基于强跟踪滤波的车载行进间对准

基于强跟踪滤波的车载行进间对准

赵小明;赵帅;郭永刚;王晓亮;周凌峰;王强

【摘要】针对车载行进间对准过程中存在复杂路面和未知干扰的情况,提出基于强跟踪滤波的里程计辅助车载捷联惯导行进间对准方法.采用多重渐消因子的强跟踪滤波器进行车载行进间精对准.多重渐消因子的强跟踪滤波器利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,在线自适应地调整渐消因子,对未知干扰有较强的鲁棒性.建立行进间对准的状态方程与观测方程,针对三种不同路况进行了8次跑车行进间对准试验.试验结果表明:强跟踪滤波能适应恶劣复杂路况;精对准后航向误差(1σ)≤3.6′,满足指标要求.

【期刊名称】《中国惯性技术学报》

【年(卷),期】2015(023)002

【总页数】4页(P141-144)

【关键词】捷联惯导系统;行进间对准;卡尔曼滤波;多渐消因子强跟踪滤波

【作者】赵小明;赵帅;郭永刚;王晓亮;周凌峰;王强

【作者单位】天津航海仪器研究所,天津300131;天津航海仪器研究所,天津300131;天津航海仪器研究所,天津300131;天津航海仪器研究所,天津300131;哈尔滨工程大学自动化学院,哈尔滨150001;北京总装北京军事代表局驻天津地区军事代表室,天津300131

【正文语种】中文

【中图分类】U666.1

随着对车载系统的快速反应能力、恶劣环境生存能力的要求越来越高，具备行进间对准能力的车载捷联惯导系统逐渐成为研究热点。

行进间对准在行车过程中实现对惯性导航系统的补偿和修正，通常需要利用外部设备（GPS或里程计）提供载体运动信息。GPS能直接提供载体位置和速度，对准速度快、精度高，但是其信号易受遮挡导致关键时刻可利用性低[1]；相比较，里程计辅助行进间对准具有全自主性，但对数据处理技术有较高要求。国内严恭敏、肖烜[2]等学者对里程计辅助载车行进间对准进行了相关研究。

里程计辅助下的捷联惯导行进间对准包括粗对准和精对准。精对准过程常采用卡尔曼滤波算法，然而实际对准过程中，由于存在复杂路面和未知干扰的情况，系统噪声统计特性经常发生变化，导致卡尔曼滤波性能下降，严重时甚至发散。本文提出将强跟踪滤波引入行进间对准，以克服标准卡尔曼滤波鲁棒性差的不足。跑车试验表明，强跟踪滤波行进间对准在复杂路面情况下有较好的对准精度。

多重渐消因子强跟踪滤波器是在标准卡尔曼滤波技术上改进的一种滤波算法。标准卡尔曼滤波递推方程为：

状态一步预测方程：

一步预测均方误差方程：

滤波增益方程：

状态估计方程：

估计均方误差：

多重渐消因子强跟踪滤波算法是在式(2)中引入一个对角矩阵渐消因子，使得不同时刻的残差序列处处保持正交：

式中：F为状态向量X为从tk-1时刻转移到tk时刻的转移矩阵；Dk+1为多重渐消因子的对角矩阵，可由下面方法确定：

式中：αi≥1，i=1,2,…,n 为由先验知识预先确定的系数。可以增大易于突变状态分

量相应的αi，若无系统先验知识时，取αi=1。式(8)中，

式中：tr[·]为求迹算子；Q为系统噪声方差阵；R为量测噪声方差阵；Pk-1为tk-1时刻最优滤波值误差协方差阵；lk≥1为弱化因子；V0,k为均方误差值；Hk为tk时刻量测矢量Zk与状态向量X间的量测系数矩阵。

多渐消因子的卡尔曼滤波器针对各数据通道以不同的速率进行渐消，可以更好地调整增益矩阵，即使当系统达到稳态时，也能自适应地调整增益矩阵，从而达到增强对模型失配和系统扰动的鲁棒性，得到更加精确和稳定的估计结果[3-5]。

车载行进间对准分为粗对准和精对准两个阶段。

在粗对准阶段，参照文献[6]，建立载体惯性凝固坐标系，将姿态阵分解为三个矩阵求解，根据陀螺和加速度计的输出直接解算出姿态阵：

在精对准阶段：惯导系统提供车辆的姿态信息；里程计提供载体运动信息，建立失准角误差模型，运用滤波器估计出车辆的姿态失准角、陀螺常值漂移和加速度计零偏，根据滤波得到的车辆姿态失准角修正输出的车辆姿态，根据陀螺常值漂移与加速度计零偏估计值修正惯性敏感器件误差初始值。重复此过程，直至滤波估计量收敛，完成行进间对准。

