对简单易测低成本传感器信号的信息融合实现电动汽车在行驶过程中的纵向速度、侧向速度和质心侧偏角的准确估计。最后应用Car Sim和Matlab/Simulink联合仿真对估计算法进行验证。结果表明,基于抗野值鲁棒容积卡尔曼滤波的估计算法比扩展卡尔曼滤波估计算法更能较准确地对车辆行驶状态进行估计,且具有较好的实时性。     

基于扩展卡尔曼滤波的汽车质心侧偏角估计

基于二自由度汽车动力学模型和轮胎模型,运用扩展卡尔曼滤波方法建立了汽车质心侧偏角估计器.利用汽车动力学仿真平台,通过仿真对比了线性轮胎模型和非线性轮胎模型的质心侧偏角估计结果.仿真结果表明,轮胎模型对于质心侧偏角估计精度至关重要,而采用非线性轮胎模型能显著提高质心侧偏角估计精度,估计结果能满足ESC控制的要求.     

基于最小模型误差估计的智能汽车路径跟踪控制

为提高分布式驱动电动智能汽车在自主循迹过程中关键参数的估计精度并降低模型不确定性对控制系统鲁棒性的影响,本文中提出了一种基于观测器的自适应滑模路径跟踪控制策略。首先,针对难以直接精确测量的车辆纵、侧向速度,建立了5输入3输出3状态的状态估计系统,并采用最小模型误差准则以降低估计过程轮胎的非线性特性带来的观测模型误差。接着,基于运动学模型,计算出了路径跟踪期望横摆角速度响应,并采用自适应滑模算法实现主动转向控制。考虑线控转向系统的潜在失效风险,引入径向基神经网络对系统不确定性进行在线估计。同时,设计了直接横摆稳定控制器并采用最优转矩分配策略,进一步提高车辆的稳定性。最后,对车辆状态估计和路径跟踪进行了Carsim/Matlab联合仿真,结果表明:基于最小模型误差准则的观测器能取得较可靠的估计结果,路径跟踪控制器能保证车辆具有较好的跟踪精度和鲁棒性。     

轮胎／路面附着系数估算方法

为提高汽车主动安全系统自适应控制性能,需要对轮胎／路面附着系数进行精确的识别或估算。鉴于附着系数估计的复杂性,文章综述了目前路面附着系数估算中的汽车动力学建模和轮胎／路面摩擦模型建模,重点讨论了轮胎／路面附着系数识别算法中传感器的直接检测估计法,以及基于车辆动力学、回正力矩和状态观测器等动力学模型的估计算法,并对各估算方法存在的问题与发展趋势等进行了分析。对开发汽车主动安全电控系统和提高汽车产业核心竞争力具有重要意义。     

基于自适应无迹卡尔曼滤波的汽车状态参数估计

针对车辆状态参数估计过程中过程噪声和测量噪声的不确定性,提出一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法.建立包括纵向、横向和横摆3个自由度的车辆动力学模型,基于无迹卡尔曼滤波理论建立自适应无迹卡尔曼滤波估计模型,最后搭建MATLAB/Simu-link-Carsim联合仿真平台对提出的算法进行仿真验证.结果表明...     

基于轮边驱动电动汽车轮胎力估计的路面附着系数估算

为了能够实时准确的获得当前车轮的轮胎力及路面附着系数以提高汽车主动安全性能,提出一种轮边驱动电动汽车状态估计与路面附着系数估计相结合的估计方法。根据车载传感器及七自由度非线性车辆动力学模型,采用扩展卡尔曼滤波算法(EKF)进行车辆状态及轮胎力的估计。结合EKF估算结果和轮胎模型,采用递归最小二乘法(RLS)实时估计不同路面的附着系数。仿真结果表明:该方法可以在较为复杂工况下估计出不同的路面附着系数,估计精度较高,实时性较好。