基于改进的扩展卡尔曼滤波伺服系统建模技术研究
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的算法。
在目标跟踪定位中，它可以用于估计目标的运动轨迹。
下面是一个简单的基于扩展卡尔曼滤波的目标跟踪定位算法的描述，以及一个简化的MATLAB程序实现。
算法描述1. 初始化：设置初始状态估计值（例如位置和速度）以及初始的估计误差协方差矩阵。
2. 预测：根据上一时刻的状态估计值和模型预测下一时刻的状态。
3. 更新：结合观测数据和预测值，使用扩展卡尔曼滤波算法更新状态估计值和估计误差协方差矩阵。
4. 迭代：重复步骤2和3，直到达到终止条件。
MATLAB程序实现这是一个简化的示例，仅用于说明扩展卡尔曼滤波在目标跟踪定位中的应用。
实际应用中，您需要根据具体问题和数据调整模型和参数。
```matlab% 参数设置dt = ; % 时间间隔Q = ; % 过程噪声协方差R = 1; % 观测噪声协方差x_est = [0; 0]; % 初始位置估计P_est = eye(2); % 初始估计误差协方差矩阵% 模拟数据：观测位置和真实轨迹N = 100; % 模拟数据点数x_true = [0; 0]; % 真实轨迹初始位置for k = 1:N% 真实轨迹模型（这里使用简化的匀速模型）x_true(1) = x_true(1) + x_true(2)dt;x_true(2) = x_true(2);% 观测模型（这里假设有噪声）z = x_true + sqrt(R)randn; % 观测位置% 扩展卡尔曼滤波更新步骤[x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R);end% 扩展卡尔曼滤波更新函数（这里简化为2D一维情况）function [x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R)% 预测步骤：无观测时使用上一时刻的状态和模型预测下一时刻状态F = [1 dt; 0 1]; % 状态转移矩阵（这里使用简化的匀速模型）x_pred = Fx_est + [0; 0]; % 预测位置P_pred = FP_estF' + Q; % 预测误差协方差矩阵% 更新步骤：结合观测数据和预测值进行状态更新和误差协方差矩阵更新K = P_predinv(HP_pred + R); % 卡尔曼增益矩阵x_est = x_pred + K(z - Hx_pred); % 更新位置估计值P_est = (eye(2) - KH)P_pred; % 更新误差协方差矩阵end```这个示例代码使用扩展卡尔曼滤波对一个简化的匀速运动模型进行估计。
基于改进卡尔曼滤波器的航空发动机自适应模型研究
u & = A ⋅ x + [ B Ld ] + w = A' ⋅ x + B ' ⋅ u ' + w x d u y = C ⋅ x + [D M d ] + v = C ' ⋅ x + D' ⋅ u ' + v d
ˆ 的偏差 ∆ y ，同时也增加了 ∆ y 的积分 ∆ y
对于发动机来说，如果不考虑外物 损伤 (FOD) ，那么健康参数的变化在整 个服役期内是一个比较缓慢的过程,可 以假设d=0,其对发动机性能的影响直观 表现为发动机可测输出量的变化。从(1) 式看出, 若单纯从数学意义上看，蜕化 量 d可以看成是真实对象模型的输入 u, 因此可以通过适当的数学变换将式(1)转 化为下面的标准形式
T
Aaug P + PAaug T − PCaug T R −1Caug P + Q = 0
程，然后对其进行求解。为模拟真实在 役发动机的蜕化和其他不确定情况，人 为改变发动机主要部件的效率和流量， 并将理想的发动机数学仿真模型作为机 载模型。
将公式 (4) 中的 2 式代入 1 式，进而 可得到公式(5)：
ˆ aug + ( Baug − KD )u + Ky ˆaug = ( Aaug − KCaug ) x x ˆaug + Du ˆ = Caug x y
(5)
改进卡尔曼滤波器
由于常规卡尔曼滤波器本质上仍 为线性滤波器，且输入信息中仅包含当 前时刻估计偏差∆y。大量的数字仿真结 果表明，此种结构应用于全包线内的发 动机参数估计时，并不能很好地消除稳 态估计误差，做不到精确估计。为此本 文提出了一种改进方法，即在滤波器输 入通道中增加估计偏差的积分项，使滤 波输入包含偏差的累积激励，以消除稳 态估计偏差。基于改进卡尔曼滤波器的 机载自适应模型工作原理如图 1 所示。 这种改进卡尔曼滤波器与常规卡尔曼滤 波最大区别在于，其输入不仅包含了蜕 化发动机的输出 y 和自适应模型的输出
卡尔曼滤波在信号跟踪系统伺服控制中的应用设计
0 引言
卡尔曼滤波理论是数学家鲁道夫 . 卡尔曼于 1960 年提
出来。 卡尔曼滤波的一般框图如图 1 所示。
νk
出，不是得出完全正确无误差的当前状态，而是采用一种递 归自更新的方法来估计当前的状态，且保证原状态与估计出 来的状态均方根收敛至最小；最早在其论文《线性滤波与预
接收到的卫星误差信号都会受到噪声的干扰，而对目标 信号跟踪的目的是有效地抑制或消除噪声，将所需信号提取
^
x
k
=
Ak
^
xk −1+
Hk ( yk
− Ck Ak
^
x k −1)
H k = Pk 'CkT (Ck Pk 'CkT + Rk ' )−1
Pk ' = Ak Pk −1AkT + Qk −1
Pk = (I − HkCk )Pk'
| 39
信息工程
各变量符号的定义：
xˆk ：k 时刻测量估计误差； Pk：k 时刻估计误差的均方值；
Pk' ：经校正后的状态变量估计误差均方值； 校正后状态变量： xk = xk − xˆk 校正后的均方值： Pk = E[(x k −xk' )(xk − xk' )]T 递归计算过程：
性要求对误差信号的放大倍数取值在一定的范围内不能无 初始值可以不是稳态，初始接收到的误差信号可以不是稳定
限增大；
平滑的。
（2）为了抑制系统的噪声，提高信号接收检测的精度，
（3）采用的是误差测量为估计值的均值最小。
需要接收天线的带宽越小越好；信号接收机要提高信号识别
相关运算公式：
基于改进Camshift和Kalman滤波的目标跟踪算法
（ Ｔ ｈ ｅ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｄｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ，Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ Ｍａ ｒ ｉ ｔ ｉ ｍｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ２ ０ １ ３ ０ ６）
Ｋｅ ｙ ｗ ｏｒ ｄｓ：Ｃａ ｍｓ ｈｉ ｌ；Ｋａ ｆ ｌ ｍａ ｎ ｆ ｉ ｌ ｔ ｅ ｒ ；ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋｉ ｎｇ
０ 引 言 近几 十 年 来 ， 连 续 准 确 地 对 移 动 目标 的跟 踪 已成 为 图 像 处 理 领 域 中最 大 的 挑 战 之 一 。大 多 数 的研 究 方 法 使 用 Ｍｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ 算法、 Ｃ ａ ｍｓ ｈ ｉ ｆ ｔ 算法和 Ｋ ａ ｌ ｍａ ｎ滤 波 等 。Ｍｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ
Ｔｈ ｅ ｒ ｅ ｆ ｏ ｒ ｅ， ｉ ｎ ｏ ｒ ｄｅ ｒ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｄ ｅ ｆ ｅ ｃ ｔ ｓ ｏ ｆ ｅ ｘ ｔ ｅ ｒ ｎ ａ ｌ ｉ ｎ ｌｕｅ ｆ ｎｃ ｅ ｉ ｎ ｔ ｈ ｅ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｐ ｒ ｏ ｃ ｅ ｓ ｓ，ｔ ｈｉ ｓ ｐ ａ ｐ ｅ ｒ ｕ ｓ ｅ ｓ ａ ｃ ｏ ｍｂ ｉ ｎａ ｔ ｉ ｏ ｎ ｏ ｆ Ｃａ ｍｓ ｈｉ ｆ ｔ ａ ｎ ｄ Ｋａ ｌ ｍａ ｎ ｉｌ ｆ —
的外 界 影 响 下 ， 通 过 权 系数 选 择 合适 的算 法 ， 来 对 目标 进
行 有 效 的追 踪 。这 样 就 可 以有 效 地 克 服 不 同 的 干扰 。
１ Ｃ ａ ｍｓ ｈ ｉ ｆ ｔ 算 法
基于卡尔曼滤波滑模控制的伺服系统设计仿真
Ｄ ｅ ｉ ｎ ａ ｍ ｕ ａ ｉ ｎ ｏ ｒ ｏ Ｓ ｓ ｅ Ｂａ ｅ ｎ ｓｇ ｎｄ Ｓｉ ｌ ｔｏ ｆＳｅ ｖ ｙ ｔ ｍ ｓ ｄ ｏ Ｋ ａ ｍ ａ ｌｅ ｉ ｉ ｉ ｏ ｅ Ｃｏ ｒ ｌ ｌ ｎ Ｆｉｔ ｒ ｎｇ Ｓｌｄ ｎｇ Ｍ ｄ ｎｔ ｏ
Ｗ ＡＮＧ Ｃｈａｎ Ｘ ｇ． Ｕ 一， Ｍ ＥＮＧ Ｚｈｏ ＨＡＮ ｎｇ ｗｅ － Ｍ ＡＯ ． ｎｇ 一， ＬＩ Ｘｕｎ ｎｇ ， Ｓｏ ． ｉ＇ ， Ｄａ ｐｅ Ｕ
（ ． ｈ ｎ ｃｕ ｓｉ ｔｏ ｐｉ ， ｉｅ ｃａ ｉ ｎ １ Ｃ ａ ｇ ｈ ｎ ｎｔｕｅ ｆＯ ｔ ｓＦ ｎ ｈｎｃ ａ ｄ Ｉ ｔ ｃ Ｍｅ ｓ
具有 良好 效果。
关 键 词 ：伺 服 系统 ；卡 尔 曼滤 波 ；指 数 趋 近 律 ； 滑模 变 结 构控 制 ；仿 真 中 图 分 类 号 ：Ｖ５ ６ ５ 文 献标 志码 ：Ａ ｄ ｉ １．９ ９ ．ｓ ． ０ —０ Ｘ２ １ ． ． ４ ｏ ： ０ ６ ￣ｉ ｎ１ ３５ １ ．０ ００ ０ ３ ｓ ０ ２０
基 于 卡 尔曼滤 波滑 模 控 制 的伺 服 系统 设 计仿 真
王长旭 １ ，孟 中 ， ２ ，韩松 伟 一，毛大鹏 １ ，刘 洵 ， ２
（ ．中国科学 院长春光学精 密机械与物理研究所 ，长春 １０ ３ ； １ ３０ ３ ２ 中 国科学院研 究生院 ，北京 １０ ３ ． ０ ０ ９） 摘要：应 用变结构控 制策略 时，由于系统存在 时间滞后 、空间滞后 、死区等不利条件 ，会导致 系统运 行到相 平面
第３ ７卷第 ２期 ２ １ ２月 ０ ０年
光 电工程
Ｏｐ ｏ Ｅｌ ｃｒ ｎ ｃＥｎ ｉ ｅ ｒｎ ｔ — ｅ ｔｏ ｉ ｇ ｎ ｅ ｉ ｇ
、０ｌ３ ．ＮＯ． ， ＿７ ２
伺服控制系统中滤波器的研究与应用
伺服控制系统中滤波器的研究与应用滤波器是伺服控制系统中的重要组成部分，它的主要功能是滤除输入信号中的噪声和干扰，以确保输出信号的稳定性和精确性。
本文将对伺服控制系统中滤波器的研究与应用进行探讨，包括滤波器的原理、分类和具体应用场景。