2.1 坐标系说明

n系：导航坐标系，采用当地地理坐标系（方向为东北天）；

b系：车体坐标系，方向为右前上；

b′系：在惯导系统安装处的载体系，它与车体固联，与b系存在安装误差角；

in0系：导航系凝固而成的惯性坐标系；

ib0系：载体系凝固而成的惯性坐标系。

2.2 状态模型建立

假设导航计算坐标系和当地地理坐标系间的失准角误差为小角度误差矢量。光纤捷联惯导与里程计组成组合导航系统。车载环境下，主要是由于安装、使用环境等因

素造成的误差，包括由惯导系统在载体上的安装偏差角产生的航向安装误差角

δψα和俯仰安装误差角δθα以及里程计标度因子误差δKD。其中，里程计标度因数误差与环境温度、路面状况等因素有关[7]。

设里程计在载体系下的输出矢量为：

式中：为里程计输出的路程增量。

考虑到惯导在载体上的安装误差和标度因数误差，里程计的路程输出在b′系下的矢量为：

式中：为方位误差修正量，θα为俯仰误差修正量，D

K为里程计标度因数修正量。上述修正量的误差记为δψα、δθα和δKD，实际中通常假设上述误差量为常值，从而安装误差及里程计标度误差模型为：

导航系下捷联惯性导航系统的误差模型为：

结合惯导安装误差及里程计标度误差，选取姿态角误差、速度误差、位置误差、陀螺常值漂移、加速度计零偏和安装误差及里程计标度来构成状态变量X：

2.3 量测方程建立

以惯导解算位置增量和里程计位置增量之差作为强跟踪滤波器的观测量。惯导系统的位移增量为：

考虑惯导在载体系下的安装误差，则有b系和b′系之间的转换关系。

里程计的位移量在导航坐标系上的投影为：

实际里程计位移输出在n系下分量为：

将式(19)展开，并忽略关于δψα、δθα和δKD的高阶小量得：

式中：

里程计位移增量在n系下的矢量误差方程：

组合导航系统的观测方程：

根据观测方程建立相应的观测矩阵Hk。

2.4 强跟踪滤波估计过程

根据系统误差模型和观测量的建立，建立系统的的状态方程和量测方程：

式中：X表示系统状态；Z表示观测向量；F和H分别为系统的状态函数和量测函数，W和V为互不相关的零均值高斯白噪声，

多渐消因子强跟踪滤波过程：

① 状态预测：

② 计算带多重次优渐消因子的对角矩阵，其中，

式中，0≤ρ≤1为遗忘因子。

③ 用式(6)计算预测状态协方差阵。

④ 计算增益矩阵：

⑤ 计算t时刻状态估计协方差阵和状态估计值：

根据以上步骤，编辑多重渐消因子的强跟踪滤波导航解算程序。

采用的光纤陀螺零偏稳定性为0.01 (°)/h，加速度计零偏稳定性为50 μg，捷联惯导采样周期为0.01 s。行进间粗对准时间50 s，精对准时间10 min。为继续观察收敛情况，将试验时间延长至800 s。共进行8组跑车试验，行车路况包括三种：

① 一般路况（第1、6组）；② 上下坡路况（第2、3、5组）；③ 沙土路（第4、

7、8组）。试验过程中对载车加减速过程及行驶速度不做特殊要求。

图1、图2和图3分别为精对准过程中航向角误差的收敛曲线。由于俯仰角和横

滚角误差对准收敛速度快，而航向角误差收敛速度慢，因此本文通过研究航向角误差的对准精度和对准时间来说明提出的滤波算法的有效性。从图1～3中可以看出，第600 s时误差曲线基本达到平稳。取每种工况下第600 s时的航向角误差列于

表1。从表1知，第600 s时使用强跟踪滤波器对准的航向角误差为3.58′（1σ），满足行进间对准的精度要求，表明当存在复杂路面和外界扰动时，所设计的强跟踪滤波方法能够较好地估计载车姿态失准角，实现行进间对准。

本文提出将强跟踪滤波算法应用于车载行进间对准，通过分析多重渐消因子强跟踪滤波的原理，建立车载行进间对准的状态模型和量测模型，设计出相应的强跟踪滤波器。对不同路况进行了8组跑车试验，结果表明，强跟踪滤波算法适用于包含复杂路况和外界干扰的车载行进间对准情况，并从对准精度和对准时间上证明了算法的有效性。

【相关文献】

[1] Hong Woonseon, Han Kyungjun, Lee Chulsoo, Paik Boksu. Three stage in flight alignment with covariance shaping adaptive filter for the strapdown inertial navigation system(SDINS)[C]//AIAA Guidance, Navigation and Control Conference. Toronto, Ontario, Canada, 2010: 355-361.

[2] 肖烜, 王清哲, 付梦印, 等. 里程计辅助陆用惯导行进间对准方法[J]. 中国惯性技术学报, 2012,

20(2): 140-145. Xiao Xuan, Wang Qing-zhe, Fu Meng-ying, et al. INS in-motion alignment for land-vehicle aided by odometer [J]. Journal of Chinese Inertial Technology, 2012, 20(2): 140-145.

[3] Guo Z, Miao L J, Zhao H S, et al. An improved strong tracking UKF algorithm and its application in SINS initial alignment under large azimuth misalignment angles [J]. Acta Aeronautica Sinica, 2014, 35(1): 203-214.

[4] Gao Wei-xi, Miao Ling-juan, Ni Mao-lin, et al. Multiple fading factors Kalman filter for SINS static alignment application[J]. Chinese Journal of Aeronautics, 2011, 24(4): 476-483.

