一、非线性最优滤波理论的研究（论文文献综述）
王蛟龙[1]（2019）在《基于自适应卡尔曼滤波器的编队卫星相对导航技术研究》文中进行了进一步梳理随着空间科学技术战略地位的日益提高,旨在扩展系统能力的卫星编队飞行技术越来越受到重视。编队卫星系统中高精度编队控制等多项关键技术的性能均依赖于高精度的卫星相对导航技术。因此,分析不同编队卫星场景相对导航的问题特点,研究可精确、高效确定星间相对位置与速度的滤波方法,有针对性地改进和优化编队卫星相对导航性能,具有重要研究价值和意义。本学位论文依托编队飞行卫星相关研究背景,考虑编队卫星不同参考轨道对相对导航系统性能的影响,抽象具有不同运动模型和噪声/残差特性的滤波问题,提出具有针对性改进机制的新型自适应卡尔曼滤波方法,提高卫星相对导航滤波精度、效率及自适应性能。主要工作及创新如下:第一,针对圆轨编队卫星相对导航中线性时不变运动模型含有未知过程噪声协方差参数的特点,提出了一种基于误差协方差反馈调整的自适应卡尔曼滤波算法。仿真对比实验表明其算法估计精度高、计算量小,对滤波器过程噪声参数不精确的情况具有参数自适应能力。第二,针对近圆轨道编队卫星相对导航中非线性连续运动模型离散化和线性化过程引入不可预测近似误差的特点,提出了一种基于后验随机序列反馈的非线性连续离散自适应卡尔曼滤波算法。仿真结果表明其可有效抑制模型离散化和线性化近似误差对滤波精度及稳定性的影响,并且具有计算效率高的优势。第三,针对大偏心率椭圆轨道卫星相对导航中强非线性连续运动及离散测量模型的容积变换和数值近似过程引入不可忽略模型残差特点,提出了一种基于容积采样向量NIRK积分及误差自适应控制的连续离散容积卡尔曼滤波算法。仿真实验表明其可自适应抑制模型离散化和非线性变换残差的幅度从而提高算法估计精度及滤波稳定性。综上,本学位论文以圆形、近圆及大偏心率椭圆三种参考轨道编队卫星的相对导航问题为研究背景,抽象出线性时不变、非线性连续运动及强非线性连续运动/离散测量系统三种滤波问题理论模型,考虑其过程噪声或模型近似误差的不同特性,分别提出了针对问题特点的新型自适应卡尔曼滤波方法。编队场景数值仿真验证了本文新方法的状态估计性能,为相关领域应用研究提供理论基础及借鉴经验。
《中国公路学报》编辑部[2]（2017）在《中国汽车工程学术研究综述·2017》文中指出为了促进中国汽车工程学科的发展,从汽车噪声-振动-声振粗糙度（Noise,Vibration,Harshness,NVH）控制、汽车电动化与低碳化、汽车电子化、汽车智能化与网联化以及汽车碰撞安全技术5个方面,系统梳理了国内外汽车工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。汽车NVH控制方面综述了从静音到声品质、新能源汽车NVH控制技术、车身与底盘总成NVH控制技术、主动振动控制技术等;汽车电动化与低碳化方面综述了传统汽车动力总成节能技术、混合动力电动汽车技术等;汽车电子化方面综述了汽车发动机电控技术、汽车转向电控技术、汽车制动电控技术、汽车悬架电控技术等;汽车智能化与网联化方面综述了中美智能网联汽车研究概要、复杂交通环境感知、高精度地图及车辆导航定位、汽车自主决策与轨迹规划、车辆横向控制及纵向动力学控制、智能网联汽车测试,并给出了先进驾驶辅助系统（ADAS）、车联网和人机共驾等典型应用实例解析;汽车碰撞安全技术方面综述了整车碰撞、乘员保护、行人保护、儿童碰撞安全与保护、新能源汽车碰撞安全等。该综述可为汽车工程学科的学术研究提供新的视角和基础资料。
王小旭,潘泉,黄鹤,高昂[3]（2012）在《非线性系统确定采样型滤波算法综述》文中指出确定采样型滤波包括Unscented卡尔曼滤波（UKF）,中心差分卡尔曼滤波（CDKF）以及容积卡尔曼滤波（CKF）,是一类基于确定解析采样近似方法的非线性次优高斯滤波算法,具有估计精度高、实现简单等优点,已得到国内外学者的广泛关注.在阐述确定采样型滤波基本原理的基础上,详细总结了近年来确定采样型滤波的研究现状,包括各种改进算法和在不同领域的应用情况;然后重点分析了确定采样型滤波所存在的问题;最后展望了其未来发展趋势和研究方向.
黄蔚[4]（2015）在《CKF及鲁棒滤波在飞行器姿态估计中的应用研究》文中认为飞行器姿态估计技术是航天领域的关键技术之一,由陀螺与星敏感器组成的飞行器姿态估计系统由于测姿精度高、可靠性好以及自主性强等优点得到了广泛的应用。针对该姿态估计系统,四元数由于计算简单,无三角函数的运算,同时又能避免欧拉角的奇异性问题,因此作为系统的姿态描述参数。为提高姿态估计的精度以及姿态估计系统的适应能力和鲁棒性,非线性滤波算法提供了强有力的基础保障。容积卡尔曼滤波（Cubature Kalman Filter,CKF）是一种性能优越的非线性滤波算法,具有实现简单,数值稳定性好以及在高维情况下滤波精度高、收敛性好等优点。同时,考虑不同环境下姿态估计系统模型可能存在模型不确定、量测丢失、量测延迟等复杂情况,鲁棒滤波是一种有效的设计手段。因此,本文对CKF及鲁棒滤波在飞行器姿态估计中的应用进行了深入研究:介绍了飞行器姿态估计以及非线性滤波的一些基础理论。在介绍飞行器姿态估计系统姿态描述参数以及姿态传感器的测量模型基础上,建立基于四元数的陀螺与星敏感器姿态估计模型。接着,在贝叶斯最优滤波的理论框架下,对扩展卡尔曼滤波、无迹卡尔曼滤波以及CKF这三种次优非线性滤波进行理论上的比较,分析了它们在高维情况下的估计性能以及数值稳定性,为进一步的CKF在飞行器姿态估计中的应用提供理论依据。针对姿态估计模型中四元数存在规范化约束的情况,提出一种基于加性四元数约束的CKF姿态估计算法。根据最优滤波理论,在最小均方误差估计准则的条件下,将四元数约束转化为滤波增益约束,构造最小约束代价函数实现对滤波增益的校正,从而解决四元数规范化问题。然后利用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差,从而得到四元数约束下的CKF滤波公式。同时,考虑四元数本质上是旋转矢量而非一般向量,存在着乘性特性,利用四元数进行乘性滤波时,存在着四元数加权均值计算问题,提出一种基于四元数平方根CKF姿态估计算法。该算法采用一种相对简单的拉格朗日代价函数法来求解四元数加权均值,并采用容积卡尔曼滤波理论来提高估计精度与收敛速度,同时引入平方根的形式,提高滤波算法的稳定性。指出现有的迭代CKF在每一步迭代中都是假设量测噪声与状态及状态估计不相关存在局限性,在一定程度上影响了状态估计的精度,提出了一种改进的迭代CKF算法,并将其应用于姿态估计系统中,给出了一种基于四元数约束的容积点迭代CKF姿态估计算法。