一、滤波器的原理滤波器的原理是基于信号处理的数学方法，它能够对输入信号进行频域或时域上的处理，通过增强或减弱某些频率成分，从而实现信号的滤波效果。
滤波器的基本原理可以归纳为两种类型：时域滤波和频域滤波。
时域滤波是指根据信号在时间轴上的变化特性对其进行滤波处理，常见的时域滤波器有平均滤波器、中值滤波器等。
平均滤波器通过对一段时间内的输入信号进行平均，消除其中的随机波动，从而实现信号的平滑处理；中值滤波器则是将一段时间内的输入信号排序后取中间值作为输出，有效地去除异常值和噪声。
频域滤波则是通过将信号转换到频域进行处理，常用的频域滤波器有低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。
低通滤波器能够通过去除高频成分，使得只有低频成分通过，实现信号的平滑处理；高通滤波器则相反，只允许高频成分通过，滤除低频成分；带通滤波器和带阻滤波器则用于滤除或保留指定范围内的频率成分。
二、滤波器的分类根据滤波器的特性和应用场景，可以将其分为模拟滤波器和数字滤波器两种类型。
模拟滤波器是指采用模拟电路来实现信号滤波的滤波器，它可以实现连续时间信号的滤波处理。
模拟滤波器的设计和实现相对较为成熟，常见的模拟滤波器有RC滤波器、LC滤波器、椭圆滤波器等。
模拟滤波器适用于频率要求较高以及连续时间信号处理的场景。
数字滤波器则是通过数字信号处理技术实现信号滤波，它将连续时间信号转换为离散时间信号，并在离散时间域上进行滤波处理。
数字滤波器的设计和实现相对较为灵活，常见的数字滤波器有FIR滤波器、IIR滤波器、卡尔曼滤波器等。
数字滤波器适用于信号处理精度要求较高以及需要进行多种滤波算法实现的场景。
三、滤波器的应用在伺服控制系统中，滤波器的应用非常广泛。
基于改进卡尔曼滤波器的电力系统谐波估计研究
基于改进卡尔曼滤波器的电力系统谐波估计研究基于改进卡尔曼滤波器的电力系统谐波估计研究摘要：随着工业化和城市化的不断推进，电力系统谐波问题在电力质量方面日益凸显。
为了准确估计电力系统中的谐波成分，本文提出了一种基于改进卡尔曼滤波器的方法。
该方法结合了卡尔曼滤波器的优势，并对其进行了改进，以提高对电力系统谐波的估计准确性。
通过实验数据验证，表明该方法能够有效改善谐波估计的准确性和稳定性，为电力系统谐波问题的解决提供了一种新的思路。
一、引言电力系统谐波问题是电力质量领域中的一个重要研究方向。
随着现代电力系统对高质量电能的要求越来越高，谐波问题引起了广泛的关注。
谐波产生的原因很多，主要包括非线性负载、变压器的饱和、线路参数的变化等。
准确估计谐波成分对于找出并解决电力系统中的谐波问题非常重要。
二、卡尔曼滤波器卡尔曼滤波器是一种通过对测量数据进行动态估计，从而获得系统状态的优秀方法。
卡尔曼滤波器的基本原理是，通过对系统状态和观测数据的联合估计，获得对系统状态的最优估计。
卡尔曼滤波器具有高效性、精确性等优势，在工程应用中得到了广泛的应用。
三、改进卡尔曼滤波器在电力系统谐波估计中的应用基于改进卡尔曼滤波器的方法主要通过引入权重对卡尔曼增益进行优化，提高滤波器的估计准确性。
改进卡尔曼滤波器的主要步骤如下：1. 初始估计：根据谐波信号的特点，进行初始估计，得到对电力系统谐波的初步估计。
2. 估计阶段：利用卡尔曼滤波器对谐波信号进行估计，得到对谐波成分的估计结果。
3. 优化卡尔曼增益：根据谐波信号的实际情况，通过引入权重对卡尔曼增益进行优化，提高滤波器的估计准确性。
4. 更新估计结果：根据优化后的卡尔曼增益，对谐波信号进行更新估计，得到更加准确的谐波成分估计结果。
四、实验结果与分析本文从实际电力系统中采集了谐波信号数据，并对比了基于改进卡尔曼滤波器和传统卡尔曼滤波器的估计结果。
实验结果显示，基于改进卡尔曼滤波器的方法相较于传统卡尔曼滤波器具有更高的估计准确性和稳定性。
一种改进的扩展卡尔曼滤波
一种改进的扩展卡尔曼滤波作者：李志国李旭明王运锋来源：《现代电子技术》2016年第02期摘要：针对机动目标跟踪中目标发生状态突变和运动模型不匹配时扩展卡尔曼滤波精度降低或发散的问题，提出一种根据新息矩阵的范数判断滤波是否应该修正，并通过修正一步预测值来提高滤波精度的算法。
该算法使用新息矩阵和量测误差矩阵来判断滤波是否稳定，在滤波精度降低甚至发散的情况下通过修正一步预测值来提高滤波精度。
该算法计算量小，实时性强。
仿真结果表明，该算法能够根据新息实时调整，且滤波精度较高。
关键词：扩展卡尔曼滤波；滤波发散；新息；目标跟踪中图分类号： TN911⁃34 文献标识码： A 文章编号： 1004⁃373X（2016）02⁃0009⁃03 An improved extended Kalman filterLI Zhiguo1， LI Xuming2， WANG Yunfeng1（1. College of Computer Science， Sichuan University， Chengdu 610065，China；2. Nanjing Changjiang Electronics Information Industry Group Co.， Ltd.， Nanjing 210000，China）Abstract： Concerning the problem of low filtering accuracy or filtering divergence of EKF when the system model is established inaccurately and target moving state changes， a new adaptive algorithm is presented， which improves the accuracy and performance by adjusting the predicted value. The algorithm can judge whether the filtering is stable by the innovation matrix and measurement error matrix， and can improve the filtering accuracy by correcting the single⁃step predicted value while the filtering accuracy lowers or even divergence. The proposed algorithm has little computation burden and high real⁃time performance. The simulation results show that the algorithm has high filtering accuracy and is capable of quick adjustment according to the innovation.Keyword： extended Kalman filter； filtering divergence； innovation； target tracking0 引言扩展卡尔曼滤波（Extended Kalman Filter，EKF）主要解决目标跟踪中运动模型是非线性时的问题，通常将非线性系统进行近似线性化后采用标准卡尔曼滤波。
基于改进李群卡尔曼滤波的惯性
第40卷第12期2023年12月控制理论与应用Control Theory&ApplicationsV ol.40No.12Dec.2023基于改进李群卡尔曼滤波的惯性/里程计组合导航方法崔加瑞,张礼廉,王茂松†,吴文启,杜学禹(国防科技大学智能科学学院,湖南长沙410073)摘要:基于李群非线性误差状态的扩展卡尔曼滤波方法(LG-EKF-i),在卫星拒止场景应用中,如高精度惯性/里程计组合导航,由于计算过程中需要将相对地心的位置矢量和速度矢量与姿态误差耦合,导致在舍弃高阶项时容易产生数值计算误差累积的问题,致使导航精度下降.本文提出一种改进的李群卡尔曼滤波器,将参考系从惯性系改为世界坐标系,将投影系从地球系改为世界坐标系,有效减小了李群卡尔曼滤波器在一阶近似过程中产生的数值计算误差累积.本文使用考虑了里程计和惯导之间安装偏差角、杆臂误差和里程计标度因数误差的21维卡尔曼滤波器,对算法进行了验证.在小初始对准误差角实验中,4组长航时高精度惯性/里程计组合导航结果表明,本文提出的改进李群卡尔曼滤波方法(LG-EKF-w)相较于传统扩展卡尔曼滤波方法(EKF)、状态变换卡尔曼滤波方法(ST-EKF)以及改进前的李群卡尔曼滤波方法(LG-EKF-i)具有更高的数值计算精度.大初始对准误差角条件下的开环轨迹实验进一步验证了LG-EKF-w算法的有效性.关键词:卫星拒止环境;惯性/里程计组合导航;改进李群卡尔曼滤波器引用格式:崔加瑞,张礼廉,王茂松,等.基于改进李群卡尔曼滤波的惯性/里程计组合导航方法.控制理论与应用, 2023,40(12):2179–2186DOI:10.7641/CTA.2023.30054An improved LG-EKF for SINS/ODO integrated navigationCUI Jia-rui,ZHANG Li-lian,WANG Mao-song†,WU Wen-qi,DU Xue-yu (College of Intelligence Science and Technology,National University of Defense Technology,Changsha Hunan410073,China) Abstract:The nonlinear error state-based extended Kalmanfilter method,known as Lie group extended Kalmanfilter expressed in i-frame(LG-EKF-i),is employed in satellite-denial scenarios such as unmanned platform strapdown inertial navigation system/odometer(SINS/ODO)integrated navigation.In this context,the position and velocity vectors relative to geocentric are coupled with attitude errors,which may result in numerical inaccuracies and reduced precision when neglecting higher-order terms.Therefore,in this paper,an improved