[5] 钱华明, 葛磊, 彭宇, 等. 多渐消因子卡尔曼滤波及其在SINS初始对准中的应用[J]. 中国惯性技术学报, 2012, 20(3): 287-291. Qian Hua-ming, Ge lei, Peng Yu, et al. Multiple fading Kalman filter and its application in SINS initial alignment[J]. Journal of Chinese Inertial Technology, 2012, 20(3): 287-291.

[6] 秦永元, 朱新颖, 赵长山, 等. 舰载机捷联惯导自对准方案设计与仿真[J].中国惯性技术学报, 2008, 16(1): 28-33. Qin Yong-yuan, Zhu Xin-ying, Zhao Chang-shan, et al. Design and simulation on SINS self-alignment for carrier born aircraft[J]. Journal of Chinese Inertial Technology, 2008, 16(1): 28-33.

[7] Georgy J, Noureldin A, Korenberg M, et al. Low-cost three-dimensional navigation solution for PISS/GPS integration using mixture particle filter[J]. IEEE Transactions on Vehicular Technology, 2010, 59(2): 599-615.

基于强跟踪容积卡尔曼滤波的车辆行驶状态估计

基于强跟踪容积卡尔曼滤波的车辆行驶状态估计 强跟踪容积卡尔曼滤波是一种用于车辆行驶状态估计的方法，该方法基于车辆传感器数据和车辆动力学模型，能够更准确地估计车辆的状态，包括车速、加速度、转向角度等。该方法在自动驾驶、智能交通等领域有着广泛的应用前景。 强跟踪容积指的是车辆周围的空间范围，通常被称为行驶环境。强跟踪容积卡尔曼滤波对行驶环境进行建模，并利用卡尔曼滤波算法对车辆状态进行估计。卡尔曼滤波是一种递归估计方法，能够统计车辆状态的不确定性，并通过观测结果来更新状态估计值。 使用强跟踪容积卡尔曼滤波的过程可以分为以下几个步骤： 1. 进行传感器数据处理。车辆传感器包括激光雷达、摄像头、惯性测量单元等，这些传感器能够测量车辆周围的空间范围、车辆位置和姿态等信息。对这些传感器数据进行处理，可以得到车辆状态的初步估计值。 2. 建立车辆动力学模型。车辆动力学模型反映了车辆运动的物理规律，包括牵引力、阻力、惯性等因素。利用车辆动力学模型，可以预测车辆在未来的状态，并根据观测结果对预测结果进行修正。 3. 进行状态估计。卡尔曼滤波算法通常分为预测和更新两个步骤。预测步骤利用车辆动力学模型预测车辆状态，更新步骤根据传感器观测结果更新状态估计值。在进行状态估计时，需要

考虑车辆运动的不确定性，并采用卡尔曼滤波算法进行统计。 4. 进行轨迹预测和控制优化。根据状态估计值和车辆动力学模型，可以预测车辆未来的运动轨迹，并进行路径规划和控制优化，以实现对车辆的自主控制。 强跟踪容积卡尔曼滤波具有一定的优势，如能够处理多传感器数据、适应复杂的行驶环境、提高状态估计的准确性等。但是也存在一些挑战，如需要较高的计算资源、对模型和参数的要求较高等。因此，在应用过程中需要根据具体情况进行合理的调整和优化。 总之，强跟踪容积卡尔曼滤波是一种有效的车辆行驶状态估计方法，可以为自动驾驶、智能交通等领域提供可靠的技术支持。在未来的发展中，我们可以进一步完善该方法，提高其适用性和性能，以实现更加精准、高效的车辆状态估计。在实际应用中，强跟踪容积卡尔曼滤波可以应用于各种车辆行驶状态估计场景，如自动驾驶、智能交通、车辆控制等。以下是一些具体应用： 1. 自动驾驶：自动驾驶需要对车辆状态进行精准的估计，以实现车辆的自主控制。利用强跟踪容积卡尔曼滤波，可以对车辆状态进行实时估计，并通过轨迹预测和控制优化实现车辆的自主行驶。 2. 智能交通：智能交通需要对车辆行驶状态进行快速、准确的估计，以实现交通流量控制和交通安全保障。利用强跟踪容积

基于强跟踪滤波器的机动航天器跟踪定位

基于强跟踪滤波器的机动航天器跟踪定位 陈韬亦;马鹏斌;李江红 【摘要】针对雷达测量跟踪有轨道机动的非合作航天器的定位和轨道计算问题,在EKF的基础上引入强跟踪滤波器,采用增广的航天器轨道动力学模型,估计推力加速度.在航天器进行轨道机动时,滤波器自身可完成对轨道机动的快速判断和检测,滤波过程无需额外的检测手段,通用性高,可适用于针对非合作空间目标的轨道计算和跟踪与定位.数值仿真表明,对雷达数据,轨道机动约10s后即可检测出发生了轨道机,位置精度在几十m量级,速度精度在0.1 m/s量级. 【期刊名称】《无线电工程》 【年(卷),期】2017(047)004 【总页数】4页(P35-38) 【关键词】强跟踪滤波器;非合作雷达测量;轨道计算 【作者】陈韬亦;马鹏斌;李江红 【作者单位】中国电子科技集团公司第五十四研究所,河北石家庄050081;清华大学航天航空学院,北京100084;宇航动力学国家重点实验室西安卫星测控中心,陕西西安710043;西北工业大学动力与能源学院,陕西西安710072 【正文语种】中文 【中图分类】V448.2 使用雷达测量跟踪和定位非合作空间目标对于空间观测和跟踪具有重要实际意义。对于航天器的轨道确定，在工程实践当中最为常用的是卡尔曼滤波器以及在卡尔曼

