亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于限定記憶隨機(jī)加權(quán)擴(kuò)展卡爾曼濾波的車(chē)輛狀態(tài)估計(jì)

        2022-04-18 09:22:38胡敬宇嚴(yán)永俊耿可可殷國(guó)棟
        關(guān)鍵詞:卡爾曼濾波記憶模型

        胡敬宇 汪 嚴(yán)永俊 耿可可 柏 碩 殷國(guó)棟

        (東南大學(xué)機(jī)械工程學(xué)院, 南京 211189)

        隨著科學(xué)技術(shù)的進(jìn)步發(fā)展,車(chē)輛主動(dòng)安全系統(tǒng)已經(jīng)被證明是減少交通事故發(fā)生的最有效方式之一.而車(chē)輛狀態(tài)信息的精確獲取是主動(dòng)安全系統(tǒng)有效運(yùn)行的重要前提[1].然而,受限于測(cè)量技術(shù)的發(fā)展,部分車(chē)輛狀態(tài)信息無(wú)法依靠目前的車(chē)載傳感器直接獲取.為了解決這一問(wèn)題,一種方法是利用價(jià)格昂貴的傳感器去測(cè)量,但由于該方法成本較高,難以滿足量產(chǎn)需求,僅停留在實(shí)驗(yàn)階段;另一種方法是結(jié)合已有的車(chē)載傳感器,并利用一些先進(jìn)的濾波、觀測(cè)器等,去構(gòu)造獲取車(chē)輛狀態(tài)信息的算法.后者因其具有成本低、操作方便、估計(jì)精準(zhǔn)等優(yōu)勢(shì),成為眾多專家學(xué)者研究的熱點(diǎn).

        基于車(chē)輛運(yùn)動(dòng)學(xué)模型的車(chē)輛狀態(tài)估計(jì)具有極好的魯棒性,可以忽略車(chē)輛模型參數(shù)變化的影響,但該方法對(duì)傳感器有著極高的安裝、標(biāo)定以及精度要求;基于車(chē)輛動(dòng)力學(xué)模型的車(chē)輛狀態(tài)估計(jì)對(duì)傳感器要求低,但系統(tǒng)模型本身要盡可能準(zhǔn)確地反映車(chē)輛動(dòng)力學(xué)特性,且噪聲統(tǒng)計(jì)特性的不準(zhǔn)確也將會(huì)影響狀態(tài)估計(jì)的精確性[2].在車(chē)輛狀態(tài)估計(jì)問(wèn)題的研究中,常見(jiàn)的方法有卡爾曼濾波算法[3-4]、龍貝格(Luenberger)觀測(cè)器[5]、魯棒觀測(cè)器[6]、滑模觀測(cè)器[7]、基于李雅普諾夫理論的非線性觀測(cè)器[8]、神經(jīng)網(wǎng)絡(luò)觀測(cè)器[9-10]以及模糊觀測(cè)器[11]等.其中,卡爾曼濾波作為一種時(shí)域?yàn)V波方法,采用狀態(tài)空間方程對(duì)系統(tǒng)加以描述,算法采用遞推形式,使得其數(shù)據(jù)存儲(chǔ)量小,不僅可以處理簡(jiǎn)單線性系統(tǒng),在不斷地發(fā)展之下也可以處理復(fù)雜的多維非線性系統(tǒng)[12],因此卡爾曼濾波算法一直是車(chē)輛狀態(tài)估計(jì)算法領(lǐng)域研究中的主流[13].