LG-EKF is proposed.Replace the resolving frame and reference frame with the world frame,which could effectively reduce the accumulation of numerical calculation error.The algorithm was verified by using21-states Kalmanfilter which considered the installation angles between the odometer and the SINS,the lever-arm and the odometer scale factor error.Results of four long-time high-precision SINS/ODO integrated navigation experiments with small initial alignment error angles show that the proposed improved LG-EKF-w has higher numerical calculation accuracy than traditional extended Kalmanfilter(EKF),state transform extended Kalmanfilter(ST-EKF)and original LG-EKF-i.The superiority of the proposed LG-EKF-w is further verified by open-loop trajectory experiments with large initial alignment error angles.Key words:satellite-denial environment;SINS/ODO integrated navigation;improved LG-EKFCitation:CUI Jiarui,ZHANG Lilian,WANG Maosong,et al.An improved LG-EKF for SINS/ODO integrated naviga-tion.Control Theory&Applications,2023,40(12):2179–21861引言陆用车载无人系统作为智能无人系统的重要组成部分,在现代智能物流、无人驾驶以及军事领域得到重要应用[1].目前卫星导航依然是主要的导航手段,但是卫星导航在城市丛林、隧道山洞以及强电磁环境中的可用性会降低甚至不可用.惯导系统具有自主性强的特点,但是其误差积累随时间发散,需要外源传感器进行辅助,里程计具有成本低、自主性强的特点,因此,惯性/里程计组合导航系统是陆用车辆在卫星拒止条件下长航时自主导航定位的主要方法[2].常用的收稿日期:2023−02−11;录用日期:2023−11−27.†通信作者.E-mail:**********************.cn;Tel.:+86136****8430.本文责任编委:王大轶.国家自然科学基金项目(62203455)资助.Supported by the National Natural Science Foundation of China(62203455).2180控制理论与应用第40卷惯性/里程计组合导航算法主要为扩展卡尔曼滤波器,惯导系统的陀螺仪、加速度计零偏以及惯导系统和里程计量测中心之间的俯仰、偏航安装角和杆臂误差以及里程计的标度因数误差是组合导航系统的主要误差源,通常利用最小二乘方法离线标定或作为滤波器的状态进行在线估计和补偿.武元新[3]详细研究了惯性/里程计组合导航系统中误差源的可观测性,付强文等[4]对惯性/里程计组合导航系统建模并实现了主要误差源的在线估计,文献[5]中研究了一种自适应双阶段滤波器,有效地估计了里程计标度因数误差的变化,并对变化的过程噪声具有鲁棒性.此外,也有针对里程计脉冲截断误差所进行的研究工作,例如,欧阳威等[6]考虑了一种多模型自适应方法,周召发等[7]将截断误差建模在状态中并提出一种脉冲观测方法.基于机器学习的方法也在近年来被应用于惯性/里程计自主导航领域[8],但是其主要应用在低精度惯导系统中.对于高精度惯性/里程计组合导航系统来说,目前主流的算法依然是扩展卡尔曼滤波器的变体,以加性的导航状态误差作为卡尔曼滤波器的状态.近年来由于李群理论在组合导航系统模型建模和观测器设计中的表现良好,受到国内外研究者的重视,其本质是利用三维空间中的刚体变换群替代传统扩展卡尔曼滤波器模型中的加法群[9].王茂松等[10]提出的基于状态变换的卡尔曼滤波器(state-transform extended Kalman filter,ST-EKF),将姿态误差的影响更严格地定义在速度误差中[11],得到了良好的效果,进一步研究发现,可以将其视为基于李群非线性状态的卡尔曼滤波器(Lie group extended Kalmanfilter,LG-EKF)的一种特例.基于李群非线性状态的卡尔曼滤波器在卫星良好的组合导航应用中得到了良好应用和检验[12],但是在惯性/里程计组合导航中尚未得到应用,主要存在两方面问题:一是在文献[12]中,由于非线性速度误差和位置误差的定义是相对惯性系的,其中包含姿态误差与相对于地心的矢径和相对于惯性系速度矢量的耦合,导致在进行一阶近似舍弃高阶项时存在显著的数值计算误差;二是对于车载导航来说,通常情况下在导航系下水平初始误差角相对航向初始误差角更小,水平误差角和航向误差角能够解耦设置,然而使用地心地固坐标系的姿态误差定义的初始角设置使得3个姿态误差角产生了耦合.以上两点原因均增加了滤波器初始设置的难度.针对上述惯性/里程计组合导航中的两个问题,本文提出一种改进的李群卡尔曼滤波器,将世界坐标系同时作为参考系和投影系,简化了初始姿态、速度和位置误差方差的设置,同时降低了非线性误差状态中的计算误差.本文接下来的安排是:在第2节中阐述惯性/里程计系统模型,并给出了静态条件下的典型算例,以此说明之前提出的李群卡尔曼滤波器的不足;进而,在第3节中给出了基于世界坐标系改进李群卡尔曼滤波器组合导航方程的推导过程;并在第4节中分别进行了小初始对准误差条件下,4组长航时高精度车载实验的验证和大初始对准误差条件下开环轨迹实验,对比验证了本文提出的方法的有效性和优势;第5节总结了本文工作.2惯性/里程计模型与问题阐述2.1惯性/里程计模型通常轮式里程计安装在车辆前轮或者后轮上,与惯导系统的相对空间关系如图1所示.图1惯性/里程计空间安装位置示意图Fig.1The position diagram of SINS and odometer安装在前轮的里程计会包含车辆转向的速度信息导致不能真实反映车辆前进方向的速度,因此,本文使用的里程计安装位置为后轮.其中:b系为以惯导的等效测量中心为原点构成的右手直角坐标系;m系为以里程计的等效测量中心为原点构成的右手直角坐标系.两者的顺序均为前右下.由里程计脉冲计算的速度为v mD=[v D00]T,v D=K p odT,(1)其中:v D为由里程计在采样时间间隔T内的脉冲数乘以标度因数K除以采样时间得到的计算速度;v mD为利用非完整约束形成的三维速度矢量.从空间关系上看,由于惯性系统和里程计的测量中心并不重合,由此导致需要对两个坐标系的空间安装误差角α=[αγαθαψ]T进行标定,使用一阶近似即得C bm≈I+α×.惯性/里程计组合导航系统的误差源通常考虑俯仰安装角αθ、偏航安装角αψ以及惯导和里程计中心的杆臂误差L b.考虑到里程计的原理,当胎压由于环境气温或长时间驾驶发生改变时,车轮半径也会发生变化,因此,还需要考虑标度因数误差δk D的影响.本文对里程计的误差源考虑主要包含此3种,脉冲截断误差也具有影响,却不是主要误差源,本文中将其考虑为测量噪声是一种合理的假设,因此,得到含有误差的里程计速度˜v mD为˜v mD=(1+δk D)v mD=(1+δk D)C mb(v beb+ωbeb×L b).(2) 2.2基于相对地心参考系的李群卡尔曼滤波方法存在的问题在文献[12]中使用的李群非线性误差状态如式(3)第12期崔加瑞等:基于改进李群卡尔曼滤波的惯性/里程计组合导航方法2181所示.可见,非线性速度误差Jρe v 和非线性位置误差Jρe r 需要将速度矢量v e ib 和位置矢量r eib 与姿态误差ϕe 耦合.C e b ˜C be =exp(ϕe ×)≈I +(ϕe ×),Jρe v =v e ib −C e b ˜C b e ˜v e ib ≈−δv e ib +˜v eib ×ϕe ,Jρe r =r e ib −C e b ˜C b e ≈−δr e ib +˜re ib ×ϕe ,(3)其中:速度矢量v eib 为载体相对于惯性系的速度在地球系(e )下的投影,位置矢量r eib 为载体相对于惯性系的位置在地球系下的投影,如图2(a)中黑色虚线所示.由此导致基于一阶近似的扩展卡尔曼滤波器舍弃高阶项时会产生较大数值计算误差,尤其是对于高精度惯性/里程计组合导航系统,在没有位置观测的条件下,累积的数值计算误差十分显著.将通过后续算例给出详细说明.本文提出将参考系原点改为相对于与地球表面固连的初始导航系原点,坐标系方向与初始导航系指向相同,通常称为此参考系为世界坐标(w ).通过世界坐标系表示的位置误差矢量如图2(b)中的红色虚线所示,其模值明显小于黑色虚线(图中对红色虚线处进行了放大绘制).(a)LG-EKF-i位置矢量示意图(b)LG-EKF-w 位置矢量示意图图2改进的李群卡尔曼滤波参考点示意图Fig.2The reference point schematic diagram of theimproved LG-EKF为了进一步说明此改进方法的原理,以一个算例来进行说明.假设静止在地球表面的载体位于地心地固坐标系的x 轴上,此时载体的速度矢量˜v eib和位置矢量˜r eib近似计算为{˜v eib≈[04650]T m/s ,˜r eib ≈[637813700]T m ,(4)其中:位置矢量的模值为地球半径6378137m,速度矢量的模值为地球半径和地球自转角速度7.292115×10−5rad 的乘积.而使用基于世界坐标系来表示,速度矢量˜v w wb 和位置矢量˜r wwb 则如式(5)所示:{˜v w wb =[000]T m/s ,˜r wwb =[000]T m .(5)假设在地球表面运动的载体,其初始对准姿态误差角数值为0.1°,即ϕe =[0.10.10.1]T °,初始δv eib和δr eib 为03×1.此时,使用文献[12]中的李群卡尔曼滤波器误差状态定义,即式(3),来计算非线性误差状态数值.