滤波器之上发展出来的各种滤波器，如扩展卡尔曼滤波器(Extended Kalman Filter,EKF)[1]、文献[2-3]提出的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)等滤波方法。而在空间飞行的航天器经常会实施的轨道机动，会对使用雷达数据进行航天器轨道计算的方法产生干扰，EKF和UKF在面对目标系统发生突变的情况时，将会失去其有效性，对于状态的估计出现发散的情况。对于轨道机动过程，国内外做过很多工作，例如，文献[4-5]对航天器推力加速度模型，建立增广的航天器轨道动力学模型，估计推力加速度。其中，对轨道机动过程的快速精确检测与判断是研究的重点。本文采用强跟踪滤波器(Strong Tracking Filter，STF)[6]，根据测量残差的正交性原理，对所估计状态量的变化有很强的跟踪能力，可以在滤波过程中快速对轨道机动进行检验，利用估计推力加速度的增广航天器轨道动力学运动模型，可对推力加速度和工作时段进行辨识。 1.1 动力学模型 在J2000惯性系中，航天器运动方程为: 式中，)为二体问题下航天器的加速度，其中GM为地球引力常数；aε为其他各种自然摄动力加速度之和，包括地球非球型引力、太阳引力、月球引力、太阳光压摄动和大气阻力等，可参见文献[7-8]；af表示航天器的机动推力所产生的加速度。对状态方程进行增广，考虑航天器的连续有限推力作用，则加速度和航天器质量亦可作为状态量。 。 式中，F为有限连续推力的大小；m为卫星的质量；Isp为发动机比冲；g0为地面重力常数；A为推力方向矩阵，和航天器姿态和推力器安装位置相关。一般情况下，如果有限连续推力的作用时间不是很长，而且其幅值不大的话，可以认为该推力对于航天器的质量影响较小。定义RTN坐标系，R轴为径向，与地心到卫星质心的向径方向一致；T轴为横向，在轨道面内与R轴垂直，指向卫星运动方向；N

基于强跟踪AUKF的目标跟踪算法

基于强跟踪AUKF的目标跟踪算法 杨倩;王洋;赵红梅;崔光照 【摘要】Since the unscented Kalman filter(UKF)has the problems of non⁃adaptivity of the varying measurement condi⁃tion and uncertain system model in recursive process,and poor tracking effect in the condition of inaccuracy model or undesi⁃rable measurement condition,a new target tracking algorithm(adaptive unscented Kalman filter based on strong tracking: STF⁃AUKF) is proposed. The algorithm is based on the thought of adaptive filtering ,and uses the principle of new interest cova⁃riance matching to establish the adaptive UKF,which has the robustness performance for the undesirable measurement;and ac⁃cording to the thought of improving the strong tracking filtering,it adopts the time⁃varying fading factor to control the matrix gain in real time to deal with the model′s sudden change and ensure the tracking effect. The simulation results show that the STF⁃AUKF algorithm still has better stability and tracking effect for sudden maneuvering of a target.%针对无迹 卡尔曼滤波器在递推过程中不具有对测量条件变化和系统模型不确定性的自适应性，在模型不准确或出现不良测量条件时跟踪效果不佳的问题，提出一种新的目标跟踪算法，即基于改进强跟踪的自适应无迹卡尔曼滤波器（STF⁃AUKF）。该算法一方面基于自适应滤波的思想，利用新息协方差匹配原理，建立对不良测量具有鲁棒性的自适应UKF；另一方面，依据改进强跟踪滤波的思想，采用时变渐消因子实时 调节矩阵增益以此应对模型突变，保证跟踪效果。仿真结果表明，STF⁃AUKF算法在目标突发机动时仍然具有较好的稳定性和跟踪效果。

基于强跟踪滤波的车载行进间对准

基于强跟踪滤波的车载行进间对准 赵小明;赵帅;郭永刚;王晓亮;周凌峰;王强 【摘要】针对车载行进间对准过程中存在复杂路面和未知干扰的情况,提出基于强跟踪滤波的里程计辅助车载捷联惯导行进间对准方法.采用多重渐消因子的强跟踪滤波器进行车载行进间精对准.多重渐消因子的强跟踪滤波器利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,在线自适应地调整渐消因子,对未知干扰有较强的鲁棒性.建立行进间对准的状态方程与观测方程,针对三种不同路况进行了8次跑车行进间对准试验.试验结果表明:强跟踪滤波能适应恶劣复杂路况;精对准后航向误差(1σ)≤3.6′,满足指标要求. 【期刊名称】《中国惯性技术学报》 【年(卷),期】2015(023)002 【总页数】4页(P141-144) 【关键词】捷联惯导系统;行进间对准;卡尔曼滤波;多渐消因子强跟踪滤波 【作者】赵小明;赵帅;郭永刚;王晓亮;周凌峰;王强 【作者单位】天津航海仪器研究所,天津300131;天津航海仪器研究所,天津300131;天津航海仪器研究所,天津300131;天津航海仪器研究所,天津300131;哈尔滨工程大学自动化学院,哈尔滨150001;北京总装北京军事代表局驻天津地区军事代表室,天津300131 【正文语种】中文 【中图分类】U666.1