        標(biāo)準(zhǔn)擴(kuò)展卡爾曼濾波方法以線性最小方差估計(jì)為理論依據(jù),通過(guò)遞推算法對(duì)狀態(tài)變量進(jìn)行濾波估計(jì),雖然具有較高的估計(jì)精度,但與傳統(tǒng)卡爾曼濾波器同為無(wú)限增長(zhǎng)的記憶濾波器,其計(jì)算效率和估計(jì)精度會(huì)隨著時(shí)間的推移而降低,也無(wú)法有效解決模型不準(zhǔn)或噪聲特性未知對(duì)濾波算法的影響.文獻(xiàn)[14]提出一種限定記憶的濾波器,其儲(chǔ)存一定記憶長(zhǎng)度的歷史量測(cè)數(shù)據(jù),在非線性條件下計(jì)算條件概率密度函數(shù)及其參數(shù),即均值和協(xié)方差矩陣,在一定程度上克服了濾波的發(fā)散;文獻(xiàn)[15]針對(duì)新息殘差序列對(duì)漸變?cè)肼暤慕y(tǒng)計(jì)滯后問(wèn)題,提出一種限定記憶噪聲在線估計(jì)的擴(kuò)展卡爾曼算法,一定程度上提高了濾波檢測(cè)速度和計(jì)算精度;文獻(xiàn)[16]將最小模型誤差準(zhǔn)則與擴(kuò)展卡爾曼濾波相結(jié)合,提出考慮任意非線性模型誤差和高斯白噪聲的狀態(tài)估計(jì)系統(tǒng),該系統(tǒng)可以有效發(fā)現(xiàn)動(dòng)態(tài)誤差并將誤差用于模型的更新;文獻(xiàn)[17]提出新的自適應(yīng)隨機(jī)加權(quán)濾波算法,建立限定記憶條件下的隨機(jī)加權(quán)理論[18],通過(guò)自適應(yīng)調(diào)整測(cè)量噪聲統(tǒng)計(jì)量的權(quán)重來(lái)在線估計(jì)測(cè)量噪聲及其協(xié)方差,仿真分析表明,該算法可以有效抑制測(cè)量噪聲統(tǒng)計(jì)特性未知情況下對(duì)狀態(tài)估計(jì)的影響.

        以上研究表明,融合了限定記憶算法的擴(kuò)展卡爾曼濾波,可以很好地解決歷史量測(cè)數(shù)據(jù)誤差帶來(lái)的影響.車(chē)輛關(guān)鍵狀態(tài)信息的準(zhǔn)確獲取對(duì)車(chē)輛穩(wěn)定性控制、車(chē)輛主動(dòng)安全系統(tǒng)等至關(guān)重要,而在車(chē)輛狀態(tài)估計(jì)領(lǐng)域,融合限定記憶濾波和隨機(jī)加權(quán)思想的擴(kuò)展卡爾曼濾波的研究甚少.因此,本文提出一種基于限定記憶隨機(jī)加權(quán)擴(kuò)展卡爾曼濾波(limited memory random weighted extended Kalman filter,LMRWEKF)算法,將擴(kuò)展卡爾曼濾波算法和限定記憶濾波相結(jié)合,通過(guò)引入服從Dirichlet分布的加權(quán)系數(shù)矩陣,提高濾波估計(jì)過(guò)程中對(duì)量測(cè)新值的利用程度,降低舊測(cè)量數(shù)據(jù)誤差的影響,有效提高了濾波算法的精確性,仿真實(shí)驗(yàn)表明,該算法可以很好地抑制由噪聲波動(dòng)引起的濾波估算偏差問(wèn)題,實(shí)現(xiàn)量測(cè)噪聲特性未知條件下車(chē)輛橫擺角速度、質(zhì)心側(cè)偏角和縱向加速度的有效估計(jì).

        1 非線性三自由度車(chē)輛模型

        在較為準(zhǔn)確地描述車(chē)輛動(dòng)力學(xué)的基礎(chǔ)上盡量減少控制算法的計(jì)算量.通常情況下,在考慮車(chē)輛平面運(yùn)動(dòng)時(shí)忽略懸架系統(tǒng)的影響,重點(diǎn)考慮純側(cè)偏輪胎特性,忽略縱橫向輪胎力的耦合關(guān)系、輪胎的橫向載荷轉(zhuǎn)移以及車(chē)輛的俯仰角和側(cè)傾角,在線性二自由度車(chē)輛模型的基礎(chǔ)上,引入一個(gè)縱向運(yùn)動(dòng)自由度構(gòu)建車(chē)輛非線性三自由度模型[19].動(dòng)力學(xué)模型示意圖如圖1所示,估算模型質(zhì)心與車(chē)輛坐標(biāo)系原點(diǎn)重合,X軸正向表示車(chē)輛行駛方向,Y軸正向表示車(chē)輛行駛方向的左方,橫擺方向正方向?yàn)槔@坐標(biāo)軸原點(diǎn)逆時(shí)針?lè)较?,則在上述前提條件下,建立非線性三自由度車(chē)輛動(dòng)力學(xué)模型.圖中,vx和vy分別為車(chē)體坐標(biāo)系下質(zhì)心的縱向速度和側(cè)向速度;a和b分別為車(chē)輛質(zhì)心與前、后軸的距離;γ為橫擺角速度;β為質(zhì)心側(cè)偏角;δ為車(chē)輛前輪轉(zhuǎn)角;a1和a2分別為前輪側(cè)偏角和后輪側(cè)偏角;vx1和vx2分別為前輪縱向速度和后輪縱向速度;Fy1和Fy2分別為前輪側(cè)向力和后輪側(cè)向力.