该算法采用三阶球面-相径容积规则近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时提出一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效的降低扩维带来的计算量。并针对姿态估计存在四元数约束的问题,在每步迭代中利用增益校正的方法,保证四元数的规范化。针对姿态估计滤波算法在模型失配、未知干扰或状态突变等情况下存在精度低、鲁棒性差的缺点,提出了一种基于四元数约束的多重次渐消因子的强跟踪CKF姿态估计算法。该滤波算法,克服单渐消因子对多变量跟踪能力差、估计精度差的局限性,通过引入两个多重次渐消因子对预测误差协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,保证预测误差协方差阵的对称性,从而实现滤波算法强跟踪性。同时考虑四元数归一化的限制,对滤波增益进行调整使得状态估计值满足四元数约束条件。针对复杂环境下的姿态估计问题,考虑了三种不同情况下的鲁棒滤波设计。一是考虑陀螺与星敏感器存在未对准误差以及星敏感器存在量测延迟的情况,将陀螺与星敏感器的未对准误差看成是范数有界的模型不确定,建立了带量测延迟的不确定姿态估计模型,并提出一种新的有界时域鲁棒滤波来处理模型不确定以及星敏感器延迟。二是考虑非线性姿态估计系统同时存在乘性噪声以及量测模型存在未知干扰的情况,提出了一种鲁棒扩展卡尔曼滤波姿态估计算法。该算法基于扩展卡尔曼滤波的结构,设计预测方差以及估计方差的最优上界,并证明估计误差在一定条件下是均方稳定的。三是考虑非线性姿态估计系统同时存在乘性噪声、量测丢失以及加性噪声相关的情况,提出了一种鲁棒递推滤波算法。该算法基于噪声相关下的状态预测以及状态校正两个滤波结构,设计预测方差以及估计方差的最优上界。仿真验证说明了这三种鲁棒滤波算法的有效性。
王小旭[5]（2010）在《非线性SPKF滤波算法研究及其在组合导航中的应用》文中研究指明捷联惯性导航系统（Strap-down Inertial Navigation System, SINS）和全球定位系统（Global Positioning System, GPS）所构成的组合导航系统本质上是非线性的,且具有模型不确定性。目前,应用于SINS/GPS组合导航系统的非线性滤波方法主要是扩展卡尔曼滤波器（Extended Kalman Filter, EKF）。然而,EKF存在一阶线性化精度偏低及需要计算非线性函数雅克比矩阵的缺点,造成了其在组合导航实际工程应用中估计精度不佳;且EKF不具有克服系统模型不确定的鲁棒性。近年来,随着对非线性滤波技术的需求不断加深,非线性滤波理论也取得了显着进步,尤其是以Sigma点卡尔曼滤波（Sigma Point Kalman Filter, SPKF）为代表的新兴非线性滤波方法的发展成熟,使得非线性滤波理论取得了长足的发展。SPKF具有实现简单、滤波精度高、收敛性好等优点,正逐渐成为当前及未来非线性滤波技术的研究热点和发展方向。本文以SINS/GPS组合导航系统为应用背景,针对SPKF所存在的理论局限性,主要在以下几方面进行了理论创新:1)根据线性最小方差估计准则,详细推导了非线性最优滤波递推公式。2)传统SPKF在噪声先验统计未知或时变情况下滤波精度下降甚至发散,针对此问题,基于极大后验估计原理,设计了一种带噪声统计估计器的自适应SPKF算法。3)类似于EKF,传统SPKF不具有克服系统模型不确定的鲁棒性,为此提出了一种带次优渐消因子的强跟踪SPKF算法。同时,将上述非线性SPKF滤波理论创新成果应用于SINS/GPS组合系统导航定位中,主要从以下几方面进行了研究:1)建立了以姿态、速度及位置等误差为基础的SINS/GPS组合导航系统非线性模型,并比较了EKF和SPKF的滤波性能,仿真结果验证了SPKF比EKF具有更好的定位精度。2)针对惯性器件随机噪声统计在恶略工作环境下具有时变性的特点,将自适应UKF算法应用于SINS/GPS组合系统中,仿真结果表明了自适应SPKF在滤波前不要求精确已知惯性器件随机噪声的先验统计,且具有应对惯性器件随机噪声统计变化的自适应能力。3)通常情况下,惯性器件随机常值漂移会被视为状态变量的一部分而采用滤波器进行估计,且其易受运行环境影响中不确定因素的影响而发生突变。为此,将强跟踪SPKF应用于SINS/GPS组合系统的仿真分析表明:强跟踪SPKF对突变的惯性器件随机常值漂移具有很强跟踪能力,验证了其具有克服组合导航系统模型不确定的鲁棒性。
于兴凯[6]（2019）在《基于变分贝叶斯推理的非线性滤波算法研究》文中研究指明非线性滤波算法因其普适性及重要性一直是国内外学者研究的热点问题。虽然在非线性滤波方面已经取得了一些重要的理论成果,但是对其的研究问题还不是很完善。对于非线性随机系统,利用传统的线性滤波精确无法求解非线性系统系统的状态后验分布,故无法得到精确的非线性最优滤波估计。为此经过不懈努力,学者们提出了许多经典的且易于实现的次优非线性滤波方法。随着对非线性估计理论研究的日益深入,非线性滤波理论也取得了显着进步,尤其以Sigma点卡尔曼滤波和粒子滤波为代表的的新兴非线性滤波理论的发展成熟,使得非线性滤波理论取得了长足的发展。然而,近十年来,关于非线性滤波的研究工作还是对已存在的方法的改进之上。随着机器学习理论的飞速发展,以及硬件性能的极大提升,机器学习的理论用于非线性滤波之上吸引了众多学者的关注。其中,变分贝叶斯学习与最大期望算法是机器学习算法的代表.变分贝叶斯学习是在传统贝叶斯推理与最大期望算法迭代估计算法的基础上引入变分近似理论而提出,因为比蒙特卡洛马尔可夫链法等采样方法在估计上的快速性,使得它的应用领域已经从图像处理、语音信号处理等参数推断领域延伸到了更大的信号处理领域,成为该领域一个重要的研究课题。作为非线性估计的一种方法,变分贝叶斯方法在模型适应性方面不够有力,有待于进一步发展。当非线性滤波系统存在未知参数时,如何对状态进行估计?如何辨识非线性状态空间模型?当系统存在非高斯随机不确定性参数扰动,如何对状态进行鲁棒估计?本文针对非线性状态空间模型,采用变分贝叶斯推理的方法,对加性、乘性及多未知参数的估计问题,状态空间模型的辨识问题,非高斯随机不确定性扰动的抑制等问题进行了研究。首先,建立未知参数模型,然后基于变分推理对状态和未知参数进行迭代估计;然后基于泛函分析的相关理论对所提算法进行收敛性分析,保证算法的稳定性;最后在典型应用场景下进行仿真实验,验证算法的有效性,使得算法在工程应用中具有很好的实际意义。本文的主要研究贡献包括:1.利用变分贝叶斯推理研究了含有单个加性及多未知参数的非线性自适应滤波算法。