扩展卡尔曼滤波在行驶车辆状态估计中de应用.pdfVIP

ValueEngineering · 155 · 。 … 壁 ! 扩展卡尔曼滤波在行驶车辆状态估计中的应用 ApplicationStatusofEKF inM ovingAutomobileStateEstimation 孙秋云 SunQiuyun (山东交通职业学院，潍坊 261206) (ShandongTranspoaVocationalCollege，Weifang261206，China) 摘要：扩展卡尔曼滤波在行驶车辆状态估计中有着广泛的应用，并取得 良好的效果；本文就扩展卡尔曼滤波算法及其改进方法的应用等进 行 了综合性阐述 。 Abstract：ExtendedKalmanFilterhavebeenwidelyusedinmovingvehiclestateestimation，andhaveobtmnedgoodresult．TheExtendedKalman Filteralgorithm，anditsimprovedmethodshavebeenreviewedinthispaper． 关键词：扩展卡尔曼滤波；状态估计；车辆；现状 Keywords：ExtendedKalmanFilter；stateestimation；automobile；status 中图分类号：U461．1 文献标识码 ：A 文章编号：1006—4311(2011)20—0155—0l 0 引言 成闭环反馈 ，经仿真显示估算值能很好地与仿真值保持一致。文献 1960年 ，KalmanR．E．提出了线性离散系统的无偏、最小方差递 9【]根据参数软测量理论，采用卡尔曼滤波并结合汽车两自由度动力 推滤波方法，即卡尔曼滤波算法(KalmanFilter，KF)[11。卡尔曼滤波 学模型，建立了汽车横摆角速度的线性最小均方误差估计算法。经 算法表示系统的状态空间结构以及随时间变化滤除随机干扰后的 实验验证，对于汽车参数的测量该算法是一种可行、准确且低成本 状态变化 ：它以线性随机差分方程为基本依托 ，对线性系统进行信 的方法和行之有效的研究思路，对解决汽车主动安全控制系统中不 号估计。为了获取更加精确的车辆运动状态参数，人们建立非线性 完全性信息有一定的帮助。文献[10】提出采用多维组合惯性测量元 的车辆模型，这样就需要对卡尔曼滤波算法进行扩展进行非线性 件进行汽车运动参数测试的方法，并通过扩展卡尔曼滤波算法提高 分析。 测试系统的精度。文献[11】基于四轮两 自由度汽车模型动力学方程 ， 1扩展卡尔曼滤波基本原理 利用扩展卡尔曼滤波方法建立汽车质心侧向速度的估计算法。该估 由于KF以线性随机差分方程为基本依托 ，仅适用于线性系统 计结果具有较高的隹确性和运算效率，为改善汽车的操纵稳定性和 的状态估计。为了能够有效分析非线性系统模型，人们提出扩展卡 主动安全性提供了有效方法。文献f12僵 于JLUIV—IV型智能车辆状 尔曼滤波技术 (ExtendedKalmanFilter，EKF)。扩展卡尔曼滤波的工 态变量v(车辆侧向速度)的不可测性，采用二自由度转向动力学模 作原理与卡尔曼滤波基本一致 ，即以线性最小方差估计理论为依 型和预瞄运动学模型建立卡尔曼滤波模型，运用卡尔曼滤波理论设 据 ，通过递推算法，从与被提取信号有关的测量中估算出所需的信 计适应不确定参数和时变参数的状态观测器，以满足车辆导航控制 号 。在整个工作过程中，EKF算法主要利用系统的四类信息嘲：状态 的要求。 方程、量测方程、白噪声激励的统计特性和量测误差的统计特性。其 3 结论 与KF不同之处在于EKF算法在线将非线性函数在最佳估计点附 本文仅对 目前