        圖1 三自由度車(chē)輛模型

        狀態(tài)方程

        (1)

        (2)

        (3)

        量測(cè)方程

        (4)

        式中,k1和k2分別為車(chē)輛前、后輪側(cè)偏剛度總和;Iz為車(chē)輛繞z軸的轉(zhuǎn)動(dòng)慣量;ax和ay分別為車(chē)輛縱向、側(cè)向加速度;m為車(chē)輛質(zhì)量.

        2 基于LMRWEKF的車(chē)輛狀態(tài)估計(jì)算法及其實(shí)現(xiàn)

        2.1 狀態(tài)空間方程模型

        根據(jù)式(1)~(4),建立非線性車(chē)輛三自由度系統(tǒng)的狀態(tài)方程和量測(cè)方程

        (5)

        狀態(tài)變量

        x(t)=[γ,β,vx]T

        (6)

        量測(cè)輸出

        z(t)=[ay]

        (7)

        輸入控制變量

        u(t)=[δ,ax]T

        (8)

        式中,f為狀態(tài)轉(zhuǎn)移函數(shù);h為測(cè)量函數(shù);w(t)和v(t)分別為過(guò)程噪聲和觀測(cè)噪聲,且兩者序列彼此獨(dú)立.Q和R分別為噪聲w(t)和v(t)的統(tǒng)計(jì)特性,即過(guò)程噪聲和觀測(cè)噪聲的協(xié)方差矩陣.

        根據(jù)式(1)~(4),非線性三自由度車(chē)輛動(dòng)力學(xué)方程中,狀態(tài)轉(zhuǎn)移矩陣A、控制矩陣B、觀測(cè)矩陣H可分別表示為

        (9)

        (10)

        (11)

        2.2 模型線性化

        利用非線性函數(shù)的局部線性特性,將其局部線性化.其中狀態(tài)轉(zhuǎn)移矩陣A和觀測(cè)矩陣H由式(5)中函數(shù)f和h的雅可比矩陣代替.假設(shè)狀態(tài)變量的維數(shù)為n,相應(yīng)的雅可比矩陣的求解過(guò)程如下所示:

        (12)

        根據(jù)式(1)~(3)以及式(12)可得矩陣

        (13)

        設(shè)采樣時(shí)間為Δt,則線性化后的狀態(tài)轉(zhuǎn)移矩陣Α*可表示為

        A*(t)=eF(t)Δt≈I+F(t)Δt

        (14)

        (15)

        根據(jù)式(4)以及式(15)可得線性化后的觀測(cè)矩陣H*為

        (16)

        2.3 LMRWEKF算法設(shè)計(jì)

        2.3.1 隨機(jī)加權(quán)估計(jì)

        假設(shè)(σ1,σ2,…,σn)是來(lái)自分布函數(shù)G(x)的獨(dú)立同分布樣本,且經(jīng)驗(yàn)分布函數(shù)為

        (17)

        (18)

        g(σ1,σ2,…,σn)=Θ(n)

        (19)

        2.3.2 限定記憶濾波

        傳統(tǒng)記憶增長(zhǎng)的濾波是一種無(wú)限增加的存儲(chǔ)濾波器,如果要在k時(shí)刻進(jìn)行最優(yōu)估計(jì),那么需要使用包括k-1時(shí)刻之前的所有數(shù)據(jù),這代表著隨著時(shí)間的遞增,舊數(shù)據(jù)在濾波中的比例會(huì)不斷增加,而新量測(cè)數(shù)據(jù)所占權(quán)重會(huì)相對(duì)減小.當(dāng)噪聲特性未知時(shí),會(huì)導(dǎo)致誤差過(guò)大而估計(jì)不準(zhǔn)甚至發(fā)散.為此,采用限定記憶濾波思想,只選取當(dāng)前時(shí)刻及之前的N-1個(gè)觀測(cè)值來(lái)進(jìn)行最優(yōu)估計(jì)計(jì)算,可以很好地避免上述問(wèn)題.

        2.3.3LMRWEKF算法

        本文引入以上2種思想,基于擴(kuò)展卡爾曼濾波提出LMRWEKF算法.

