基于扩展Kalman粒子滤波的汽车行驶状态和参数估计

被引：12

作者：

包瑞新 ^{[1
,2
]}

贾敏 ^{[1
]}

Edoardo Sabbioni ^{[2
]}

于会龙 ^{[2
]}

机构：

[1] 辽宁石油化工大学机械工程学院

[2] 米兰理工大学机械工程学院

来源：

农业机械学报 | 2015年 / 46卷 / 02期

关键词：

车辆; 扩展Kalman滤波; 粒子滤波; 动力学模型; 龙格-库塔方法;

D O I：

暂无

中图分类号：

U463.6 [电气设备及附件]; TN713 [滤波技术、滤波器];

学科分类号：

080204 ; 082304 ; 080902 ;

摘要：

汽车行驶过程中的某些参数通常需要通过实验室内较为昂贵的试验设备获得,测量成本较高,而获取车辆的行驶状态和参数对于车辆行驶过程中的控制有着重要的意义。通常情况下,需要将车辆行驶状态变量和侧偏刚度等参数进行联合估计。这些参数将会被用于车辆动力学模型来分析汽车的操纵状态。本文建立了包含定常统计特性噪声的汽车动力学模型,利用龙格-库塔方法模拟模型,引入扩展Kalman滤波技术,生成粒子滤波重要性概率密度函数,对状态和参数同时进行估计,仿真结果表明,扩展Kalman粒子滤波技术改善了标准粒子滤波算法的精度,验证了算法的有效性。

引用

页码：301 / 306

页数：6

共 10 条

[1] 汽车悬架整车动力学模型的参数辨识 [J].

张慧杰 ;

郭志平 ;

司景萍 ;

郝慧荣 .

振动与冲击, 2013, 32 (23) :145-150

[2] 基于无迹卡尔曼滤波的车辆状态与参数估计 [J].

解少博 ;

林程 .

农业机械学报 , 2011, (12) :6-12

[3] 基于扩展Kalman滤波的汽车行驶状态估计 [J].

宗长富 ;

胡丹 ;

杨肖 ;

潘钊 ;

徐颖 .

吉林大学学报(工学版) , 2009, (01) :7-11

[4] 非线性系统中状态和参数联合估计的双重粒子滤波方法 [J].

侯代文 ;

殷福亮 .

电子与信息学报, 2008, (09) :2128-2133

[5] 粒子滤波算法综述 [J].

胡士强 ;

敬忠良 .

控制与决策, 2005, (04) :361-365+371

[6]

汽车系统动力学[M]. 机械工业出版社 , 喻凡, 2005

[7] Dual particle filters for state and parameter estimation with application to a run-of-mine ore mill [J].

Olivier, L. E. ;

Huang, B. ;

Craig, I. K. .

JOURNAL OF PROCESS CONTROL, 2012, 22 (04) :710-717

[8]

Enhancing particle image tracking performance with a sequential Monte Carlo method: The bootstrap filter[J] . Shengxian Shi,Daoyi Chen.Flow Measurement and Instrumentation . 2011 (3)

[9]

On the vehicle sideslip angle estimation through neural networks: Numerical and experimental results[J] . S. Melzi,E. Sabbioni.Mechanical Systems and Signal Processing . 2010 (6)

[10]

A time and frequency domain approach for identifying nonlinear mechanical system models in the absence of an input measurement[J] . Muhammad Haroon,Douglas E. Adams,Yiu Wah Luk,Aldo A. Ferri.Journal of Sound and Vibration . 2004 (3)

← 1 →