将变贝叶斯推理与蒙特卡洛采样技术相结合来解决这个问题,提出了一套求解未知参数和概率密度函数的非线性递推自适应滤波算法。所提出的算法通过产生可分离的变分分布来近似的逼近真实的系统与未知参数和状态的联合后验分布,同时给出了变分推理的收敛性分析,保证了算法估计的收敛性和抗干扰的鲁棒性。2.提出一类基于变分贝叶斯理论的非线性滤波算法,用于解决目标跟踪系统中测量噪声含有未知信息的问题。当未知测量噪声有条件独立于状态时,基于变分思想,将状态概率密度函数的估计转化为未知噪声和非线性状态的近似两个概率密度函数。然后,利用变分贝叶斯推理,建立了一种联合估计状态和未知测量噪声的迭代算法。因此,未知的测量噪声可以被估计为隐藏状态。给出了非线性概率密度函数近似算法的收敛性结果。3.提出了一种非线性系统中存在非高斯随机参数滤波器。滤波器设计的两个步骤,第一个是近似边际似然（非高斯随机参数）以进行模型比较;第二个是近似状态的后验分布（也称为系统模型）,然后可以用于预测。确定循环的规则是状态的真实分布和选择的固定易处理分布之间的Kullback-Leibler散度,用于逼近真实分布,推导出迭代算法,该算法基于采样思想进行初始化。4.提出一种变分贝叶斯滤波器,针对非线性滤波模型中未知参数估计问题,结合期望最大化算法、粒子平滑器和粒子滤波器,直接估计一般非线性离散时间状态空间模型中的未知参数,采用最大似然准则来保证算法的一般统计效率。从概率密度函数的角度估计未知参数,其中非线性系统中考虑的未知参数变量可具有任意分布。对于未知参数和状态,将未知参数估计转化为两个概率密度函数,算法的初始化采用了序贯重要抽样法。然后,建立迭代算法来对状态和未知参数进行联合估计。5.提出了一种基于状态转移和观测函数为基函数展开的贝叶斯学习算法。针对非线性状态空间模型的辨识问题,从数据中学习基函数,使用与高斯过程进行连接,还发展了关于系数的先验知识,用于调整模型的灵活性和防止对数据的过拟合,类似于高斯过程状态空间模型。先验也可以看作一种正则化,并帮助模型在不牺牲基函数扩展所提供的丰富性的情况下对数据进行泛化。为了有效地学习系数和其他未知参数,使用最新的序贯蒙特卡罗方法形成了一个辨识算法,为贝叶斯学习提供了理论保证。
孟庆旭[7]（2019）在《粒子滤波算法研究及其在非线性估计中的应用》文中认为在目标跟踪定位、图像处理、通信和控制等领域,研究者常常需要根据各种量测数据推导出系统内不易获得的其他相关数据,以此来判断系统的运行状态或对系统的运行进行控制。这种通过量测值来获得系统状态变量的方法在统计学和信号处理领域属于参数估计的范畴。系统状态变量的参数估计可以根据系统的不同特征以及系统内部或量测过程中混有的噪声类别,选取不同的滤波算法对其进行估计计算。无论对于线性系统或非线性系统模型,大多数滤波算法都可以归类为基于统计学理论的递归贝叶斯估计算法。对于线性高斯系统模型,卡尔曼滤波算法就是系统状态变量参数估计的最优解。然而在现实情况中,非线性才是绝大多数系统所具有的特点。在卡尔曼滤波算法的结构基础上,扩展卡尔曼系列滤波算法通过非线性函数的泰勒级数展开对非线性系统进行线性化,从而得到系统状态变量参数估计的次优解;尽管这种算法由于其计算的高效性而得到广泛应用,但是对于非线性程度较高的系统,由于需要对非线性系统进行线性化处理,使得该算法的计算精度不够高,且高阶泰勒级数展开在递归计算的过程中增加了很大的计算量。为了避免对非线性系统的线性化过程,无迹卡尔曼滤波算法利用无迹变换作为线性化过程的替代,在一定程度上提高了算法的计算精度;但是该算法仅适用于噪声信号服从高斯分布的系统,且该算法对系统变量的近似仅基于少量Sigma点,对系统状态变量的估计精度提高有限。粒子滤波算法的出现弥补了上述两类滤波算法的缺陷。粒子滤波算法基于序贯蒙特卡罗算法结构,适用于非线性非高斯系统模型,对非线性较强的系统相比前两类算法有更好的估计性能。但是粒子滤波算法在递归计算的过程中存在粒子退化和样本匮乏问题。针对粒子滤波算法存在的问题,本文做了以下几方面工作:首先,开展了不同相关系数的研究。在粒子滤波算法的样本集合中,各粒子的权值更新过程与相应粒子的似然函数有关。为了描述一小段时间内由各粒子经过量测方程得到的计算量测值与系统量测值之间的关系,本文引入并研究了五种不同的相关系数。为了评估五种不同相关系数在不同数据结构和计算条件下的计算性能,本文建立了分析不同相关系数时间复杂度的仿真模型,研究了这几种不同的相关系数在不同的维度条件和不同的序列长度下其各自的计算时间复杂度,为后续算法的研究工作奠定了基础。其次,开展了重采样算法的研究。重采样算法是解决粒子滤波算法中粒子退化问题的关键步骤。但是传统的重采样算法会给样本集合带来样本匮乏问题。鉴于此,本文研究了不同的重采样算法,并根据正则化粒子滤波算法中核函数的思想,在重采样算法中引入相关系数的概念,提出了基于不同相关系数的粒子滤波算法。本文提出的粒子滤波算法以序贯蒙特卡罗算法结构作为基础,对算法中的重采样步骤进行了修改。改进的重采样算法在递归计算的过程中将若干时长内系统的量测值和样本集合中各粒子的似然函数利用几种不同的相关系数联系起来,通过一个特定的核函数来更新样本集合中各粒子的权值,从而避免了传统重采样算法对权值较小粒子的舍弃,增加了样本集合中的样本多样性。再次,开展了算法的收敛性证明。本文提出了几种基于不同相关系数的改进粒子滤波算法。与其他粒子滤波算法相比,本文提出的粒子滤波算法较好地解决了粒子退化和样本匮乏问题。但是由于相关系数的引入,样本集合中各粒子的权值在重采样算法的递归计算中增加了核函数的影响,有可能改变粒子滤波算法的收敛特性。因此本文还在概率空间内建立了粒子滤波算法的数学模型,对本文提出算法的收敛性做出了证明。最后,实施了算法的仿真应用。本文将三种基于相关系数的粒子滤波算法和其他多种对比算法应用于非线性系统模型仿真中。仿真以各系统模型的状态变量作为研究对象,实现了对各系统模型参数估计的建模和仿真实现。通过对不同噪声条件下的一维较强非线性系统模型和高斯噪声条件下一个七维谐波模型的仿真实验,验证了本文所提出算法对不同系统的参数都具有较好的估计精度和计算性能。