随着对车载系统的快速反应能力、恶劣环境生存能力的要求越来越高，具备行进间对准能力的车载捷联惯导系统逐渐成为研究热点。 行进间对准在行车过程中实现对惯性导航系统的补偿和修正，通常需要利用外部设备（GPS或里程计）提供载体运动信息。GPS能直接提供载体位置和速度，对准速度快、精度高，但是其信号易受遮挡导致关键时刻可利用性低[1]；相比较，里程计辅助行进间对准具有全自主性，但对数据处理技术有较高要求。国内严恭敏、肖烜[2]等学者对里程计辅助载车行进间对准进行了相关研究。 里程计辅助下的捷联惯导行进间对准包括粗对准和精对准。精对准过程常采用卡尔曼滤波算法，然而实际对准过程中，由于存在复杂路面和未知干扰的情况，系统噪声统计特性经常发生变化，导致卡尔曼滤波性能下降，严重时甚至发散。本文提出将强跟踪滤波引入行进间对准，以克服标准卡尔曼滤波鲁棒性差的不足。跑车试验表明，强跟踪滤波行进间对准在复杂路面情况下有较好的对准精度。 多重渐消因子强跟踪滤波器是在标准卡尔曼滤波技术上改进的一种滤波算法。标准卡尔曼滤波递推方程为： 状态一步预测方程： 一步预测均方误差方程： 滤波增益方程： 状态估计方程： 估计均方误差： 多重渐消因子强跟踪滤波算法是在式(2)中引入一个对角矩阵渐消因子，使得不同时刻的残差序列处处保持正交： 式中：F为状态向量X为从tk-1时刻转移到tk时刻的转移矩阵；Dk+1为多重渐消因子的对角矩阵，可由下面方法确定： 式中：αi≥1，i=1,2,…,n 为由先验知识预先确定的系数。可以增大易于突变状态分

强跟踪滤波原理

强跟踪滤波原理 强跟踪滤波是一种常用于目标跟踪的滤波方法，其原理是利用目标的状态和观测信息来估计目标的状态，并根据估计结果进行目标跟踪。强跟踪滤波的最大特点是能够实现对目标的精确跟踪，同时具有较高的鲁棒性和抗干扰能力。本文将对强跟踪滤波的原理、优势和应用进行介绍。 强跟踪滤波的原理 强跟踪滤波是一种基于贝叶斯滤波理论的目标跟踪方法。其基本思想是将目标物体的状态表示为一个概率分布，然后利用观测数据对概率分布进行修正，从而不断提高目标状态的估计精度。具体来说，强跟踪滤波的原理可以概括如下： 1.状态空间模型 将目标物体的状态表示为一个向量，称之为状态向量。状态向量包含了目标的位置、速度、加速度等信息。根据物体运动学原理，状态向量可以通过上一时刻的状态和控制量（如加速度）进行预测。状态向量的预测可以通过状态空间模型来实现。 2.观测模型 目标的状态是无法直接观测到的，所以需要引入观测模型来描述观

测数据和目标状态之间的关系。观测模型是一个条件概率分布，表示在给定目标状态的情况下，观测数据出现的概率。 3.滤波器设计 滤波器是用来估计目标状态的核心算法。强跟踪滤波采用的是基于贝叶斯滤波理论的滤波器，具体来说是一种递归贝叶斯滤波器。递归贝叶斯滤波器可以根据当前的观测数据和上一时刻的状态估计值，计算出当前时刻的状态估计值，并不断更新状态估计值。 强跟踪滤波的优势 强跟踪滤波相比其他滤波方法具有以下优势： 1.精度高：强跟踪滤波可以利用观测数据不断修正目标状态的估计值，从而实现更加精确的目标跟踪。 2.鲁棒性强：强跟踪滤波可以通过引入多种不同的观测模型和滤波算法，从而增强目标跟踪的鲁棒性和抗干扰能力。 3.适应性强：强跟踪滤波可以根据目标运动状态的变化自适应地调整滤波参数，从而实现更加准确的目标跟踪。 强跟踪滤波的应用 强跟踪滤波在目标跟踪领域有着广泛的应用。以下是一些典型的应

车载雷达系统的目标检测与跟踪算法研究

车载雷达系统的目标检测与跟踪算法 研究 车载雷达系统是现代汽车中非常重要的安全辅助装置之一。它通过利用雷达技术，能够实时探测和跟踪目标物体，从而帮助驾驶员提前预警并避免潜在的碰撞风险。目标检测与跟踪算法是车载雷达系统中的核心技术，它能够有效地识别道路上的各种目标，如车辆、行人、自行车等，并跟踪它们的运动状态。本文将对车载雷达系统的目标检测与跟踪算法进行研究和探讨。 在车载雷达系统中，目标检测与跟踪算法的研究意义重大。首先，通过对目标的检测和跟踪，车载雷达系统可以提供精准的目标位置和运动状态信息，为其他车辆感知和决策算法提供重要的输入。其次，目标检测与跟踪算法能够帮助驾驶员及时发现潜在的危险，提前采取避免碰撞的措施，进而提高道路行驶的安全性。因此，研究和改进车载雷达系统的目标检测与跟踪算法具有重要的现实意义。 在车载雷达系统的目标检测方面，研究者们主要关注如何 从雷达数据中准确地识别出道路上的目标物体。目标检测算法通常使用雷达数据进行处理和分析，通过对雷达信号的特征提

