基于自适应EKF的弱GNSS信号跟踪算法

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。     

基于三维激光扫描的物体重构建模

针对锂离子电池SOC(荷电状态)难以估算的问题,通过对电池建立等效的Thevenin电路模型,对不同时刻的SOC的模型参数进行拟合得到动态的模型参数,在Matlab中借助Simulink建立仿真模型,采用模块化结构,建立基于卡尔曼滤波算法的电池SOC估算系统;利用测得的电池电压电流,仿真系统可直接估算出实时的电池SOC,与实际的电池SOC对比,误差保持在2.5%以内,表明该方法可以有效的估计电池的SOC,对于锂离子电池在实际应用的容量估算有着重要意义。     

基于Simulink的锂电池建模仿真

针对锂离子电池SOC(荷电状态)难以估算的问题,通过对电池建立等效的Thevenin电路模型,对不同时刻的SOC的模型参数进行拟合得到动态的模型参数,在Matlab中借助Simulink建立仿真模型,采用模块化结构,建立基于卡尔曼滤波算法的电池SOC估算系统;利用测得的电池电压电流,仿真系统可直接估算出实时的电池SOC,与实际的电池SOC对比,误差保持在2.5%以内,表明该方法可以有效地估计电池的SOC,对于锂离子电池在实际应用的容量估算有着重要意义。     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法。建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响。仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。     

不完全量测下长基线系统的水下目标跟踪算法

针对不完全量测情况下长基线系统对水下目标跟踪精度会下降的问题,提出了最小二乘-容积卡尔曼滤波(Least Squares-Cubature Kalman Filter,LS-CKF)算法。选取容积卡尔曼滤波(Cubature Kalman Filter,CKF)为基本跟踪算法并将其改进为两步滤波模式.增加的第1步滤波使用最小二乘估计优化时间更新阶段的容积点,提高了第2步滤波中量测更新的精度。进一步推导了量测信息为距离时新算法的简化形式,降低了运算复杂度,使其能更好地应用于水下跟踪系统.仿真实验和湖试数据的处理结果表明,在丢失量测数据较多且初始状态误差很大的恶劣情况下,LS-CKF收敛速度比标准CKF算法提升了1倍,且跟踪误差降低10%以上。      

扩展卡尔曼滤波和不敏卡尔曼滤波在实时雷达回波反演大气波导中的应用

为了改善雷达回波反演大气波导(RFC)方面存在的单时次、单方位角反演的问题,提出利用扩展卡尔曼滤波和不敏卡尔曼滤波的反演算法对大气波导结构的多方位角实时跟踪反演. 在卡尔曼滤波方法中分别给出大气波导结构的参数化方程、观测方程、滤波算法的状态转移方程,最后导出滤波反演算法的迭代求解流程. 在大气波导结构不随时间变化和随时间变化的两种条件下,对扩展卡尔曼滤波和不敏卡尔曼滤波算法进行数值实验. 实验结果表明,不敏卡尔曼滤波更适用于RFC这高度非线性反演问题,它可能今后为大气波导结构多方位角实时跟踪反演的业务化运行提供理论基础与技术保证. 关键词： 大气波导 雷达回波 扩展卡尔曼滤波 不敏卡尔曼滤波     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

捷联惯导系统中卡尔曼滤波的应用研究

为提高捷联惯导系统初始对准精度,提出将卡尔曼滤波技术应用于系统初始精对准,用以估计系统的失准角和惯性误差。对卡尔曼滤波技术在捷联惯导系统中的应用进行分析,建立捷联惯导系统初始对准误差模型和卡尔曼滤波量测方程。分析不同条件下不同滤波方法的滤波原理和滤波精度。在此基础上,提出一种将预测扩展卡尔曼滤波应用于逆向导航技术的思路,并进行了理论分析和捷联惯导系统自对准流程设计,为后续进一步深入开展惯导系统初始对准奠定基础。     

光电跟踪系统计算机辅助控制实现

建立了基于数值微分的目标运动状态滤波预测模型,用s-函数实现了卡尔曼滤波预测算法。利用目标位置拟合方法给出角位置信息,并以此为观测信息通过卡尔曼滤波预测出当前角位置和角速度信息,将其引入跟踪控制系统中以克服脱靶量滞后问题,同时也实现了系统的等效复合控制。仿真结果表明,基于数值微分的模型适用于角度跟踪,滤波预测具有较好的鲁棒性。通过对两个不同等效正弦输入的验证,可知角位置合成精度对共轴跟踪影响较大,在脱靶量和跟踪架角位置采样匹配对应时,跟踪仿真精度较高,而对等效复合控制跟踪误差影响较小,输入信号角频率增大时误差增大。     

Ternary-material lithium-ion battery SOC estimation under various ambient temperature

Ambient temperature produces great effects on battery state-of-charge (SOC) estimation, due to the unstable estimation algorithm, the weakened traceability of battery model, and variable model parameters at various temperatures, especially lower temperatures. The widely used method based on the equivalent circuit model (ECM) offline in using different algorithm, like current integral, the extended Kalman filter (EKF), or the unscented Kalman filter (UKF), can obtain an accurate SOC estimation at room temperature, but it is difficult to guarantee the high precision at lower temperatures. To address this problem, the battery model is investigated at different temperature, and an offset item is proposed to develop the observer equation in the estimated model. Then, the square root of the Sigma points Kalman filter (SR-UKF) is applied, and on the basis of the individual model parameter-temperature table and the developed model, the high accuracy of SOC estimation is achieved. Additionally, considering the burden of original parameter modification (all model parameters modified) at various temperature which will increase the product cost and computational complexity of the battery management system (BMS), the relationship between individual model parameter and the error of SOC estimation is built, which is helpful for the simplification of parameter modification. The results indicate that the proposed method based on the developed estimated model and the simplified parameter modification can achieve an accurate, stable, and efficient SOC estimation.     