张召友[8]（2013）在《非线性Bayesian滤波及其在SINS/GPS紧耦合导航中的应用研究》文中研究说明捷联惯性导航系统（SINS）和全球定位系统（GPS）构成的组合导航系统应用广泛。在纷繁复杂的应用环境中，对SINS/GPS组合系统的精度、可靠性等方面性能提出了更高的要求。研究适用于组合导航系统的精度更高、鲁棒性更强的非线性滤波算法是解决这一问题的重要途径。本文以SINS/GPS紧耦合组合导航系统为背景，在Bayesian最优滤波框架下对常用非线性滤波算法进行了精度、复杂度以及鲁棒性等方面的分析和改进；同时将改进的算法用于处理SINS/GPS紧耦合的对应问题，具体的研究内容为：分析了非线性Bayesian滤波的精度与复杂度并给出了选择的依据。依据Bayesian定理导出了最优递推Bayesian滤波。从对后验分布函数近似的角度，对适用于高斯分布系统的EKF、CDKF、UKF、CKF算法以及适用于非高斯系统的PF算法的近似思想进行了总结。分析了算法的精度和复杂度，以等效复杂度作为指标导出了较为精确的计算滤波复杂度的表达式。对算法进行了数值仿真，验证了先前分析的正确性。研究了基于非线性Bayesian滤波的SINS/GPS紧耦合导航的非线性融合问题。通过对SINS的非线性误差四元数状态方程，GPS的非线性伪距、伪距率量测方程的推导揭示了紧耦合导航的非线性特性较松耦合系统更强。针对大初始误差条件下SINS/GPS紧耦合系统较强的非线性特性，应用CKF和CPF来处理此问题。数值仿真表明了CKF和CPF在处理苛刻初始误差上的强鲁棒性。分析了GPS量测模型非线性程度，提出了一种简化CKF的紧耦合导航序贯融合方法，提高了系统实时性。分析了变分Bayesian自适应卡尔曼滤波利用共轭分布对噪声方差的估计原理，与传统残差自适应估计方法进行比较，指出了其相似性与差异性；当量测噪声的均值与方差同时未知时，利用高斯逆Gamma分布对参数进行模拟，提出了一种可对两者进行同步估计的变分Bayesian自适应卡尔曼滤波算法。针对SINS/GPS紧耦合系统中GPS噪声建模误差所导致的导航精度下降的问题，将变分Bayesian方法与CKF相结合提出了新的VB-CKF，利用VB-CKF的后验高斯分布作为PF的建议分布提出了VB-CPF算法，数值仿真证明了算法的有效性。将VB-CKF和VB-CPF算法应用于SINS/GPS紧耦合的自适应非线性融合中，抑制了传统算法的精度下降及发散问题，从而有效提高了系统的鲁棒性。针对恶劣GPS观测环境中可见卫星受到部分遮挡的情况，从系统可观测分析的角度对SINS/GPS紧耦合自身的鲁棒性进行了分析与验证。以状态的可观测度作为系统鲁棒性强弱的度量，分析了GPS可见卫星数目变化对系统估计性能的影响，证明了紧耦合相对于松耦合的优势。针对恶劣GPS观测环境中信号受到遮挡引起定位精度差的问题，研究了卡尔曼平滑算法对失效期间信号的桥接问题。利用CKF改进了非线性函数的统计线性化；基于统计线性化函数分别推导出了前向背向平滑和RTS形式的平滑算法。对改进的统计线性化平滑算法进行反馈校正设计，提出了基于统计线性化前向背向容积平滑的SINS/GPS数据桥接方法，提高了定位精度。
宋攀[9]（2015）在《全线控四轮独立转向/驱动/制动电动汽车动力学集成控制研究》文中指出随着线控技术日趋成熟,采用分布式四轮独立转向/驱动/制动系统的全线控电动汽车将会是未来汽车工业发展的重要方向,而凸显的交通安全问题也促使了汽车主动安全技术需求的激增。全线控电动汽车凭借其独特的底盘结构非常适合作为主动安全系统的对标车辆,因此非常有必要针对这种新型结构形式的电动汽车开发其底盘控制系统,以实现最优的车辆动力学响应。本文结合吉林大学汽车仿真与控制国家重点实验室开放基金国际合作重点项目“基于驾驶员意图辨识的全线控电动汽车集成控制方法研究”（编号：20120111）、国家高技术研究发展计划（863计划）项目“电动汽车底盘动力学控制系统开发”（编号：2012AA110904）、吉林大学研究生创新研究计划项目“全线控电动汽车状态估算及路面识别研究”（编号：20121088）,从车辆动力学原理出发,对分布式转向/驱动/制动系统进行自上而下的分层式集成控制研究,以使整车在操纵性、稳定性和路径跟踪能力方面实现全局最优的动力学响应,同时基于快速原型技术搭建全线控电动汽车UFEV测试与控制平台,对所提出的观测器与控制器进行低速实车试验和模型在环验证。具体的研究工作可总结为如下几个部分：1)针对分布式转向/驱动/制动系统独特的底盘结构,采用快速控制原型技术搭建了全线控电动汽车UFEV的中央控制器,设置六个并行执行的定时循环对车载传感器和执行器统一进行监测、控制、协调和记录,从而为后文动力学观测算法与集成控制算法提供硬件载体；同时根据运动学原理确定中低速下的基本驾驶模式（前轮转向、四轮异向转向、楔形转向、原地转向）,并使用有限状态机设计模式间的切换逻辑；实车试验的结果表明所搭建的中央控制器原型满足实时测试与控制平台的开发需求,并且实现整车在低速下全方位移动的功能。2)基于双无轨卡尔曼滤波理论搭建了全线控电动汽车的动力学观测器,用以在线获知车辆的平面运动状态,以被底盘集成控制器所使用,同时准确辨识出左右侧车轮总的电机力矩值,并通过驱动电流控制信号计算出两侧轮毂电机的等效力矩系数,从而提高观测和控制精度；对所提出的观测器分别进行离线仿真和实车验证,结果表明状态估算模块在前轮转向和四轮转向模式下很好地实现对全线控电动汽车纵向速度和侧向速度的估计,并且可以一定程度上过滤掉陀螺仪的信号噪声,而参数识别模块对电机驱动力矩的观测也达到了非常高的准确度。3)全线控电动汽车凭借其灵活的底盘布置和极高的可控自由度,是进行动力学集成控制的理想平台。提出了一种基于模型的5层式底盘集成控制方法用以协调分布式转向／驱动／制动系统,最终达到“稳定性为主、操纵性为辅”的设计目标：驾驶员控制层利用线性二自由度参考模型和最优预瞄侧向加速度模型以体现驾驶员对汽车操纵响应的预期；车体运动控制层中引入多输入多输出的非线性滑模控制器来计算跟踪驾驶员操纵指令所需的车体运动控制总力／总力矩,其中采用非奇异的终端滑模控制方法对横摆运动的控制率进行设计；在轮胎力分配层中使用八边形约束对摩擦圆进行线性逼近,并在分配过程中考虑轴荷转移的影响,将最优分配过程分解为不多于3个包含线性等式与不等式约束的二次规划问题,并设计合适的目标函数,使轮胎的稳定裕度在普通工况下达到最大,而在极限工况下尽量提高汽车的操纵稳定性；执行器执行层通过控制轮毂电机的驱动/制动力矩以及转向电机的转角来最终实现轮胎力分配层输出的目标轮胎力。基于CarSim与MATLAB/Simulink联合仿真以及UFEV实车场地试验的方式,验证了动力学集成控制算法通过协调驱动及转向系统,使汽车能够较好地跟踪目标车速和理想横摆角速度,符合设计要求。4)为了让全线控电动汽车获得最优的跟踪性能,使汽车以变化的行驶速度通过一条已知的道路轨迹,采用非线性模型预测控制算法重新设计了驾驶员控制层与车体运动控制层,并基于空间变换原理将时域预测模型转变为相对目标轨迹位置变化的空间动力学模型,从而准确获得预测域内的目标参考轨迹；同时提出一种分层式结构方案来改善空间模型预测控制的实时性能,利用终端滑模控制方法分别实现非线性系统运动误差和位置误差在有限时间内的精确收敛；通过搭建驾驶模拟器对分层式路径跟踪控制算法进行模型在环验证,结果表明该算法可以实现全线控电动汽车对目标轨迹的最优跟踪,并证明了极限工况下变车速控制的意义。