文摘针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter,UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.
文摘为了提高复杂交通环境下多目标数据关联的实时性与可靠性,本文中基于半抑制式模糊聚类(half suppressed fuzzy cmeans clustering,HSFCM)发展了一种快速多目标车辆跟踪算法。首先对多目标车辆跟踪问题进行了数学描述,并建立了相机像素坐标系与世界坐标系的空间映射关系;其次基于模糊理论将点迹-航迹关联问题转换成量测模糊聚类问题,通过求解各候选量测与聚类中心的模糊隶属度,间接计算出联合概率数据关联(joint probability data association,JPDA)算法中不确定性量测与各目标的关联概率,再利用概率加权融合对多目标状态进行滤波估计;再次在车辆密集工况下通过合理调整卡尔曼增益对量测更新进行抑制,以克服车辆跟踪中目标短暂跟丢问题。实车试验与仿真结果验证了该跟踪算法的可行性与有效性。