其中:exp(·)表示矩阵的指数映射;×表示叉乘以及三维向量形成的反对称矩阵;v γαβ和r γαβ表示β系相对于α系在γ系下表示的速度和位置矢量;δv γαβ和δr γαβ表示速度和位置矢量的误差.则非线性速度误差状态Jρe v 和位置误差状态Jρer 数值分别为[0.810−0.81]m/s 和[0−11131113]m,位置误差状态远远大于1,这违背了扩展卡尔曼滤波器认为误差状态是小量的前提,使用此式在舍弃高阶项时将产生显著的数值计算误差.而使用式(5)的定义,将参考系从地心惯性系(i )替换为世界坐标系(w ),将投影系从地球系(e )替换为世界坐标系(w )后,非线性误差状态计算为C w b ˜C bw =exp(ϕw ×)≈I +(ϕw ×),Jρw v =v w wb −C w b ˜C b w ˜v w wb ≈−δv w wb +˜v wwb ×ϕw ,Jρw r =r w wb −C w b ˜C b w ˜rw wb ≈−δr w wb +˜r w wb ×ϕw .(6)世界系下的非线性误差状态数值远小于地球系下的状态数值,因此,在原理上能够减小初始对准误差角带来的数值计算误差的影响,并且在舍弃高阶项时带来的误差更小.需要注意的是,这是在静态条件下的算例,而在载体运动过程中进行数值计算,两者的误差依然存在数量级的差距.因此,经过改进的李群卡尔曼滤波器在原理上能够有效减小数值计算误差,提高滤波器状态估计精度.更加具体的相关符号定义可见组合导航书籍[13]或参考文献[12].3基于改进LG-EKF 的惯性/里程计组合导航系统建模改进的李群卡尔曼滤波器系统方程将原本相对于地心的参考原点移动到与地球系固连的起始点处,此坐标系称为世界坐标系,在机器人和视觉导航领域得到广泛使用.改进方法的优势在于减小了速度矢量和位置矢量的数值大小,显著降低了一阶近似过程中的计算误差,且初始姿态误差点处的水平误差角和航向误差角解耦,有利于初始方差的设置,提高状态估计的精度.3.1系统状态方程改进后的导航状态误差定义(6)重写如下:2182控制理论与应用第40卷C wb˜C bw=exp(ϕw×)≈I+(ϕw×),Jρwv=v wwb−C w b˜C b w˜v w wb≈−δv w wb+˜v w wb×ϕw,Jρwr=r wwb−C w b˜C b w˜r w wb≈−δr w wb+˜r w wb×ϕw,(7)其中:C wb表示b系和w系之间的方向余弦矩阵;∼表示含有误差的状态变量;ϕw表示w系的姿态误差角;Jρwv,Jρw r是改进的LG-EKF的非线性速度和位置误差状态.将姿态误差作一阶近似,关系式(8)成立,即exp(ϕw×)≈I+(ϕw×),˜C wb≈I−(ϕw×)C w b,˜C bw≈C w b(I+(ϕw×)).(8)方向余弦矩阵的微分方程表示如下:˙C wb=C wb(ωbwb×)=C w b(ωb ib×)+(ωw ie×)C w b,˙˜C wb=˜C wb(˜ωbib×)−(˜ωw wi×)˜C w b=˜C wb((ωbib+δωbib)×)+(ωwie×)˜C w b,(9)其中δωbib为陀螺测量误差.将式(9)代入式(7)中,姿态误差方程展开得到d(C wb ˜C b w)d t =˙C wb˜C bw+C wb˙˜C bw=(C wb(ωbib×)−(ωwwi×)C w b)˜C w b−C w b(((ωb ib+δωbib)×)˜C wb+˜C wb(ωwie×))=(−ωwie×ϕw−˜C w bεb−˜C w b w g)×.(10)上述推导认为δωwie=0,陀螺测量误差建模为δωbib=εb+w g,εb表示陀螺仪零偏,w g是陀螺仪测量白噪声.根据式(7)中姿态误差的一阶近似可得d(C wb ˜C w b)d t =d(I+ϕw×)d t=˙ϕw×.(11)因此,得到姿态误差的微分方程表达式(12):˙ϕw=−(ωwie×)ϕw−C w bεb−C w b w g.(12)线性速度和速度误差状态的微分方程为˙v wwb=f wib−2ωw ie×v w wb+g w eb,δ˙v wwb=−f wib×ϕw−2ωw ie×δv w wb+C wbδf bib+δg web.(13)忽略重力误差δg web的影响,非线性速度误差状态的微分方程推导如下:J˙ρwv =dd t(−δv wwb+˜v wwb×ϕw)=−δ˙v w wb+˙˜v w wb×ϕw+˜v w wb×˙ϕw=−f w ib×ϕw+2ωw ie×δv w wb−C w bδf b ib+(˜f wib−2˜ωw ieטv w wb+˜g w eb)×ϕw+˜v wwb×(−(ωw ie×)ϕw−C w bεb−C w b w g)=((˜g web×)+(˜v w wb×)(ωw ie×))ϕw−(2ωwie×)Jρw v−C w b∇b−C w b w a−v wwb×C w bεb−v w wb×C w b w g,(14)其中:加速度计误差δf bib=∇b+ωa;∇b表示加速度计零偏;ωa是加速度计测量白噪声.线性位置和位置误差状态的微分方程为r wwb=d(C we(r ewe+r eeb))d t=˙C we(r ewe+r eeb)+C we(˙r ewe+˙r eeb)=C wev eeb=v wwb,(15)δ˙r wwb=δv wwb.(16)非线性位置误差状态微分方程推导过程为J˙ρwr=dd t(−δr wwb+˜r wwb×ϕw)=−δ˙r w wb+˙˜r w wb×ϕw+˜r w wb×˙ϕw≈−δv w wb+˜C w e˜v e wb×ϕw+˜r wwb×(−(ωw ie×)ϕw−C w bεb−C w b w g)≈−(˜r w wb×)(ωw ie×)ϕw+Jρw v−(r wwb×)C w bεb−(r w wb×)C w b w g.(17)由于车辆负载变化以及车胎压力变化通常导致里程计标度因数和俯仰安装误差角时变,因此,将两者建模为一阶马尔科夫过程.杆臂误差以及偏航安装误差角建模为常值.δ˙k D=−1τkδk D+w k,˙αθ=−1ταθαθ+wαθ,˙αψ=0,˙L b=03×1,(18)其中:τk,ταθ为相关时间;w k和wαθ为零均值白噪声.选取状态变量和系统噪声如下:x=[ϕw JρwvJρwrεb∇bδk DαθαψL b]T,(19)w=[w g w a w k wαθ]T.(20)结合式(12)(14)(17)–(18),可得LG-EKF的系统方程˙x=F x+Gw,(21)其中:F=−(ωw ie×)03×303×3(g web×)+(v w eb×)(ωw ie×)−2(ωw ie×)03×3−(r w wb×)(ωw ie×)I3×303×3012×3012×3012×3−C w b03×303×6−(v w eb×)C w b−C w b03×6−(r w wb×)C w b03×303×6012×3012×3Mτ;(22)第12期崔加瑞等:基于改进李群卡尔曼滤波的惯性/里程计组合导航方法2183M τ=06×306×3diag {−1τk ,−1ταθ,0}03×303×303×3;(23)G = −C wb 03×3−(v w eb ×)C w b −C w b 09×2−(r w wb ×)C w b 03×3012×3012×3M w ;M w = 06×2100104×2.(24)3.2观测方程将惯导解算的b 系原点速度在m 系下表示为˜v m INS =˜C m b ˜C b w ˜v w eb =(I −α×)C m b C b w (I +ϕw ×)(v w eb +δv web )=(I −α×)C m b C b w (I +ϕw ×)(v w eb −Jρw v +˜v w eb ×ϕw )=(I −α×)C m w (I +ϕw ×)(v w eb −Jρw v +˜vw eb ×ϕw ).(25)忽略二阶小量得到˜v m INS =(I −α×)C m w (v w eb −Jρw v ).(26)建立的观测方程为δz v =Hx +υ3×1,(27)其中υ3×1为速度观测噪声.建模为高斯白噪声,观测矢量则是用惯性系统的速度和里程计量测相减得到,即δz v =˜v m INS −˜v m D =(I −α×)C m w (v w eb −Jρw v )−˜vm D +υ3×1,(28)将式(28)展开,并将式(2)代入得到δz v ≈−C mw Jρw v +v m D ×α−v m D δk D −ωb eb×L b+υ3×1,(29)其中使用了近似关系(C m w v web )×α≈v m D×α,将式(29)写成观测矩阵如下:H =[03×3−C m w 03×303×6M b v −ωb eb ×],(30)M v = −v D 0000−v D 0v D 0.(31)相比文献[4]中在扩展卡尔曼滤波器的公式(20),本文中的式(30)中与姿态误差耦合的相关项,在李群卡尔曼滤波器的观测方程中变为了零矩阵,这是应用了李群非线性误差状态的结果.在接下来的实验验证中,将验证本文改进的李群卡尔曼滤波器方法相较于改进前在计算精度上的优势.3.3滤波器更新由于李群卡尔曼滤波器使用了非线性误差状态,导致其更新过程与传统的扩展卡尔曼滤波器的线性更新过程不同,李群卡尔曼滤波器状态更新时需要遵从非线性误差的定义.在组合导航过程中的状态更新为非线性形式,如式(32)所示:C wb update =exp(ϕw ×)˜C w b ≈(I +(ϕw ×))˜C w b ,v w wb update=exp(ϕw ×)˜v w wb +Jρw v ≈(I +(ϕw ×))˜v wwb +Jρw v ,r w wb update=exp(ϕw ×)˜r w wb +Jρw r ≈(I +(ϕw ×))˜r wwb +Jρw r ,(32)其中约等号后面为将姿态误差的指数函数进行一阶近似得到的结果.3.4卡尔曼滤波器离散化将连续形式的改进李群卡尔曼滤波器进行离散化,其过程与扩展卡尔曼滤波器相同,离散化的改进李群卡尔曼滤波器算法流程如表1所示.表1离散化李群卡尔曼滤波器算法流程Table 1Discrete Lie group Kalman filter algorith-m flow1状态和方差矩阵初始化:ˆx 0=x (t 0),ˆP0=P (t 0);2状态传播过程:ˆx k /k −1=Φk /k −1ˆx k −1,ˆP k /k −1=Φk /k −1ˆP k −1ΦT k /k −1+G k −1QG T k −1;3里程计量测到来˜v mD 更新滤波器状态:K k =P k /k −1H T k (H k P k /k −1H Tk +R k )−1,P k =(I −K k H k )P k /k −1,ˆx k =ˆx k /k −1+K k (δz v −H v ˆx k /k −1);4根据式(32)更新导航状态.