本文创新点主要体现在以下几个方面：1)针对传统汽车电子控制单元仅可以实现某一特定的功能,根据全线控电动汽车独特的底盘结构,开发其中央控制器用以协调分布式转向、驱动、制动系统,并为动力学观测与控制算法提供硬件载体,同时基于运动学原理设计简单驾驶模式,从而实现整车低速下全方位移动的功能。2)针对底盘电控系统需要准确获知车辆的运动状态,基于双无轨卡尔曼滤波理论搭建了动力学观测器,用来过滤传感器噪声并准确估计出全线控电动汽车的纵向与侧向速度,以被动力学集成控制器所使用,同时在线辨识两侧轮毂电机的当量力矩系数,从而确保集成控制器的最优控制效果。3)针对全线控电动汽车分布式转向/驱动/制动的底盘系统,基于非线性滑模控制方法与最优分配理论,提出了一套完整的动力学集成控制体系,采用带有不等式约束的线性二次规划算法在轮胎附着极限内充分发掘车辆的稳定性能,设计合适的车轮转角与力矩计算模块以最终保证车辆稳定性系统的控制精度和效果,并通过终端滑模控制方法进一步提升车辆横摆运动的响应。4)针对全线控电动汽车的路径跟踪问题,基于空间变换方法和非线性模型预测控制理论,提出了一种车体纵向与侧向运动的联合最优控制算法,通过采用分层式控制结构方案并重新引入运动控制层,算法的实时性能得到了极大的改善,并且基于终端滑模控制方法实现了非线性系统运动误差和位置误差在有限时间内收敛的效果,最终使车身的运动控制也达到最优。
徐树生[10]（2013）在《船舶动力定位系统多传感器信息融合方法研究》文中认为随着动力定位技术和测控理论的发展，现代船舶动力定位系统配备了船舶位置、姿态及环境测量等多种传感器，构成一个多传感器测量系统。信息融合技术是解决多源信息综合处理问题的强有力手段，通过多传感器信息的最优融合，能够有效地提高动力定位测量系统的精度和可靠性。本论文旨在研究信息融合理论在动力定位系统中的应用。在船舶动力定位多传感器融合系统中，船舶运动模型、传感器测量模型及滤波算法是船舶运动状态最优滤波的基础，直接影响着滤波精度、滤波算法的稳定性及实用性，传感器的故障检测与容错是多传感器融合系统可靠性和有效性的有力保证，融合算法决定了融合系统的精度，因此，本论文从上述几个方面对船舶动力定位多传感器信息融合的方法进行研究，论文的主要工作有：分析了动力定位船的运动特性和动力定位系统各位置参考系统的测量机理，提出动力定位船的连续白噪声加速度运动模型，并在北东坐标系下建立船舶位置参考系统的线性测量模型。研究了传感器突变型故障检测与容错算法，根据传感器的不同故障状态设定多个阈值，使得该算法同时检测传感器的突变型故障、测量信号冻结故障和测量野值。针对动力定位系统利用表决或中位数法检测传感器漂移性故障的局限性，利用多传感器的融合信息递推子系统的滤波残差，改进残差故障检测法，建立了基于多传感器信息融合的传感器渐变型故障检测与容错算法。对于位置参考系统测量噪声统计特性可能存在的不准确性问题，提出一种自适应平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter, SRCKF）算法，根据新息协方差匹配原理计算自适应系数，实时地调整测量噪声协方差矩阵。针对动力定位船系统模型可能存在的不确定性问题及强跟踪滤波器的理论局限性，推导出强跟踪滤波器中渐消因子的等价计算方法，将SRCKF和自适应SRCKF与强跟踪滤波的理论框架相结合，构成强跟踪SRCKF和强跟踪自适应SRCKF两种算法。针对动力定位系统利用时间配准技术处理异步信息存在的问题，将不同尺度上的测量模型及测量值利用小波分解统一变换到某一尺度上，然后在该尺度上进行同步多传感器的融合，实现异步多传感器多尺度最优融合估计；将系统最细尺度上的状态估计信息通过小波分解反馈给其他各尺度，再把各尺度上的状态估计结果向最细尺度进行小波重构，最后在最细尺度上进行同步信息的融合，实现异步多传感器最优分布式融合估计。根据冗余动力定位系统的实际需求，设计同步、异步位置参考系统融合结构及同步姿态测量系统的融合结构，由此构成船舶动力定位系统多传感器信息融合的体系，利用本单位研制的船舶半实物仿真系统，对所建动力定位船运动模型、传感器测量模型、同步位置参考系统及同步姿态测量系统的融合结构与相应的算法进行仿真验证。
二、非线性最优滤波理论的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、非线性最优滤波理论的研究（论文提纲范文）
（1）基于自适应卡尔曼滤波器的编队卫星相对导航技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 编队飞行卫星相关研究任务 |
| 1.3 编队卫星相对导航研究现状 |
| 1.4 相对导航中的滤波算法研究 |
| 1.5 卡尔曼滤波理论相关研究 |
| 1.6 论文内容创新及主体架构 |
| 1.7 本章小结 |
| 第二章 卫星相对运动模型及相关卡尔曼滤波理论 |
| 2.1 卫星相对运动模型 |
| 2.1.1 相对导航参考坐标系 |
| 2.1.2 编队卫星精确相对运动模型 |
| 2.1.3 椭圆编队非线性运动模型 |
| 2.1.4 圆轨道编队线性运动模型 |
| 2.2 自适应卡尔曼滤波器相关理论 |
| 2.2.1 线性及非线性卡尔曼滤波器 |
| 2.2.2 线性时不变系统最优滤波理论 |
| 2.2.3 噪声协方差矩阵自适应滤波器 |
| 2.2.4 变分贝叶斯自适应卡尔曼滤波器 |
| 2.3 非线性连续离散卡尔曼滤波器理论 |
| 2.3.1 非线性连续离散系统模型 |
| 2.3.2 非线性连续离散系统的状态估计理论 |
| 2.3.3 非线性连续离散扩展卡尔曼滤波方法 |
| 2.3.4 非线性连续离散容积卡尔曼滤波方法 |
| 2.4 本章小结 |
| 第三章 圆轨道编队卫星相对导航线性时不变系统滤波问题研究 |
| 3.1 圆轨道编队卫星相对导航问题的标准化数学模型 |
| 3.1.1 圆轨道编队相对导航中的离散线性时不变滤波问题 |
| 3.1.2 含有未知或不精确Q的线性时不变系统卡尔曼滤波问题 |
| 3.2 新型先验协方差自适应卡尔曼滤波器 |
| 3.2.1 新型先验协方差自适应方法 |
| 3.2.2 新自适应卡尔曼滤波器框图 |
| 3.2.3 新自适应方法的特点和优势 |
| 3.3 新先验协方差估计方法的次优推导过程 |
| 3.3.1 新自适应方法次优推导的近似假设条件 |
| 3.3.2 基于最大似然估计准则的推导过程 |
| 3.3.3 新方法次优推导过程的分析和讨论 |