        對(duì)于離散的狀態(tài)方程和量測(cè)方程

        (20)

        式中,Xk-1和Xk分別為k-1時(shí)刻和k時(shí)刻的狀態(tài)變量矩陣;Uk-1為k-1時(shí)刻的控制變量矩陣;Zk為k時(shí)刻的測(cè)量輸出矩陣;Ak|k-1為k-1時(shí)刻對(duì)k時(shí)刻進(jìn)行預(yù)測(cè)的狀態(tài)轉(zhuǎn)移矩陣;Bk|k-1為k-1時(shí)刻對(duì)k時(shí)刻進(jìn)行預(yù)測(cè)的控制矩陣;Hk為k時(shí)刻的觀測(cè)矩陣;Wk-1為k-1時(shí)刻的過(guò)程噪聲矩陣;Vk為k時(shí)刻的觀測(cè)噪聲矩陣.

        其處理的基本流程為

        ② 狀態(tài)方程預(yù)測(cè),即

        (21)

        ③ 將狀態(tài)轉(zhuǎn)移矩陣和觀測(cè)矩陣線性化,即

        (22)

        ④ 協(xié)方差矩陣預(yù)測(cè),預(yù)測(cè)方程為

        (23)

        ⑤ 觀測(cè)方程預(yù)測(cè),即

        (24)

        ⑥ 得到觀測(cè)誤差,為

        (25)

        ⑦ 判斷,

        若k≤N

        (26)

        若k>N

        (27)

        (28)

        ⑧ 計(jì)算濾波增益,計(jì)算式為

        (29)

        ⑨ 狀態(tài)更新,即

        (30)

        ⑩ 協(xié)方差矩陣更新,得

        (31)

        參考文獻(xiàn)[20]簡(jiǎn)化協(xié)方差矩陣更新,計(jì)算如下:

        (32)

        即協(xié)方差矩陣更新又可以表示為

        (33)

        3 仿真實(shí)驗(yàn)

        本文設(shè)計(jì)限定記憶隨機(jī)加權(quán)擴(kuò)展卡爾曼濾波器對(duì)車(chē)輛橫擺角速度、質(zhì)心側(cè)偏角和縱向速度進(jìn)行濾波估計(jì),建立Carsim與Matlab/Simulink聯(lián)合仿真平臺(tái)進(jìn)行仿真實(shí)驗(yàn),并與傳統(tǒng)標(biāo)準(zhǔn)擴(kuò)展卡爾曼仿真結(jié)果進(jìn)行比較分析.

        3.1 高附著路面仿真實(shí)驗(yàn)

        (a)前輪轉(zhuǎn)角輸入

        從圖2(d)和(e)中可以看出,相比于傳統(tǒng)EKF算法,LMRWEKF算法的濾波估計(jì)值可以更好地接近參考值,而且在曲線波峰和波谷處偏離相對(duì)較小,并且對(duì)噪聲有明顯的抑制作用;從圖2(f)中可以看出,高附著工況下LMRWEKF算法的縱向速度估計(jì)值明顯比傳統(tǒng)EKF算法更加接近參考值.針對(duì)噪聲條件未知的情況,LMRWEKF算法對(duì)噪聲的抑制作用更強(qiáng),具有更優(yōu)的穩(wěn)定性和魯棒性.

        LMRWEKF可以很好地抑制噪聲波動(dòng),為進(jìn)一步比較算法的估計(jì)精度,采用均方根指標(biāo)來(lái)對(duì)估計(jì)精度進(jìn)行評(píng)估對(duì)比,如表1所示.分析表1數(shù)據(jù)可以看出,高附著工況下,基于LMRWEKF算法估計(jì)得到的橫擺角速度、質(zhì)心側(cè)偏角和縱向速度的均方根誤差RMSEγ、RMSEβ、RMSEvx較EKF算法分別降低了60.23%、19.63%、91.57%.

        表1 高附著工況下RMSE指標(biāo)對(duì)比

        3.2 低附著路面仿真實(shí)驗(yàn)

        從圖3(d)和(e)中可以看出,在曲線波峰和波谷處,相比于傳統(tǒng)EKF算法,LMRWEKF算法可以更好地貼近參考值,偏離相對(duì)較小,且對(duì)噪聲波動(dòng)有較強(qiáng)的抑制作用;從圖3(f)中可以看出,低附著工況下LMRWEKF算法的縱向速度估計(jì)值明顯比傳統(tǒng)EKF算法更加接近參考值,并且在噪聲特性未知時(shí),LMRWEKF算法抖動(dòng)更小,說(shuō)明對(duì)噪聲有很好的抑制作用,具有更強(qiáng)的穩(wěn)定性和魯棒性.