基于等效模型和多时间尺度扩展卡尔曼滤波的锂离子电池SOC预测

荷电状态(SOC)和最大可用电量估计是锂离子电池寿命预测中的两个最重要部分;然而与快速时变的SOC比较,最大可用电量的参数变化缓慢;文章提出了一个基于等效模型和多时间尺度的扩展卡尔曼滤波(EKF)预测算法对SOC和最大可用容量分别在不同时间尺度上进行估计,在宏观尺度上利用了SOC估计值作为观测量,更新最大可用电量;针对NCA/C卫星锂离子电池实验数据的仿真结果表明,提出的多时间尺度EKF预测算法与EKF联合估计算法相比,SOC和最大可用电量估计准确度更高,同时提高了计算效率。     

基于时频差的正交容积卡尔曼滤波跟踪算法

针对基于时频差测量的无源跟踪中面临的非线性估计问题, 提出一种正交容积卡尔曼滤波跟踪算法. 该算法在容积卡尔曼滤波算法的基础上, 通过引入特定正交矩阵改进容积采样方法, 在高维状态估计下减小因采样产生的误差, 在没有增加计算量的前提下, 有效提高收敛速度及跟踪精度. 仿真结果表明, 在基于到达时差和到达频差的联合无源跟踪问题中, 与扩展卡尔曼滤波及容积卡尔曼滤波算法相比, 本文所提算法在跟踪性能上有明显提升.     

基于D-GPS/IMU的组合导航方法研究与分析

本文研究了一种新的双GPS单元与IMU惯性测量单元组合结构(D-GPS/IMU)的导航应用问题。基于D-GPS/IMU的动力模型结构,本文分析了其状态空间的可观测性能,提出并证明了系统完全可观测的条件。同时,对扩展卡尔曼滤波(EKF)算法进行了改进,以定义的残差作为GPS量测信息中增益自适应调整的依据,并增加了数据反向区间平滑处理策略。最后,通过仿真实验,与基于EKF算法的单GPS与IMU组合结构(S-GPS/IMU)的姿态误差估计进行对比,实验结果表明,本文方法收敛稳定且快、组合误差小,具有一定的实用性。     

类GPS超声定位系统中自主导引小车动态定位算法

针对自主导引小车(AGV)常规超声波局部定位系统的缺陷,提出了类GPS超声定位系统并阐述了其工作原理。研究了小车动态情况下与定位基站的距离估计问题,在获得AGV与定位基站的观测距离后可通过Gauss-Newton迭代定位算法获得小车空间位置的粗估计值。仿真结果表明,将上述获得的粗估计值序列经过卡尔曼滤波器进一步处理后,可提高AGV动态定位精度和速度的估计精度。     

A Novel Real-Time State-of-Health and State-of-Charge Co-Estimation Method for LiFePO_4 Battery

The state of charge(SOC) and state of health(SOH) are two of the most important parameters of Li-ion batteries in industrial production and in practical applications.The real-time estimation for these two parameters is crucial to realize a safe and reliable battery application.However,this is a great problem for LiFePO_4 batteries due to the large constant potential plateau in the charge/discharge process.Here we propose a combined SOC and SOH co-estimation method based on the experimental test under the simulating electric vehicle working condition.A first-order resistance-capacitance equivalent circuit is used to model the battery cell,and three parameter values,ohmic resistance(R_s),parallel resistance(R_p) and parallel capacity(C_p),are identified from a real-time experimental test.Finally we find that R_p and C_p could be utilized to make a judgement on the SOH.More importantly,the linear relationship between C_p and the SOC is established to make the estimation of the SOC for the first time.     

Adaptive Kalman filter based state of charge estimation algorithm for lithium-ion battery

In order to improve the accuracy of the battery state of charge(SOC) estimation, in this paper we take a lithiumion battery as an example to study the adaptive Kalman filter based SOC estimation algorithm. Firstly, the second-order battery system model is introduced. Meanwhile, the temperature and charge rate are introduced into the model. Then, the temperature and the charge rate are adopted to estimate the battery SOC, with the help of the parameters of an adaptive Kalman filter based estimation algorithm model. Afterwards, it is verified by the numerical simulation that in the ideal case, the accuracy of SOC estimation can be enhanced by adding two elements, namely, the temperature and charge rate.Finally, the actual road conditions are simulated with ADVISOR, and the simulation results show that the proposed method improves the accuracy of battery SOC estimation under actual road conditions. Thus, its application scope in engineering is greatly expanded.     

Chaotic secure communication based on strong tracking filtering

A scheme for implementing secure communication based on chaotic maps and strong tracking filter (STF) is presented, and a modified STF algorithm with message estimation is developed for the special requirement of chaotic secure communication. At the emitter, the message symbol is modulated by chaotic mapping and is output through a nonlinear function. At the receiver, the driving signal is received and the message symbol is recovered dynamically by the STF with estimation of message symbol. Simulation results of Holmes map demonstrate that when message symbols are binary codes, STF can effectively recover the codes of the message from the noisy chaotic signals. Compared with the extended Kalman filter (EKF), STF has a lower bit error rate.