| 3.3.4 新方法提高近似假设有效性的措施 |
| 3.4 新方法与传统过程噪声协方差估计方法的对比 |
| 3.4.1 新方法与现有自适应方法对比一 |
| 3.4.2 新方法与现有自适应方法对比二 |
| 3.5 基于标准模型的数值仿真与算法性能对比 |
| 3.5.1 目标跟踪模型场景设置 |
| 3.5.2 不同初始协方差参数下的自适应算法性能分析 |
| 3.5.3 过程数据及先验误差协方差估计性能分析 |
| 3.6 圆轨道编队飞行卫星典型场景仿真分析 |
| 3.6.1 圆轨道编队飞行卫星典型场景实验设置 |
| 3.6.2 不精确参数对相对导航滤波性能影响分析 |
| 3.6.3 典型卫星场应用的仿真过程数据分析 |
| 3.7 本章小结 |
| 第四章 近圆编队卫星相对导航弱非线性连续离散滤波问题研究 |
| 4.1 近圆轨道编队卫星相对导航问题的标准化数学模型 |
| 4.1.1 近圆轨道编队卫星相对导航的非线性连续离散模型 |
| 4.1.2 含有未知线性化和离散化误差的非线性连续离散滤波问题 |
| 4.2 新型随机序列反馈自适应连续离散卡尔曼滤波器 |
| 4.2.1 新随机序列反馈自适应滤波方法 |
| 4.2.2 新随机序列反馈自适应方法框图 |
| 4.2.3 新自适应滤波方法特点分析及讨论 |
| 4.3 随机反馈自适应连续离散滤波方法的次优性 |
| 4.3.1 随机序列反馈自适应方法的近似推导过程 |
| 4.3.2 新方法提高算法假设有效性的具体措施 |
| 4.3.3 新方法参数选取与第三章方法对比讨论 |
| 4.4 新自适应连续离散滤波方法中近似误差的处理方法对比 |
| 4.4.1 先离散化连续离散扩展卡尔曼滤波器中的近似误差 |
| 4.4.2 先线性化连续离散扩展卡尔曼滤波器中的近似误差 |
| 4.4.3 新自适应连续离散滤波方法中数值误差的处理方法 |
| 4.5 基于标准模型数值仿真的新方法性能分析与算法对比 |
| 4.5.1 范德波尔周期振荡器模型及实验设置 |
| 4.5.2 不同测量周期下新算法性能对比分析 |
| 4.5.3 不同近似步长下新算法性能对比分析 |
| 4.6 近圆轨道编队飞行卫星典型场景仿真分析 |
| 4.6.1 近圆编队飞行卫星典型场景实验设置 |
| 4.6.2 不同测量周期下相对导航滤波性能分析 |
| 4.6.3 典型卫星场景工程的过程数据分析 |
| 4.7 本章小结 |
| 第五章 大偏心率椭圆编队卫星相对导航强非线性连续离散滤波问题研究 |
| 5.1 大偏心率椭圆轨道编队相对导航问题的标准化数学模型 |
| 5.1.1 大偏心率椭圆编队卫星相对导航的非线性连续离散模型 |
| 5.1.2 针对强非线性连续离散系统的容积卡尔曼滤波问题 |
| 5.2 基于新型状态和协方差递推的连续离散容积卡尔曼滤波器 |
| 5.2.1 基于容积采样向量分别积分的先验状态预测 |
| 5.2.2 基于高斯-勒让德近似方法的先验协方差预测 |
| 5.2.3 新型连续离散容积卡尔曼滤波器分析及讨论 |
| 5.3 新型连续离散容积卡尔曼滤波器的平方根形式 |
| 5.3.1 新方法平方根形式的状态和协方差预测 |
| 5.3.2 新方法平方根形式的量测更新过程 |
| 5.4 基于NIRK和误差控制的连续离散容积卡尔曼滤波方法 |
| 5.4.1 基于嵌套隐性式龙格库塔NIRK的采样向量数值积分 |
| 5.4.2 数值积分误差的在线评估和积分步长自适应控制方法 |
| 5.5 基于标准模型数值仿真的新方法性能分析与算法对比 |
| 5.5.1 飞行目标跟踪场景的系统模型设置 |
| 5.5.2 测量系统较小采样周期下算法性能分析 |
| 5.5.3 测量系统较大采样周期下算法性能分析 |
| 5.6 大偏心率椭圆轨道编队飞行卫星典型场景仿真分析 |
| 5.6.1 大偏心率椭圆编队飞行卫星典型场景实验设置 |
| 5.6.2 不同测量周期下相对导航滤波性能分析 |
| 5.6.3 典型卫星场景仿真的过程数据分析 |
| 5.7 本章小结 |
| 第六章 全文总结 |
| 6.1 课题研究总结 |
| 6.1.1 课题主要研究内容 |
| 6.1.2 研究工作主要创新点 |
| 6.1.3 课题研究主要结论 |
| 6.2 后续研究展望 |
| 参考文献 |
| 攻读博士学位期间已发表的学术论文 |
| 致谢 |
（2）中国汽车工程学术研究综述·2017（论文提纲范文）
| 索引 |
| 0引言 |
| 1汽车NVH控制 (长安汽车工程研究院庞剑总工程师统稿) |
| 1.1从静音到声品质 (重庆大学贺岩松教授提供初稿) |
| 1.1.1国内外研究现状 |
| 1.1.1.1声品质主观评价 |
| 1.1.1.2声品质客观评价 |
| 1.1.1.3声品质主客观统一模型 |
| 1.1.2存在的问题 |
| 1.1.3研究发展趋势 |
| 1.2新能源汽车NVH控制技术 |
| 1.2.1驱动电机动力总成的NVH技术 (同济大学左曙光教授、林福博士生提供初稿) |
| 1.2.1.1国内外研究现状 |
| 1.2.1.2热点研究方向 |
| 1.2.1.3存在的问题与展望 |
| 1.2.2燃料电池发动机用空压机的NVH技术 (同济大学左曙光教授、韦开君博士生提供初稿) |
| 1.2.2.1国内外研究现状 |
| 1.2.2.2存在的问题 |
| 1.2.2.3总结与展望 |
| 1.3车身与底盘总成NVH控制技术 |
| 1.3.1车身与内饰 (长安汽车工程研究院庞剑总工程师提供初稿) |
| 1.3.1.1车身结构 |
| 1.3.1.2声学包装 |
| 1.3.2制动系 (同济大学张立军教授、徐杰博士生、孟德建讲师提供初稿) |
| 1.3.2.1制动抖动 |
| 1.3.2.2制动颤振 |
| 1.3.2.3制动尖叫 |
| 1.3.2.4瓶颈问题与未来趋势 |
| 1.3.3轮胎 (清华大学危银涛教授、杨永宝博士生、赵崇雷硕士生提供初稿) |
| 1.3.3.1轮胎噪声机理研究 |
| 1.3.3.2轮胎噪声计算模型 |
| 1.3.3.3轮胎噪声的测量手段 |
| 1.3.3.4降噪方法 |
| 1.3.3.5问题与展望 |
| 1.3.4悬架系 (吉林大学庄晔副教授提供初稿) |
| 1.3.4.1悬架系NVH问题概述 |
| 1.3.4.2悬架系的动力学建模与NVH预开发 |
| 1.3.4.3悬架系的关键部件NVH设计 |
| 1.3.4.4悬架NVH设计整改 |
| 1.4主动振动控制技术 (重庆大学郑玲教授提供初稿) |
| 1.4.1主动和半主动悬架技术 |
| 1.4.1.1主动悬架技术 |