        (a)前輪轉(zhuǎn)角輸入

        LMRWEKF可以很好地對(duì)噪聲波動(dòng)進(jìn)行抑制,為進(jìn)一步比較算法的估計(jì)精度,采用均方根指標(biāo)來(lái)對(duì)估計(jì)精度進(jìn)行評(píng)估對(duì)比,如表2所示.分析表2數(shù)據(jù)可以看出,低附著工況下,基于LMRWEKF算法估計(jì)得到的橫擺角速度、質(zhì)心側(cè)偏角和縱向速度的均方根誤差RMSEγ、RMSEβ、RMSEvx較EKF算法分別降低了59.38%、13.92%、94.20%.

        表2 低附著工況下RMSE指標(biāo)對(duì)比

        4 結(jié)論

        1)本文在線性二自由度車(chē)輛模型的基礎(chǔ)上引入一個(gè)縱向運(yùn)動(dòng)自由度,建立包括縱向、側(cè)向和橫擺3個(gè)自由度的非線性車(chē)輛動(dòng)力學(xué)模型,將擴(kuò)展卡爾曼濾波與限定記憶濾波相結(jié)合,在限定記憶長(zhǎng)度區(qū)間內(nèi),通過(guò)檢測(cè)新息殘差序列,利用數(shù)理統(tǒng)計(jì)的方法得到當(dāng)前時(shí)刻測(cè)量噪聲矩陣的協(xié)方差矩陣,從而降低因模型不準(zhǔn)導(dǎo)致的估計(jì)誤差;利用隨機(jī)加權(quán)理論,引入隨機(jī)加權(quán)系數(shù),提高濾波系統(tǒng)對(duì)新量測(cè)值的利用程度,從而提高濾波算法的精度,增強(qiáng)了自適應(yīng)性.

        2)為了驗(yàn)證LMRWEKF算法的有效性和精確性,設(shè)計(jì)高附著系數(shù)和低附著系數(shù)2種不同工況下的仿真實(shí)驗(yàn),仿真結(jié)果表明:以高附著工況下橫擺角速度為例,LMRWEKF算法的濾波估計(jì)值均方根誤差較傳統(tǒng)擴(kuò)展卡爾曼估計(jì)值誤差降低60.23%,整體估計(jì)性能更優(yōu).

        3)本文提出的LMRWEKF算法可以實(shí)時(shí)動(dòng)態(tài)地調(diào)整濾波估計(jì)算法的噪聲統(tǒng)計(jì)特性,因此能夠應(yīng)對(duì)噪聲特性未知的問(wèn)題,其限定記憶的算法特性可以在計(jì)算能力較差的條件下仍然具有較快的響應(yīng)速度和估計(jì)精度,實(shí)際應(yīng)用場(chǎng)景廣泛.

        猜你喜歡
        卡爾曼濾波記憶模型
        一半模型
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        基于遞推更新卡爾曼濾波的磁偶極子目標(biāo)跟蹤
        記憶中的他們
        3D打印中的模型分割與打包
        兒時(shí)的記憶(四)
        兒時(shí)的記憶(四)
        記憶翻新
        海外文摘(2016年4期)2016-04-15 22:28:55
        基于模糊卡爾曼濾波算法的動(dòng)力電池SOC估計(jì)
        麻豆69视频在线观看| 久99久精品视频免费观看v| 久久久2019精品视频中文字幕| 久久久人妻精品一区bav| 国产日产亚洲系列最新| 日本护士吞精囗交gif| 日韩久久久黄色一级av| 精品中文字幕精品中文字幕 | 中文字幕无码免费久久9| 国产一区二区三区十八区| 又粗又黄又猛又爽大片app| 少妇spa推油被扣高潮| 国产成人精品cao在线| av免费资源在线观看| 国产特黄级aaaaa片免| 免费的成年私人影院网站| 久久亚洲一级av一片| 男女av免费视频网站| 黑色丝袜秘书夹住巨龙摩擦| 亚洲欧美日韩综合在线观看| 丝袜美腿av免费在线观看| 精品一区二区三区四区国产| 国产在线精品成人一区二区三区| 国产成人精品日本亚洲语音1| 国产免费精品一品二区三| 无码无套少妇毛多18p| 国产亚洲av手机在线观看| 第九色区Aⅴ天堂| 日韩中文字幕素人水野一区| 青春草在线视频免费观看| 婷婷丁香91| 美女把内衣内裤脱了给男人舔| 日韩大片高清播放器大全| 男人边吃奶边做好爽免费视频| 2021年性爱喷水视频| 亚洲成年国产一区二区| 国语对白嫖老妇胖老太| 亚洲偷自拍另类图片二区| 日韩精品一区二区亚洲专区| 国产七十六+老熟妇| 色婷婷六月天|