其中Φk /k −1是离散化的系统矩阵Φk /k −1≈I +F (t k −1)∆T,(33)其中∆T 为离散时间.矩阵Q 和R 是器件随机噪声、马尔科夫随机游走噪声和测量噪声的谱密度E[w g w Tg ]=Q g ,E[w a w T a ]=Q a ,E[w k w k T ]=Q k ,E[w αθw αθT ]=Q αθ,Q =diag {Q g ,Q a ,Q k ,Q αθ},E[υ3×1υ3×1T]=R .(34)值得注意的是,在卡尔曼滤波器框架中纯惯导解算过程也需要在世界坐标系中进行,其解算过程等效于将当地导航系中的解算结果投影到世界坐标系.在世界坐标系解算的惯导状态进而应用在改进李群卡尔曼滤波器的系统方程和观测方程当中.4实验验证4.1小初始对准误差角实验验证本文使用车载实验对所提算法进行对比验证,首先在初始对准良好的条件下,使用惯性/卫星组合进2184控制理论与应用第40卷行600s 初始对准后进行惯性/里程计组合导航.初始姿态误差协方差的标准差分别设为0.5°,0.5°,0.5°.车载实验设备包括高精度光纤陀螺捷联惯导系统、轮式里程计,其参数如表2所示.使用惯性/卫星组合前后向平滑结果作为参考值,其精度约为1m.为了增加实验的可信度和充分性,共进行了4组实验,实验时长均为4h.实验轨迹如图3所示,其中,横坐标为经度,纵坐标为纬度,其中,轨迹1–3均为长沙市内闭环轨迹,轨迹4为从长沙出发至常德市的开环轨迹.表2捷联惯导系统和里程计参数表Table 2Parameters of SINS and odometer参数项陀螺仪加表里程计(x,y,z 轴)(x,y,z 轴)(m/脉冲)零偏0.003°/h10µg –随机游走3×10−4°√h1µg /√Hz–分辨率––0.0011将本文提出的方法命名为LG-EKF-w ,与传统扩展卡尔曼滤波器(EKF)[4]、状态变换卡尔曼滤波器ST-EKF [10]和文献[12]中提出的李群卡尔曼滤波器(命名为LG-EKF-i )进行对比,4组实验的定位误差统计结果如表3所示.从表3中可以看出,在第1,3,4组中,本文提出的改进李群卡尔曼滤波器方法LG-EKF-w 能够实现较基于惯性系的李群卡尔曼滤波器方法LG-EKF-i 更好的数值计算精度.在第1,3组中,LG-EKF-i 方法的精度不如传统EKF 的方法精度,误差分别增加了3m 和5m 左右.更为明显的是,在第4组当中,LG-EKF-i 方法出现了较大的数值计算误差导致其位置误差统计结果大幅度超过其他方法,达到了55.06m,而其他方法保持在21.03∼29.27m 的精度范围内.第4组差异较为明显的原因是其轨迹为开环轨迹,误差源被充分激励而显现在位置误差上.第1–3组的闭环轨迹中,确定性误差累积产生的位置误差会随着轨迹的闭环而被部分抵消,导致误差源激励并不明显,使得第1–3组的位置精度明显较第4组高,因而算法差异对比结果不明显.而在第4组完全开环情况下,误差的累积效果能够体现出算法明显的差异,因此,开环轨迹结果在惯性/里程计组合导航算法验证时具有较强的说服力和可信度.另外还能注意到,对惯性系卡尔曼滤波器方法而言,第2组的结果较为正常,并且表现出最高精度的位置误差统计结果.可能的原因是实验2中的初始对准误差角较小,非线性程度很低.并且,由于第2组的闭环较为完整,因此,其计算误差被大部分抵消,使得其精度比其他方法更高,但是与其他算法的差异较小.但是需要注意的是,在实验2中的两者差异较小,仅不足1m,这和参考基准的精度相当,因此,也不能排除偶然性的因素.总体而言,在统计意义上,其他3组中的LG-EKF-i 方法依然表现出数值计算误差较大的问题,并且突出体现在第4组中.(a)轨迹1(b)轨迹2(c)轨迹3(d)轨迹4图3车载实验轨迹图Fig.3Diagram of vehicle experiment trajectories第12期崔加瑞等:基于改进李群卡尔曼滤波的惯性/里程计组合导航方法2185表3车载实验定位误差统计结果(RMSE) Table3Position error results of vehicle experi-ment(RMSE)算法第1组/m第2组/m第3组/m第4组/m EKF10.1321.2814.6429.27 ST-EKF10.0020.6914.8826.96 LG-EKF-i13.3519.4720.5855.06 LG-EKF-w8.4520.3614.4321.034.2大初始对准误差角开环轨迹实验验证由于开环轨迹的算法差异比较具有更高的可信度,所以,此处给出第4组开环估计实验在大初始对准误差角条件下的导航误差结果.首先,使用惯性/卫星组合进行600s初始对准后,在初始对准结果上加入水平角1°,航向角10°,20°,30°的初始误差角再进行惯性/里程计组合导航.初始姿态误差的协方差的标准差分别设为1°,1°,5°.其中在1°,1°,30°初始对准误差角条件下的结果如图4–6所示.图4姿态误差角对比结果Fig.4Attitude error angle comparison results 可以看出,在大初始对准误差条件下的开环轨迹实验中,基于改进的李群卡尔曼滤波器LG-EKF-w方法得到了更为精确的结果,而基于惯性系的李群卡尔曼滤波器LG-EKF-i的位置误差产生了较大的积累.在不同初始对准误差角条件下的位置误差统计结果如表4所示.这主要得益于两个方面:一是其借助了李群非线性误差的定义,使得其应用的群结构更能够精确描述刚体运动.关于李群非线性误差的具体描述详见文献[9,12];二是选取了世界坐标系,减小了非线性误差状态中的速度和位置矢量模值,进而减小了卡尔曼滤波器在一阶近似过程中的计算误差.图5水平速度误差对比结果Fig.5Horizontal velocity error comparisonresults图6第4组车载实验水平定位误差图Fig.6The horizontal position error of the4th experiment 表4开环长航时车载实验定位误差(RMSE) Table4Position error results of long-time open-looped vehicle experiment(RMSE)算法1,1,10°/m1,1,20°/m1,1,30°/mEKF28.2233.37112.36ST-EKF26.6223.7025.41LG-EKF-i56.0154.9649.67LG-EKF-w23.3219.0922.795结论本文对高精度自主定位定向系统在卫星拒止条件2186控制理论与应用第40卷下的非线性误差状态估计方法进行了研究,指出了李群卡尔曼滤波器的方法在一阶近似过程中存在的计算误差问题,对惯性/里程计组合导航方法进行了改进,利用与地球系固连的初始点坐标系也称为世界坐标系取代地心惯性坐标系,从而降低了李群卡尔曼滤波器中的非线性误差状态的计算误差,从而得到了更加精确的并适于工程应用的组合导航算法.开环大初始对准误差角条件下的车载实验结果表明,改进的李群卡尔曼滤波方法相对于扩展卡尔曼滤波方法,状态变换卡尔曼滤波方法以及基于惯性系的李群卡尔曼滤波方法精度更高,更加适用于高精度惯性/里程计组合导航的工程应用.参考文献:[1]SUN Yi,SONG Le,WANG Guizhi.Overview of the developmentof foreign ground unmanned autonomous systems in2019.Airborne Missile,2020,1:30–34.(孙毅,宋乐,王桂芝.2019年国外地面无人自主系统发展综述.飞航导弹,2020,1:30–34.)[2]YAN Gongmin.Research on Vehicle Autonomous Positioning andOrientation System.Xi’an,Shaanxi:Northwestern Polytechnical U-niversity,2006.(严恭敏.车载自主定位定向系统研究.陕西,西安:西北工业大学, 2006.)[3]WU Y.Versatile land navigation using inertial sensors and odometry:Self-calibration,in-motion alignment and positioning.DGON Iner-tial Sensors and Systems(ISS).Karlsruhe,Germany:IEEE,2014:1–19.[4]FU Q,LIU Y,LIU Z,et al.High-accuracy SINS/LDV integration forlong-distance land navigation.IEEE/ASME Transactions on Mecha-tronics,2018,23(6):2952–2962.[5]ZHAO H,MIAO L,SHAO H.Adaptive two-stage Kalmanfilter forSINS/odometer integrated navigation systems.The Journal of Navi-gation,2017,70(2):242–261.[6]OUYANG W,WU Y,CHEN H.INS/Odometer land navigation byaccurate measurement modeling and multiple-model adaptive estima-tion.IEEE Transactions on Aerospace and Electronic Systems,2020, 57(1):245–262.[7]ZHOU Zhaofa,ZHAO Zhiqian,ZHANG Zhili,et al.SINS/OD in-tegrated navigation algorithm considering odometer truncation error.Journal of Chinese Inertial Technology,2022,30(3):336–344.(周召发,赵芝谦,张志利,等.考虑里程计截断误差的SINS/OD组合导航算法.中国惯性技术学报,2022,30(3):336–344.)[8]BROSSARD M,BONNABEL S.Learning wheel odometry and IMUerrors for localization.International Conference on Robotics and Au-tomation(ICRA).Montreal,QC,Canada:IEEE,2019:291–297.