取和判别，将目标与背景进行有效区分。常见的目标检测算法有基于边缘检测的方法、基于聚类的方法、基于深度学习的方法等。这些算法的共同目标是提取目标的几何信息、速度信息和运动特征，并输出目标的位置和类别信息。 除了目标检测，车载雷达系统还需要进行目标的跟踪，即实时追踪目标物体的运动状态。目标跟踪算法需要根据先前的目标检测结果，结合当前的雷达数据，准确地预测目标的运动轨迹。一般而言，目标跟踪算法可以分为基于过滤器的方法和基于关联的方法。基于过滤器的方法使用卡尔曼滤波器、扩展卡尔曼滤波器等数学模型来估计目标的位置和速度，适用于目标运动较为简单的情况。而基于关联的方法则通过匹配相邻帧的目标检测结果，根据目标之间的相似性来进行跟踪，适用于目标运动较为复杂的情况。 近年来，随着深度学习技术的迅速发展，越来越多的研究将其应用于车载雷达系统的目标检测与跟踪算法中。深度学习算法具有较强的特征表达能力和自适应学习能力，能够有效地解决目标的表观变化和复杂背景的干扰问题。基于深度学习的目标检测与跟踪算法具有较高的准确性和鲁棒性，可以有效地应对各种复杂的道路场景和条件。

车用锂离子超级电容的SOC估算研究

车用锂离子超级电容的SOC估算研究 艾贤策;肖璆;朱建新 【摘要】根据锂离子超级电容的储能机理和性能特点建立了等效电路模型,在此基础上提出了一种结合强跟踪滤波法和安时积分的荷电状态(SOC)估算方法.强跟踪滤波法在卡尔曼滤波法的基础上引入渐消因子以改善算法的鲁棒性,将强跟踪滤波法与电流积分法通过一个加权因子结合起来,提高了SOC估算的准确性.按照锂离子超级电容在混合动力车应用中的典型工况对模型和SOC算法进行了实验验证,实验和仿真结果表明该模型能够较好地模拟锂离子超级电容的动态特性,所提算法具有较高的精度. 【期刊名称】《电源技术》 【年(卷),期】2015(039)003 【总页数】3页(P515-517) 【关键词】锂离子超级电容;模型;荷电状态;强跟踪滤波;加权因子 【作者】艾贤策;肖璆;朱建新 【作者单位】上海交通大学汽车电子技术研究所,上海200240;上海交通大学汽车电子技术研究所,上海200240;上海交通大学汽车电子技术研究所,上海200240【正文语种】中文 【中图分类】TM912 超级电容是一种新型的储能元件，具有功率密度高、充放电迅速、能量效率高、循环寿命长、工作温度范围宽等一系列优点。根据储能方式的不同，超级电容可以分

为三类：双电层电容、法拉第准电容以及近年来刚刚兴起的混合型超级电容。锂离子超级电容就是一种混合型超级电容，其负极采用活性炭材料，通过双电层原理储能；正极采用锂离子电池电极材料，通过锂离子的氧化还原反应储能。锂离子超级电容具有比双电层电容高得多的容量和比锂离子电池高得多的使用寿命，是理想的混合动力车(HEV)用储能元件。 将锂离子超级电容作为HEV辅助动力源时，其荷电状态(SOC)的估算精度对整车 的安全性和性能有很重要的影响。目前常见的SOC估算方法有安时积分法、开路电压法、卡尔曼滤波法、神经网络法等。安时积分法是最基本的SOC估算方法，但由于车载工况下电流波动较大，测量误差长时间积累会导致估算不准确。由于锂离子电池电极的存在，锂离子超级电容也存在极化效应，无法用开路电压法对SOC进行实时估计。神经网络法的估算精度受训练方法和训练数据的影响较大。 卡尔曼滤波法在模型和噪声统计特性准确的情况下有较高的精度，但锂离子超级电容是一种复杂的电化学元件，模型很难完全反映出锂离子超级电容的动态特性，同时量测噪声的统计特性也会随环境而改变，这些因素都降低了卡尔曼滤波法的精度，甚至有可能导致估计发散。本文采用强跟踪滤波法结合电流积分法估算SOC。强 跟踪滤波算法对模型的不确定性有较强的鲁棒性，对于突变状态有很强的跟踪能力，电流积分法在短期内的估算精度较高，通过加权因子调节二者的比重，使该算法同时具有较高的精度和鲁棒性。 目前研究者已经提出很多超级电容模型[1-2]，典型的有三分支模型、传输线模型、多阶梯模型等等，但这些模型大部分是基于常规的双电层电容的特性建立，有的模型参数获取方式复杂，不利于工程实用。本文根据锂离子超级电容的充放电特性，建立如图1所示的模型。以可变电容0表征锂离子超级电容模块的电容特性，以 一个环节代表锂离子超级电容的极化效应，为等效串联内阻，该等效电路模型的电路方程为：