| 1.4.1.2半主动悬架技术 |
| 1.4.2主动和半主动悬置技术 |
| 1.4.2.1主动悬置技术 |
| 1.4.2.2半主动悬置技术 |
| 1.4.3问题及发展趋势 |
| 2汽车电动化与低碳化 (江苏大学何仁教授统稿) |
| 2.1传统汽车动力总成节能技术 (同济大学郝真真博士生、倪计民教授提供初稿) |
| 2.1.1国内外研究现状 |
| 2.1.1.1替代燃料发动机 |
| 2.1.1.2高效内燃机 |
| 2.1.1.3新型传动方式 |
| 2.1.2存在的主要问题 |
| 2.1.3重点研究方向 |
| 2.1.4发展对策及趋势 |
| 2.2混合动力电动汽车技术 (重庆大学胡建军教授、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.2.1国内外研究现状 |
| 2.2.2存在的问题 |
| 2.2.3重点研究方向 |
| 2.3新能源汽车技术 |
| 2.3.1纯电动汽车技术 (长安大学马建、余强、汪贵平教授, 赵轩、李耀华副教授, 许世维、唐自强、张一西研究生提供初稿) |
| 2.3.1.1动力电池 |
| 2.3.1.2分布式驱动电动汽车驱动控制技术 |
| 2.3.1.3纯电动汽车制动能量回收技术 |
| 2.3.2插电式混合动力汽车技术 (重庆大学胡建军、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.3.2.1国内外研究现状 |
| 2.3.2.2存在的问题 |
| 2.3.2.3热点研究方向 |
| 2.3.2.4研究发展趋势 |
| 2.3.3燃料电池电动汽车技术 (北京理工大学王震坡教授、邓钧君助理教授, 北京重理能源科技有限公司高雷工程师提供初稿) |
| 2.3.3.1国内外技术发展现状 |
| 2.3.3.2关键技术及热点研究方向 |
| 2.3.3.3制约燃料电池汽车发展的关键因素 |
| 2.3.3.4燃料电池汽车的发展趋势 |
| 3汽车电子化 (吉林大学宗长富教授统稿) |
| 3.1汽车发动机电控技术 (北京航空航天大学杨世春教授、陈飞博士提供初稿) |
| 3.1.1国内外研究现状 |
| 3.1.2重点研究方向 |
| 3.1.2.1汽车发动机燃油喷射控制技术 |
| 3.1.2.2汽车发动机涡轮增压控制技术 |
| 3.1.2.3汽车发动机电子节气门控制技术 |
| 3.1.2.4汽车发动机点火控制技术 |
| 3.1.2.5汽车发动机空燃比控制技术 |
| 3.1.2.6汽车发动机怠速控制技术 |
| 3.1.2.7汽车发动机爆震检测与控制技术 |
| 3.1.2.8汽车发动机先进燃烧模式控制技术 |
| 3.1.2.9汽车柴油发动机电子控制技术 |
| 3.1.3研究发展趋势 |
| 3.2汽车转向电控技术 |
| 3.2.1电动助力转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.1.1国内外研究现状 |
| 3.2.1.2重点研究方向和存在的问题 |
| 3.2.1.3研究发展趋势 |
| 3.2.2主动转向及四轮转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.2.1国内外研究现状 |
| 3.2.2.2研究热点和存在问题 |
| 3.2.2.3研究发展趋势 |
| 3.2.3线控转向技术 (吉林大学郑宏宇副教授提供初稿) |
| 3.2.3.1转向角传动比 |
| 3.2.3.2转向路感模拟 |
| 3.2.3.3诊断容错技术 |
| 3.2.4商用车电控转向技术 (吉林大学宗长富教授、赵伟强副教授, 韩小健、高恪研究生提供初稿) |
| 3.2.4.1电控液压转向系统 |
| 3.2.4.2电液耦合转向系统 |
| 3.2.4.3电动助力转向系统 |
| 3.2.4.4后轴主动转向系统 |
| 3.2.4.5新能源商用车转向系统 |
| 3.2.4.6商用车转向系统的发展方向 |
| 3.3汽车制动控制技术 (合肥工业大学陈无畏教授、汪洪波副教授提供初稿) |
| 3.3.1国内外研究现状 |
| 3.3.1.1制动系统元部件研发 |
| 3.3.1.2制动系统性能分析 |
| 3.3.1.3制动系统控制研究 |
| 3.3.1.4电动汽车研究 |
| 3.3.1.5混合动力汽车研究 |
| 3.3.1.6参数测量 |
| 3.3.1.7与其他系统耦合分析及控制 |
| 3.3.1.8其他方面 |
| 3.3.2存在的问题 |
| 3.4汽车悬架电控技术 (吉林大学庄晔副教授提供初稿) |
| 3.4.1电控悬架功能与评价指标 |
| 3.4.2电控主动悬架最优控制 |
| 3.4.3电控悬架其他控制算法 |
| 3.4.4电控悬架产品开发 |
| 4汽车智能化与网联化 (清华大学李克强教授、长安大学赵祥模教授共同统稿) |
| 4.1国内外智能网联汽车研究概要 |
| 4.1.1美国智能网联汽车研究进展 (美国得克萨斯州交通厅Jianming Ma博士提供初稿) |
| 4.1.1.1美国智能网联车研究意义 |
| 4.1.1.2网联车安全研究 |
| 4.1.1.3美国自动驾驶车辆研究 |
| 4.1.1.4智能网联自动驾驶车 |
| 4.1.2中国智能网联汽车研究进展 (长安大学赵祥模教授、徐志刚副教授、闵海根、孙朋朋、王振博士生提供初稿) |
| 4.1.2.1中国智能网联汽车规划 |
| 4.1.2.2中国高校及研究机构智能网联汽车开发情况 |
| 4.1.2.3中国企业智能网联汽车开发情况 |
| 4.1.2.4存在的问题 |
| 4.1.2.5展望 |
| 4.2复杂交通环境感知 |
| 4.2.1基于激光雷达的环境感知 (长安大学付锐教授、张名芳博士生提供初稿) |
| 4.2.1.1点云聚类 |
| 4.2.1.2可通行区域分析 |
| 4.2.1.3障碍物识别 |
| 4.2.1.4障碍物跟踪 |
| 4.2.1.5小结 |
| 4.2.2车载摄像机等单传感器处理技术 (武汉理工大学胡钊政教授、陈志军博士, 长安大学刘占文博士提供初稿) |
| 4.2.2.1交通标志识别 |
| 4.2.2.2车道线检测 |
| 4.2.2.3交通信号灯检测 |
| 4.2.2.4行人检测 |
| 4.2.2.5车辆检测 |
| 4.2.2.6总结与展望 |
| 4.3高精度地图及车辆导航定位 (武汉大学李必军教授、长安大学徐志刚副教授提供初稿) |
| 4.3.1国内外研究现状 |
| 4.3.2当前研究热点 |
| 4.3.2.1高精度地图的采集 |