[9]BARRAU A.non-linear state error based extended Kalmanfilterswith applications to tin Quarter of Paris,France:Mines Paristech,2015.[10]WANG M,WU W,HE X,et al.Consistent ST-EKF for long distanceland vehicle navigation based on SINS/OD integration.IEEE Trans-actions on Vehicular Technology,2019,68(11):10525–10534.[11]WANG Maosong,WU Wenqi,HE Xiaofeng,et al.Further explana-tion and application of state transformation extended Kalmanfilter.Journal of Chinese Inertial Technology,2019,27(4):499–504,509.(王茂松,吴文启,何晓峰,等.状态变换卡尔曼滤波的进一步解释及应用.中国惯性技术学报,2019,27(4):499–504,509.)[12]CUI J,WANG M,WU W,et al.Lie group based nonlinear stateerrors for MEMS-IMU/GNSS/Magnetometer integrated navigation.The Journal of Navigation,2021,74(4):887–900.[13]GROVE P D.Principles of GNSS,inertial,and multisensor integratednavigation systems.Beijing:National Defense Industry Press,2011.(GROVE P D.GNSS与惯性及多传感器组合导航系统原理.北京:国防工业出版社,2011.)作者简介:崔加瑞博士生研究生,目前研究方向为多传感器组合导航方法,E-mail:******************;张礼廉副教授,硕士生导师,目前研究方向为多传感器仿生智能导航方法,E-mail:********************.cn;王茂松博士,副教授,目前研究方向为惯性基组合导航与协同导航方法,E-mail:**********************.cn;吴文启博士,教授,目前研究方向为惯性导航与组合导航方法,E-mail:wenqiwu************;杜学禹博士生研究生,目前研究方向为多传感器组合导航方法,E-mail:****************.。
基于粒子群优化的扩展卡尔曼滤波方法研究
在随机干扰的线性动态系统中袁卡尔曼滤波器是进行最优估 计的滤波算法咱员暂袁该滤波算法被提出以来袁已成为包括雷达系统尧 导弹跟踪和数据融合等各领域方向的最重要的计算方法之一咱圆暂遥 卡尔曼滤波对线性高斯滤波问题能够提供一种最优的滤波结果袁 然而袁在各类工程应用中袁大部分的滤波问题基本都是基于非线 性高斯的滤波问题袁因此一种近似线性非高斯的滤波方法袁即扩 展卡尔曼滤波由此运用而生咱猿暂袁扩展卡尔曼滤波提供了离散的线 性系统状态的近似线性化最小均方估计的有效算法咱源原缘暂遥
速度权重袁用来衡量粒子上一时刻速度对下一时刻运动的影响遥
在粒子群优化算法中一个重要的指标就是适应度函数袁 它不仅
能够约束每个粒子的运动趋势袁 还能作为目标函数终止更新的
有效条件咱愿暂遥 利用 耘运云 滤波的目的是要在获取测量的过程中减
小测量噪声影响咱怨暂可以将实测数据 扎噪 和滤波后的估计值 曾噪 渊啄郧蚤 冤
目前的机动目标跟踪过程中袁 采用扩展卡尔曼滤波通过离 线调整相应的参数也能够获得较好的跟踪效果袁 但是其没有考 虑在线复杂场景中的噪声特性对跟踪效果的影响遥 对于非线性 系统参数估计袁 如何获得系统噪声协方差矩阵和测量噪声协方 差矩阵在每次迭代时的参数准确值对卡尔曼增益来说非常关 键袁决定了 耘运云 算法输出结果的可靠性遥 系统噪声协方差取值 影响滤波性能及参数估计精度袁增大了系统的不确定性袁而测量 噪声协方差取值会影响滤波器的修正速度袁 使滤波过程不稳定 甚至发散遥 由于粒子群优化算法模拟生物进化过程袁可以随机搜 索得到最优参数袁所以可以结合卡尔曼滤波获取最优的参数袁但 是粒子群优化算法可能会落入局部最优解遥
基于kalman滤波的直流伺服电机模糊PID位置控制仿真研究
基于kalman滤波的直流伺服电机模糊PID位置控制仿真研究广西科技大学(筹)毕业设计(论文)说明书课题名称: 基于kalman滤波的直流伺服电机模糊PID位置控制仿真研究院别: 电气与信息工程学院专业: 自动化班级: 081学号: 200800301040姓名: 林剑强指导教师: 高远2012年 5月 28日摘要直流伺服系统的作用是使输出的机械位移可以准确的跟随着输入的位移。
目前控制方法有PWM控制、PID控制方法等等。
传统PID控制具有稳定性好、结构简单、可靠性高等优点。
对于可建立精确数学模型的确定性系统特别适用。
但由于它适应性较差，对于非线性和时变系统容易出现整定不良，超调量较大等现象，很难取得理想的控制效果。
模糊PID控制器可以根据输入误差和误差变化率对PID控制器参数进行实时自eec动调整，超调量小，响应速度较快，具有良好的动态和静态特性。
但由于控制对象所处环境往往存在大量的干扰和噪声，导致系统误差较大和不稳定。
为了提高伺服系统的控制性能，针对系统中存在的非线性和结构参数变化范围大的特点，提出了一种基于kalman滤波的参数自整定模糊PID控制器。
该控制器将传统的PID控制算法和模糊控制算法相结合，通过对位置误差及位置误差变化的模糊运算，实现对PID参数的在线调节，为了减弱测量噪声和过程噪声对控制的影响，研究并采用Kalman滤波对噪声信号进行滤波处理，以提高控制精度。
为验证所提控制方法的有效性，研究采用Matlab仿真。
仿真结果表明，与无Kalman滤波的控制情况相比，具有滤波功能的模糊PID控制方法具有更好的动态和稳态性能，能较好提高伺服系统的控制效果和抗干扰能力，减小干扰对系统的影响。
关键词:直流伺服系统;Kalman滤波;参数自整定;模糊 PID控制器;仿真1AbstractThe role of DC servo system is the mechanical displacement of the output displacement can accurately follow the input .The control method of PWM control,PID control method. Traditional PID control with good stability simplestructure,high reliability,Deterministic system can establish a precise mathematical model is particularlyapplicable.However,because of its adaptability poor,for the nonlinear and time- varying system is prone to setting bad overshoot phenomenon it is difficult to achieve the desired control effect. Fuzzy PID controller PID controller parameters in real time and automatically adjust the input error e and error change rate, small overshoot and fast response good dynamic and static characteristics. But there are a lot of interference and noise control object in which the environment often lead to system errors and instability.In order to improve the control performance of the servo system,the system nonlinearity and structural parameters change a large range of features,based on kalman filtering parameters self-tuning fuzzy PID controller.The controller will be the combination of the traditional PID control algorithm and fuzzy control algorithm,the fuzzy operation on the change of position error and position error,the online adjustment of the PID parameters,in order to weaken the influence of measurement noise and process noise control and Kalman filtering the noise signal to befiltered to improve control accuracy. In order to verify the validity of the proposed control method, using the Matlab simulation. Simulation results show that compared with control without Kalman filtering, the filtering function of the fuzzy PID control method has better dynamic and steady state performance can better improve the control effect and anti-jamming capability of the servo system to reduce interference on systems.Keywords: DC servo system; Kalman filtering; Parameter self-tuning; Fuzzy PID controller; Simulation.2目录1 绪论 ..................................................................... (4)1.1 课题研究的目的与意义 ..................................................................... . (4)1.2 国内外发展现状 ..................................................................... ..................................... 