船舶稳定平台解决方案

船舶稳定平台解决方案 陀螺稳定平台（gyroscope-stabilized platform）利用陀螺仪特性保持平台台体方位稳定的装置。简称陀螺平台、惯性平台。用来测量运动载体姿态，并为测量载体线加速度建立参考坐标系，或用于稳定载体上的某些设备。它是导弹、航天器、飞机和舰船等的惯性制导系统和惯性导航系统的主要装置。 稳定平台作为一种安放在运动物体上的设备，具有隔离运动物体扰动的功能。稳定平台在航空航天、工业控制、军用及商用船舶中都有比较广泛的用途，例如航拍、舰载导弹发射台、船载卫星接收天线等。船舶上工作面或者平台姿态检测，船载天线稳定平台系统，会应用倾角传感器定时（较长时间）读取数值，通过计算后，对稳定平台进行校正。平台的实际运动由单片机控制外部机械装置以达到对稳定水平平台进行修正，以保证其始终处于水平状态。某些倾角传感器作为船体液压调平系统中的反馈元件，提供高精度的倾角信号。既可用于水下钻进也可用于水下开采等。 在国外，陀螺稳定跟踪装置被广泛应用于地基、车载、舰载、机载、弹载以及各种航天设备中。20世纪40年代末，为了减少车体振动对行进间射击的影响，在坦克上开始安装火炮稳定器，从50年代起，双稳定器在坦克中得到了广泛的应用。在英、美等国的先进武器系统中，基于微惯性传感器的稳定跟踪平台得到了广泛的应用，如美国的M1坦克、英国“挑战者”坦克、俄罗斯T-82坦克、英国“标枪”导弹海上发射平台和“海枭”船用红外跟踪稳定平台等，都采用了不同类型的稳定跟踪平台。美国海军采用BEI电子公司生产的QRS-10型石英音叉陀螺，研制出WSC-6型卫星通讯系统的舰载天线稳定系统，工作12万小时尚未出现故障；Honeywell公司以红外传感器平台稳定为应用背景，研制的以GG1320环形激光陀螺为基础的惯性姿态控制装置，很好的满足了稳瞄跟踪系统的要求。美军配装的Honeywell公司采用激光陀螺技术研制的自行榴弹炮组件式方位位置惯性系统(MAPS6000) ，在工作时可连续提供高精度的方位基准、高程、纵摇、横摇、角速率、经度和纬度输出，性能大大高于美军MAPS系统规范的要求。在导弹制导方面，俄罗斯的X-29T、美国的“幼畜”AGM-65、以色列的“突眼”等成像制导导引头中，都采用了陀螺稳定跟踪平台。在机载设备中，陀螺稳定平台在机载光-电火控系统和机载光电侦察平台中也得到极其广泛的应用，美国、以色列、加拿大、南非、法国、英国、俄罗斯等国家都已研制出多种型号产品装备部队。如以色列的ESP-600C型无人机载光电侦察平台采用两轴平台，其方位转动范围360º×N、俯仰+10º----10º、最大角速度50º/s、最大角加速度60º/s2，其稳定精度达到15μrad，所达精度代表了国际先进水平。 国内对陀螺稳定平台的研究起步较晚，20世纪80年代开始研制瞄准具稳定平台，而90 年代初才开始陀螺稳定平台的研制。虽有不少单位，如北京电子3所、长春光机所、中科院成都光电所、西安应用光学研究所、华中光电技术研究所和清华大学等都在开展该应用领域的研究工作，但在稳定跟踪平台技术的研究上与国外相比仍有较大差距，由于惯性元件的技术不过关，成本较高，致使该项技术的研究始终没有取得突破性的进展。 一、船用红外/可见光陀螺稳定平台 近年来，随着精密机械、电子技术、数字信号处理技术和模式识别技术的飞速发展，陀螺伺服稳定跟踪系统的性能也有了很大的提高。陀螺伺服稳定跟踪系统，其主要任务是完

基于麦克风阵列的声源定位技术研究—毕业设计论文

基于麦克风阵列的声源定位技术 摘要 声源定位技术是利用麦克风拾取语音信号，并用数字信号处理技术对其进行分析和处理，继而确定和跟踪声源的空间位置。声源定位技术在视频会议、语音识别和说话人识别、目标定位和助听装置等领域有着重要的应用。传统的单个麦克风的拾音范围很有限，拾取信号的质量不高，继而提出了用麦克风阵列进行语音处理的方法，它可以以电子瞄准的方式对准声源而不需要人为的移动麦克风，弥补单个麦克风在噪声处理和声源定位等方面的不足，麦克风阵列还具有去噪、声源定位和跟踪等功能，从而大大提高语音信号处理质量。 本文主要对基于多麦克风阵列的声源定位技术领域屮的基于时延的定位理论进行了研究，在此基础上研究了四元阵列、五元阵列以及多元阵列的定位算法，并且分别对其定位精度进行了分析，推导出了影响四元、五元阵列目标方位角、俯仰角及目标距离的定位精度的一些因素及相关定位方程，并通过matbb仿真软件对其定位精度进行了仿真；最后在四元、五元阵列的基础上，采用最小二乘法对多元阵列定位进行了计算；通过目标计算值和设定值对比，对多元阵列的定位精度进行了分析，并得出了多元阵列的目标定位的均方根误差。 关键词：麦克风阵列，声源定位，时延，定位精度，均方根误差