4 2 卡尔曼滤波器的原理与应用 ..................................................................... . (5)2.1 卡尔曼滤波器的基本原理 ..................................................................... (5)2.2 卡尔曼滤波器的基本算法 ..................................................................... (5)2.3 卡尔曼滤波器的功能示意图 ..................................................................... ................. 7 3 直流伺服电机及其控制系统 ..................................................................... . (8)3.1 直流伺服电机介绍 ..................................................................... (8)3.2 直流伺服电机工作原理 ..................................................................... . (8)3.3 直流伺服电机的数学模型 ..................................................................... ..................... 8 4 基于卡尔曼滤波的伺服电机模糊PID控制研究 (10)4.1 参数自整定模糊PID控制器的结构设计 (10)4.1.1 模糊语言变量和隶属度函数的确定 (10)4.1.2 模糊规则的确定 ..................................................................... . (11)4.1.3 模糊推理、解模糊及算法实现 ......................................................................124.2 模糊PID控制器的整定方法 ..................................................................... .. (14)4.3 卡尔曼滤波器设计 ..................................................................... . (17)4.4 基于卡尔曼滤波的伺服电机模糊PID控制仿真 (19)结论与展望 ..................................................................... (21)致谢 ..................................................................... (22)参考文献 ..................................................................... . (23)附录 ..................................................................... (24)31 绪论1.1 课题研究的目的与意义为了提高伺服系统的控制性能，针对系统中存在的非线性和结构参数变化范围大的特点，提出了一种基于kalman滤波的参数自整定模糊PID控制器。
卡尔曼滤波研究综述
卡尔曼滤波研究综述卡尔曼滤波（Kalman filter）是一种常用于估计和预测系统状态的优化算法。
它是由卡尔曼在1960年提出的，用于解决航天航空领域中的导航问题。
现在已广泛应用于各个领域，如自动驾驶、机器人、金融和通信等。
本文将对卡尔曼滤波的原理、应用和研究进展进行综述。
卡尔曼滤波的基本原理是通过对系统的状态进行不断的估计和修正，提高对系统状态的精确度。
它通过测量值和状态方程来计算状态的估计值，并结合测量值和状态方程的可信度来对估计值进行修正。
卡尔曼滤波的核心思想是将系统的状态建模为一个高斯分布，通过最小化估计误差的期望值来修正系统状态的估计值。
卡尔曼滤波的应用非常广泛。
在自动驾驶领域，卡尔曼滤波可以用于车辆定位和轨迹预测。
通过结合GPS和车辆传感器的测量值，可以实时估计车辆的位置和速度，并预测车辆的未来轨迹。
在机器人方面，卡尔曼滤波可以用于定位和地图构建。
通过结合机器人的传感器数据和运动模型，可以实时估计机器人的位置和地图，并提高机器人的导航精度。
关于卡尔曼滤波的研究，主要包括以下几个方面。
首先是算法改进和优化。
随着计算机和传感器技术的不断发展，研究人员提出了一些新的算法和方法来改进卡尔曼滤波的性能。
例如，无迹卡尔曼滤波（Unscented Kalman Filter）和扩展卡尔曼滤波（Extended Kalman Filter）可以处理非线性系统和非高斯噪声的情况，提高了滤波的精确度和鲁棒性。
其次是状态估计和预测的应用。
传统的卡尔曼滤波主要用于状态估计，即通过测量值来估计系统的状态。
近年来，研究人员开始将卡尔曼滤波应用于状态预测，即通过历史数据和状态模型来预测系统的未来状态。
这些预测方法在金融和经济领域得到了广泛应用，可以用于股票价格预测和经济预测等任务。
此外，还有对卡尔曼滤波的扩展和改进。
卡尔曼滤波虽然被广泛应用，但在一些实际问题中存在一些限制。
例如，它假设系统的状态和噪声是高斯分布的，而实际问题中很多情况并不满足这个假设。
异步电机矢量控制中扩展卡尔曼滤波器的优化研究
异步电机矢量控制中扩展卡尔曼滤波器的优化研究异步电机矢量控制是一种常用的电机控制方法，它可以实现电机的高效、精确控制。
然而，由于电机本身的非线性特性和外部干扰等因素的影响，异步电机矢量控制存在一定的控制误差。
为了解决这个问题，研究人员提出了扩展卡尔曼滤波器的优化方法，可以有效地提高控制精度。
扩展卡尔曼滤波器是一种常用的状态估计方法，它可以通过对系统状态进行估计，实现对系统的控制。
在异步电机矢量控制中，扩展卡尔曼滤波器可以用来估计电机的状态，从而实现对电机的控制。
然而，由于电机的非线性特性和外部干扰等因素的影响，扩展卡尔曼滤波器的估计结果可能存在误差，从而影响电机的控制精度。
为了解决这个问题，研究人员提出了扩展卡尔曼滤波器的优化方法。
该方法主要包括两个方面的优化：一是对扩展卡尔曼滤波器的状态估计进行优化，二是对扩展卡尔曼滤波器的参数进行优化。
对于扩展卡尔曼滤波器的状态估计优化，研究人员主要采用了基于粒子滤波器的方法。
粒子滤波器是一种基于蒙特卡罗方法的状态估计方法，它可以通过对系统状态进行随机采样，实现对系统状态的估计。
在异步电机矢量控制中，粒子滤波器可以用来对电机状态进行估计，从而提高控制精度。
对于扩展卡尔曼滤波器的参数优化，研究人员主要采用了基于遗传算法的方法。
遗传算法是一种基于自然选择和遗传机制的优化算法，它可以通过对参数进行随机变异和交叉，实现对参数的优化。
在异步电机矢量控制中，遗传算法可以用来对扩展卡尔曼滤波器的参数进行优化，从而提高控制精度。
通过对扩展卡尔曼滤波器的优化，可以有效地提高异步电机矢量控制的控制精度。
该方法不仅可以应用于异步电机矢量控制，还可以应用于其他领域的控制问题。
未来，研究人员可以进一步探索扩展卡尔曼滤波器的优化方法，为控制领域的发展做出更大的贡献。
改进卡尔曼滤波算法在伺服跟踪系统中的应用
改进 卡尔 曼滤 波算 法在 伺服 跟 踪 系统 中的应 用
周 世 纪 ， 何 为 阳 洪。 艾 毅 智。 ， ，
（．重庆 大 学 电气 工 程 学 院 高 电压 与 新 技 术教 育 部 重 点 实验 室 ， 庆 ４ ０ ４ ；．四Ｊ 压 电 与 声光 技 术 研 究所 ， 庆 ４ ０ ６ ） １ 重 ００４２ ｌ Ｉ 重 ０ ０ ０
Ａｂ ｔ ａ ｔ ｏ ｓｄ ｒ ｇ ｔ ｅ ｎ ｉｅ ｄｓ ｕ ｂ ｎ ｅ ｏ ｈ ｍａ ｅ ｔａ ｋ ｒＳｏ ｔ ｕ ａ ａ ｈ ｐ ｌ ａ ｉｎ ｏ ｌ ｎ ｆ ｔ ｒ ｓｒ ｃ ：Ｃ ｎ ｉ ｅ ｉ ｈ ｏ ｓ ｉｔ ｒ ａ ｃ ｆｔ ｅ ｉ ｇ ｒ ｃ ｅ ｕ ｐ ｔ ｔ ，ｔ ｅａ ｐ ｉ ｔ ｆＫａ ｍａ ｉ ｅ ｎ ｄ ｃ ｏ ｌ
随着 光 电 侦 察 平 台 的 迅 速 发 展 ， 服 跟 踪 平 伺 台Ｌ 作 为 侦察 系统 的核心 子 系统 ， 年来 被广 泛 应 １ 近 用到军 事领域 以及 公 安 、 防 、 视 拍摄 、 境 监 控 消 影 环 等 民用领 域 。如 何实 现 目标跟 踪 的 平稳 性 、 确性 精
ｏ ． Ｔｈｅ ｓ ｅ ｄｙ ｔ ａ ｋｉ ｒ ａ ｌｃ ｔ ｎ ｇ ｙ ｐｒ ｃｓ ｙｓ ｅ ｒ ｅ ｌ ｅ ｎ ｔ ｅ ａ ｌｃ ｔｏｎ ｏｆｐ ａ ｔｃ ． Ｔｈｅ ｕｔ ｔ ａ ｒ ｃ ｎｇ ｏｆｇ ｅ ｔｖｅｏ ｉｙ ａ ｄ ｈｉｈｌ ｅ ｉｅ ｓ ｔ ｍ ａ ｅ ｒ ａ ｉ ｄ ｉ ｈ ｐｐ ｉａ ｉ ｒ ｃ ｉｅ ｚ ｔａ ｋ ｎ ｓ ｓ ｅ ａｌｏ ｒ ａ ｈｅ ｅ ｅ ｔｏ ｅ ｈ ｑｕ ｎ ａ ｔｃ ． ｒ ｃ ｉ ｇ ｙ ｔ ｍ ｓ ｅ ｃ ｄ ｒ ｑｕ ｓ ｆｔ ｃ ｎｉ ｅ ａ ｄ ｔ ｃ ｉｓ Ｋｅ ｒ ｓ： ｌ ｙ ｗｏ ｄ Ｋａ ｍａｎ ｆｌｅ ；ｍ ｉｓｄｉｔ ｎ ｅ；ｔ ｒ ｅ ｒ ｃ ｎｇ； ｔａ ｋｉｇ ｐ ｒｏｒ ａ ｅ ｉｔ ｒ ｓ ｓ ａ ｃ ａ ｇ ｔｔａ ｋｉ ｒ ｃ ｎ ｅ ｆ ｍ ｎｃ
基于扩展卡尔曼滤波器的参考模型逆线性二次型最优电流控制
基于扩展卡尔曼滤波器的参考模型逆线性二次型最优电流控制李玲瑞;许鸣珠;高旭东【摘要】提出了简化的参考模型逆线性二次型(MR-ILQ)最优电流控制.为了解决MR-ILQ最优电流控制存在的电机低速运行不平稳、运行噪声大等问题,设计了扩展卡尔曼滤波器(EKF),构成基于EKF的MR-ILQ最优电流控制器.针对EKF拥有适于克服电机模型的不确定性和非线性、估计性能优越、抗噪能力强等优点,将其与MR-ILQ最优电流控制器相结合,所构成的新控制器兼有两种算法的优点.研究结果表明,基于EKF的MR-ILQ最优电流控制器能够有效地解决电机低速运行不平稳、运行噪声大等问题,同时也具有较强的鲁棒稳定性和跟踪性能,保证了电机的平稳运行,工业实用价值高.【期刊名称】《电机与控制应用》【年(卷),期】2016(043)012【总页数】5页(P6-10)【关键词】永磁同步电机;参考模型逆线性二次型;扩展卡尔曼滤波器;最优电流控制【作者】李玲瑞;许鸣珠;高旭东【作者单位】石家庄铁道大学机械工程学院,河北石家庄050043;石家庄铁道大学机械工程学院,河北石家庄050043;石家庄铁道大学机械工程学院,河北石家庄050043【正文语种】中文【中图分类】TM301.2永磁同步电机(Permanent Magnet Synchronous Motor, PMSM)是以磁场为媒介进行机械能和电能相互转换的电磁装置，其通过永磁体来产生磁场。
传统的PI 控制对电流环d、q轴单独作用，忽略了d、q轴之间存在的交叉耦合现象[1]，严重影响系统的控制性能。
因此国内外的学者提出了一种通过非线性状态反馈同时实现d、q轴系统的解耦和全局线性化的电流控制方案。
逆线性二次型(Inverse Linear Quadratic, ILQ)设计法由简单的极点配置计算LQ问题的解，现场增益调整简单，各输入输出间的传递函数渐近地分别求取设定，并且实现了动态的渐近解耦。
一种改进扩展卡尔曼滤波新方法_杨宏
（3）
（4）
影响对观测信息的有效利用。为了增强算法的稳定性， 利用 Levenberg-Marquardt 方法调整预测协方差阵， 以保证算法具 有全局收敛性。该方法的核心是在每次迭代过程中， 使用参 数 μi 对 预 测 协 方 差 阵 进 行 修 正 ， 即调整协方差阵为
͂ x = [I - P ͂ x 进行 ˉ x (P ˉ x + μi -1 I )-1] P ˉx ， P 然后以修正的协方差阵 P k k k k k
[3-5]
2
现有的迭代扩展卡尔曼滤波 （EIEKF） 方法
系统方程：
x k = f ( x k - 1 w k ) « p( x k |x k - 1)
（1） （2）
量测方程：
y k = h( x k v k ) « p( y k |x k ) x k y k分别是系统k 其中 f 和h为系统状态和量测的非线性变换， w k v k 分别是系统 k 时刻的状态噪声 时刻的状态值和量测值，
（7）
（14）
T
（8） （9）
P0 = E é( x0 - x̂ 0 )( x0 - x̂ 0 ) ù ë û
（15）
（2） for k = 1:N 计算系统方程的雅克比矩阵： ¶f ( x k ) Fk = | ¶x k x k = x k - 1 计算预测系统状态及协方差：
x̂ k = f ( x k - 1|k - 1) P (k|k - 1) = F P (k - 1|k - 1)F + P w
的应用前景
统的线性化标准卡尔曼滤波模型。 EKF 算法结构简单、 具有 一定的精度， 因此得到广泛应用。但是在实际应用中， EKF 也 存在着一些不足： 如当非线性观测方程的 Talor 展开式中的高 次项不能忽略时， EKF 会导致很大的线性化误差， 造成滤波器 难以稳定。为了减少线性化误差， 提高非线性滤波性能， 人们 对 EKF 方法进行了改进 。
基于扩展卡尔曼滤波辨识永磁同步直线伺服系统的负载惯量参数
基于扩展卡尔曼滤波辨识永磁同步直线伺服系统的负载惯量参
数
武静;陈浩君;王岩
【期刊名称】《东莞理工学院学报》
【年(卷),期】2024(31)3
【摘要】针对目前永磁同步直线电机带柔性负载产生谐振频率的辨识问题,提出通过使用非线性扩展卡尔曼滤波器(EKF)辨识负载惯量进行对谐振频率的计算。
首先建立电机-柔性连接-负载的二质量系统模型;其次在系统模型上搭建EKF算法,重点研究EKF算法在二质量系统模型中状态方程与量测方程的建立。
建立EKF二质量系统仿真模型,并进行仿真实验;最后将EKF算法应用在永磁同步直线电机系统之中进行辨识,实现对永磁同步直线电机带柔性负载的负载惯量辨识,根据仿真验证能在0.1 s以内辨识0.1 kg*m 2负载惯量。
在惯量变换时能够实时修正辨识结果,辨识误差小于1%。
【总页数】9页(P100-108)
【作者】武静;陈浩君;王岩
【作者单位】东莞理工学院机械工程学院
【正文语种】中文
【中图分类】TM359.4;TN713
【相关文献】
1.基于扩展卡尔曼滤波的永磁同步电动机参数辨识
2.基于自适应互联扩展卡尔曼观测器的永磁同步直线电机高精度抗干扰在线多参数辨识
3.基于改进粒子群算法辨识永磁同步电机伺服系统负载转矩及转动惯量
4.基于混合自适应扩展卡尔曼滤波的永磁同步直线电机等效机械参数辨识策略
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｚ Ａ ＧＪ ｎｊｎ Ｈ Ｎ ｉ － ａ ｕ
（ ａ ｓ ｒ ａ ｎｖｒｔｆｒ ａｉｎｌｉ ， ｅｕ ａ ｓ ４０ ０， ｈｎ ） Ｇ ｎｕＮｏｍ ｌ ｉ ｓｙ ｏ ｔ ａｉｅ Ｈ ｚｏＣ ｎｕ７７ ０ Ｃ ｉａ Ｕ ｅ ｉ Ｎ ｏ ｔｓ ．
Ｋ ｙ ｗ ｒ ｓ ＭＳ ｅ ｏ ｄ ：Ｐ Ｍ：Ｋ ｌ ａ ｌ ｒ Ｅ Ｆ ｅｔｎ ｅ ａ ａ ｌ ｒ ； ｐ ｅ ｂ ｅｖｒ ａｍ ｎｆ ｔ ； Ｋ （ ｘ ｄ ｄ Ｋ ｌ ｎｆ ｔ ） ｓｅ ｄｏ ｓｒｅ ｉｅ ｅ ｍ ｉｅ
（ 数字信号 处理 器 ） 可 以很 好地 完成 算法 的运 算 工作 。因 就
张建军
（ 肃 民族 师 范学院 ， 肃 合 作 ７７０ ） 甘 甘 ４０ ０
摘 要 ：研 究永磁 同步 电机 系统建模技 术 问题 。传统 的建模 技 术在 对 系统进 行 建模 时 ， 由于算 法 复杂 度较 高 ，
不利 于 实时控 制 系统 ， 出一种 新的基 于卡 尔曼滤波技 术构 建速 度观 测 器替 代位 置 传 感 器 ； 尔 曼滤 波技 术适 提 卡 用于线性 控制 场合 ， 对 Ｐ Ｍ 的 非线性特 性 ， 针 ＭＳ 改进 卡 尔曼滤 波算 法 为扩展 卡 尔曼滤 波 算 法。仿 真 实验 结果 表 明 ， 用扩 展卡 尔曼滤波 算法构 建的速 度观 测器 准确度 高 ， 利 是一种 有效 的伺服 系统建模 方 法。 关键 词 ：永磁 同步 电机 ； 尔曼滤波 ； 卡 扩展 卡 尔曼滤 波 ； 度观 测 器 速
第２ ９卷 第 ３期
２１ ０ ２年 ３月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅｓ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔｒ ｃ ｏ
Ｖｏ ＿ ９ Ｎｏ ３ ｌ２ ． Ｍａ ． ２ ２ ｒ ０１
基 于 改进 的扩 展 卡 尔 曼滤 波伺 服 系统 建模 技 术研 究
性高等优点 ， 年来在航空 航天 、 近 军事雷达 、 车工 业 、 电行 汽 家
ｌ ｂｌ ｙ ｅｃ，ｂ ｔｄ ｐ ｎ ｓｏ ｅ ｓ ｒ ｉ ｉ ｈ ｐ ｅ ｉ ｏ Ｓ ｅ ｓ ｒ ｓ ｅ ｈ ｏｏ ｙ ｂ ｃ ｍｅｔ ｅ ｈ ｔ ｐ ｔａ ｌ ａ ｉ ｃ ｌ ｎ ｉ ｉ ｔ ｔ ａ ｉ ｕ ｅ ｅ ｄ ｎ ｓ ｎ ｏ ｓｗ ｔ ｈ ｇ ｒ ｃｓ ｎ， Ｏｓ ｎ ｏ ｌ ｓ ｃ ｎ ｌｇ ｅ ａ ｈ ｏ ｏ ｓ ｈ ｉ ｅ ｔ ｓ ｗｅｌ ｓａ ｄｆ ｕ ｔ ｉ ｉ ｙ ｔ ｉ ｆ ｌ、 Ｔ ｉ ｐ ｐ ｒｆ ｓｌ ｏ ｕ ｅ ｎ ｃ ｍｐ ｒ ｔ ｅ ｓｕ ｙ ｏ ｘ ｓ ｎ ｌ ｏ ｉ ｍ，ａ ｄ ｗｉ ｏ ｓｄ ｒ ｔ ｎ ｏ ｈ ｒａ ｅ ｏ ｅ ｅ ｉ— ｈ ｓｉ ｄ ｈ ｓ ａ ｅ ｒ ｔ ｆ ｃ ｓ ｄ ｏ ｏ ａ ａｉ ｔ ｄ ｆ ｉ ｉ ｇ ａｇ ｒｔ ｅ ｉ ｙ ｖ ｅ ｔ ｈ ｎ ｔ ｃ ｎ ｉ ｅ ａｉ ｆｓ ｏｔｇ ｆ ｈ ｘｓ ｈ ｏ ｔ ｔ ｇ ａｇ ｒ ｈ ｉ ｌ ｏ ｉ ｍ，ｐ ｏ ｏ ｅ ｔ ｏ ａ ｅ ｎ ｔ ｅ Ｋａｍａ ｌ ｒｔｃ ｎ ｌ ｇ ｏｍｏ ｅ ｓ ｅ ｄ ｏ ｓｒ ｅ ｅ ｌｃ ｎ ｆ ｏ ｉ ｏ ｅ ｓ ｒ ｎ ｔ ｒ ｐ ｓ ｄ ａ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ｌ ｎ ｆ ｔ ｈ ｏｏ ｔ ｄ ｌ ｐ ｅ ｂ ｅｖ ｒｒ ｐａ ｉ ｇ ｏ ｓ ｉｎ ｓ ｎ ｏ ， ｈ ｉ ｅ ｅ ｙ ｐ ｔ ｗｈ ｃ ｓ ｐ ｒ ｐ ｉｔ ｏ ｎ ａ ｏ ｔ ｌ ｃ ａ ｉｎ ｎｖ ｅ ｆｃ ａａ ｔｒｓ ｃ ｆｎ ｎｉ ｅ ｒｏ ＭＳ ，ｒ ｎ ｆ ｒ ｄ Ｋａｍａ ｌ ｒａ— ｉｈ ｗａ ｐ ｏ ｒ ｅｆ ｒ ｉ ｅ ｒｃ ｎ ｒ ｃ ｓ ．Ｉ ｉ ｗ ｏ ｈ ｒｃ ｅ ｉ ｉ ｓｏ ｏ ｌ ａ ｆ ａ ａ ｌ ｏｏ ｏ ｔ ｎ Ｐ Ｍ ｔ ｓｏ ｍｅ ｌ ｎ ｆ ｔ ｌ ａ ｉｅ ｇ ｒ ｈ ｉｔ ＫＦ Ｔ ｅ ｓ ｌｔ ｎ ｓ ｏ ｓ ｔａ ｈ ｒ ｐ ｓ ｄ ｍｅｈ ｄ ｈ ｓｈ ｇ ｒ ｃ ｓ ｎ ｏ ｉ ｍ ｎ ｏ Ｅ ． ｈ ｉ ａ ｉ ｈ ｗ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ａ ｉ ｈ ｐ ｅ ｉｉ ． ｔ ｍｕ ｏ ｏ
中图分 类号 ：Ｔ ３ １６ Ｐ ０ ． 文献标 志码 ：Ａ 文章 编号 ：１０ — ６ ５ ２ １ ） ３ ０ ４ － ３ ０ １３ ９ （０ ２ ｏ — ９ ４ ０
ｄｉ１ ．９ ９ ｊｉ ｎ １０ —６ ５ ２ １ ．３ ０ ０ ｏ：０ ３ ６ ／．ｓ ． ０ １３ ９ ．０ ２ ０ ．４ ｓ
０ 引言
永磁 同步 电机 （ ＭＳ 具 有控 制精度 高 、 Ｐ Ｍ） 运行 稳定 、 靠 可
此， 本文提 出的算法具有实现容易 、 估计精度高等优点 。
１ 速度 观测 器的构 建
卡尔曼滤波是一种线性 最小方差估 计。它有 非常好 的滤
波性能 ， 系统 噪声 和测量 噪声 已知的情况 下 ， 立信 号的数 在 建
Ａｂ ｔ ａ ｔ ｈ ｅ ｍａ ｅ ｔｍａ ｎ ｔ ｙ ｃ ｒ ｎ ｕ ｔｒ ａ ｅａ ｖ ｎ ａ ｅｏ ｉ ｈ ｃ ｎ ｒ ｌ ｃ ｕ ａ ｙ ｔｂ ｅ ｏ ｅ ａｉｎ ａ ｄ ｈ ｇ ｅ ｓｒ ｃ ：Ｔ ｅｐ ｒ ｎ ｎ ｇ ｅ ｎ ｈ ｏ ｏ ｓｍｏｏ ｓｔ ｄ ａ ｔ ｇ ｆ ｇ ｏ ｔ ｃ ｒ ｃ ，ｓａ ｌ ｐ ｒ ｔ ｎ ｉｈ ｒ — ｓ ｈ ｈ ｈ ｏａ ｏ