Based on Microphone Array for Sound Source Localization Research Abstract Sound source positioning technology is to use the microphone to pick up voice signals, and digital signal processing technology used for their analysis and processing , Then identify and track the spatial location of sound source ・ Acoustic source localization techniques have a variety of important uses in videoconferencing, speech recognition and speaker identification, targets' direction finding, and biomedical devices for the hearing impaired・ The pick up range of traditional single microphone is limited, the signal quality picked up is not high, t hen a voice processing met hods with the microphone array has been proposed . It may be electronically aimed to provide a high-quality signal from desired source localization and does not require physical movement to alter these microphones' direction of reception. Microphone array has the functions of de-noising, sound source localization and tracking functions, which greatly improved the quality of voice signal processing. The article discusses some issues of sound source localization based on microphone array, Ont he basis , it stu dies a four element array, five element array and an multipie array positioning algorithm, t hen the positioning precision is analyzed. Derived some factors of the azimuth and elevation angle targets the target range of the estimation precision affected and positioning equation. And through MATLAB simulation software for its positioning

基于视频图像序列的目标运动轨迹提取技术

摘要 基于视频图像序列的目标运动轨迹提取技术是已经成为精确制导武器的关键技术之一，能够提高武器打击精度及力度；同时更能体现目标跟踪监控系统的智能化和自动化。而在众多模式下的基于视频图像序列的轨迹提取技术中，基于固定参照物视场变动模式的轨迹测量技术不受相机视野限制，能够有效地扩大目标跟踪范围，更有着重要的研究意义和工程应用价值。 固定参照物视场变动模式的轨迹测量技术要求相邻两帧之间必须具有一定的重复。由于运动目标瞬时空间位置坐标是通过相对前一时刻空间位置坐标的相对变化得到，因此存在轨迹计算的累积误差较大的问题，同时由于目标体运动过程中的姿态变化、参照环境的复杂性等因素，导致轨迹计算的精度很难得到保证。 本论文针对固定参照物视场变动模式下运动目标轨迹提取问题进行深入研究，设计开发了基于视频图像序列的目标运动轨迹提取系统，针对目标在运动过程中的姿态变化导致的相机坐标系变化问题，提出了成像系统外参实时校正方法，通过陀螺仪获取的数据和空间坐标系变换关系对相机姿态角参数实时校正；针对SIFT特征匹配算法中的欧式距离无法自适应调节问题，提出了多目标优化的SIFT特征匹配算法，建立了以相关系数和特征点之间的欧氏距离为目标函数，以置信度为约束条件的多目标优化模型，减少了特征点的误配率；最后通过车载CCD实验对系统功能和精度进行验证，数据表明该系统能够精确的实现运动目标的轨迹测量，并具有较强的适应性和可靠性。

1绪论 1.1课题研究背景及意义 基于视频图像序列的目标运动轨迹提取技术是动态视觉领域中一个具有重要意义和实际价值的研究课题。目标运动轨迹是反映一段时间内目标的运动路线，它的精确提取能够实现测量和分析目标的运动参数、运动行为评估等。在军事领域中，该技术已经成为精确制导武器的一项关键技术，它能够有效地提高武器的打击精度，强化武器的打击力度；同时在民用领域，以该技术为基础建立的人机交互系统，能够实现运动目标的智能跟踪、行为监管等，真正地体现运动目标监控系统的自动化和智能化。因此无论在民用上还是在军事领域中，该技术的研究都具有较强的理论意义和研究价值。 目前基于视频图像序列的目标运动轨迹提取技术根据相机视场和参照物的不同可分为固定视场内参照物运动、变化视场内参照物运动和固定参照物视场变动情况下的运动目标跟踪及轨迹检测。固定视场内参照物运动方式中，相机及其视野固定，对视野内的运动目标进行跟踪检测，具有空间和时间上的区域限制，仅能得到固定区域、固定时间段中的目标运动轨迹；变化视场内参照物运动是对固定视场方式的一种改进，通过云台等多维运动系统实现相机视野的变化，能够拓展运动目标跟踪的范围和时间得到扩展，但是由于镜头等光学器件的限制，当运动目标超出一定范围则无法成像或成像目标体的“点化”现象；固定参照物视场变动模式下，相机视野随运动目标的运动变化，利用相邻两帧图像中的固定参照物的空间位置不变特性实现运动目标的轨迹计算，此类方法不受相机视野的限制，能够有效地提高运动体轨迹提取的作用范围，但是要求相邻两帧之间必须具有一定的重复。由于运动目标瞬时空间位置坐标是通过相对前一时刻空间位置坐标的相对变化得到，因此存在轨迹计算的累积误差较大的问题，同时由于目标体运动过程中的姿态变化、参照环境的复杂性等因素，导致轨迹计算的精度很难得到保证。 本论文针对固定参照物视场变动模式下运动目标轨迹提取问题进行深入研究，设计开发了基于视频图像序列的运动目标轨迹提取系统；提出了成像系统外