| 4.3.2.2高精度地图的地图模型 |
| 4.3.2.3高精度地图定位技术 |
| 4.3.2.4基于GIS的路径规划 |
| 4.3.3存在的问题 |
| 4.3.4重点研究方向与展望 |
| 4.4汽车自主决策与轨迹规划 (清华大学王建强研究员、李升波副教授、忻隆博士提供初稿) |
| 4.4.1驾驶人决策行为特性 |
| 4.4.2周车运动轨迹预测 |
| 4.4.3智能汽车决策方法 |
| 4.4.4自主决策面临的挑战 |
| 4.4.5自动驾驶车辆的路径规划算法 |
| 4.4.5.1路线图法 |
| 4.4.5.2网格分解法 |
| 4.4.5.3 Dijistra算法 |
| 4.4.5.4 A*算法 |
| 4.4.6路径面临的挑战 |
| 4.5车辆横向控制及纵向动力学控制 |
| 4.5.1车辆横向控制结构 (华南理工大学游峰副教授, 初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.5.1.1基于经典控制理论的车辆横向控制 (PID) |
| 4.5.1.2基于现代控制理论的车辆横向控制 |
| 4.5.1.3基于智能控制理论的车辆横向控制 |
| 4.5.1.4考虑驾驶人特性的车辆横向控制 |
| 4.5.1.5面临的挑战 |
| 4.5.2动力学控制 (清华大学李升波副研究员、李克强教授、徐少兵博士提供初稿) |
| 4.5.2.1纵向动力学模型 |
| 4.5.2.2纵向稳定性控制 |
| 4.5.2.3纵向速度控制 |
| 4.5.2.4自适应巡航控制 |
| 4.5.2.5节油驾驶控制 |
| 4.6智能网联汽车测试 (中国科学院自动化研究所黄武陵副研究员、王飞跃研究员, 清华大学李力副教授, 西安交通大学刘跃虎教授、郑南宁院士提供初稿) |
| 4.6.1智能网联汽车测试研究现状 |
| 4.6.2智能网联汽车测试热点研究方向 |
| 4.6.2.1智能网联汽车测试内容研究 |
| 4.6.2.2智能网联汽车测试方法 |
| 4.6.2.3智能网联汽车的测试场地建设 |
| 4.6.3智能网联汽车测试存在的问题 |
| 4.6.4智能网联汽车测试研究发展趋势 |
| 4.6.4.1智能网联汽车测试场地建设要求 |
| 4.6.4.2智能网联汽车测评方法的发展 |
| 4.6.4.3加速智能网联汽车测试及进程管理 |
| 4.7典型应用实例解析 |
| 4.7.1典型汽车ADAS系统解析 |
| 4.7.1.1辅助车道保持系统、变道辅助系统与自动泊车系统 (同济大学陈慧教授, 何晓临、刘颂研究生提供初稿) |
| 4.7.1.2 ACC/AEB系统 (清华大学王建强研究员, 华南理工大学游峰副教授、初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.7.2 V2X协同及队列自动驾驶 |
| 4.7.2.1一维队列控制 (清华大学李克强教授、李升波副教授提供初稿) |
| 4.7.2.2二维多车协同控制 (清华大学李力副教授提供初稿) |
| 4.7.3智能汽车的人机共驾技术 (武汉理工大学褚端峰副研究员、吴超仲教授、黄珍教授提供初稿) |
| 4.7.3.1国内外研究现状 |
| 4.7.3.2存在的问题 |
| 4.7.3.3热点研究方向 |
| 4.7.3.4研究发展趋势 |
| 5汽车碰撞安全技术 |
| 5.1整车碰撞 (长沙理工大学雷正保教授提供初稿) |
| 5.1.1汽车碰撞相容性 |
| 5.1.1.1国内外研究现状 |
| 5.1.1.2存在的问题 |
| 5.1.1.3重点研究方向 |
| 5.1.1.4展望 |
| 5.1.2汽车偏置碰撞安全性 |
| 5.1.2.1国内外研究现状 |
| 5.1.2.2存在的问题 |
| 5.1.2.3重点研究方向 |
| 5.1.2.4展望 |
| 5.1.3汽车碰撞试验测试技术 |
| 5.1.3.1国内外研究现状 |
| 5.1.3.2存在的问题 |
| 5.1.3.3重点研究方向 |
| 5.1.3.4展望 |
| 5.2乘员保护 (重庆理工大学胡远志教授提供初稿) |
| 5.2.1国内外研究现状 |
| 5.2.2重点研究方向 |
| 5.2.3展望 |
| 5.3行人保护 (同济大学王宏雁教授、余泳利研究生提供初稿) |
| 5.3.1概述 |
| 5.3.2国内外研究现状 |
| 5.3.2.1被动安全技术 |
| 5.3.2.2主动安全技术研究 |
| 5.3.3研究热点 |
| 5.3.3.1事故研究趋势 |
| 5.3.3.2技术发展趋势 |
| 5.3.4存在的问题 |
| 5.3.5小结 |
| 5.4儿童碰撞安全与保护 (湖南大学曹立波教授, 同济大学王宏雁教授、李舒畅研究生提供初稿;曹立波教授统稿) |
| 5.4.1国内外研究现状 |
| 5.4.1.1儿童碰撞安全现状 |
| 5.4.1.2儿童损伤生物力学研究现状 |
| 5.4.1.3车内儿童安全法规和试验方法 |
| 5.4.1.4车外儿童安全法规和试验方法 |
| 5.4.1.5儿童安全防护措施 |
| 5.4.1.6儿童约束系统使用管理与评价 |
| 5.4.2存在的问题 |
| 5.4.3重点研究方向 |
| 5.4.4发展对策和展望 |
| 5.5新能源汽车碰撞安全 (大连理工大学侯文彬教授、侯少强硕士生提供初稿) |
| 5.5.1国内外研究现状 |
| 5.5.1.1新能源汽车碰撞试验 |
| 5.5.1.2高压电安全控制研究 |
| 5.5.1.3新能源汽车车身结构布局研究 |
| 5.5.1.4电池包碰撞安全防护 |
| 5.5.1.5动力电池碰撞安全 |
| 5.5.2热点研究方向 |
| 5.5.3存在的问题 |
| 5.5.4发展对策与展望 |
| 6结语 |
（4）CKF及鲁棒滤波在飞行器姿态估计中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 姿态估计系统 |
| 1.2.2 状态估计法的研究现状 |
| 1.2.3 状态估计法在飞行器姿态估计中的研究现状 |
| 1.3 课题的主要研究内容 |
| 第2章 飞行器姿态估计的理论基础 |
| 2.1 姿态估计系统状态空间模型的建立 |
| 2.1.1 参考坐标系的选取与坐标变换 |
| 2.1.2 姿态描述参数 |
| 2.1.3 姿态估计系统模型的建立 |
| 2.2 姿态估计中非线性滤波算法 |
| 2.2.1 贝叶斯滤波理论 |
| 2.2.2 EKF算法 |
| 2.2.3 UKF算法 |
| 2.2.4 CKF算法 |
| 2.2.5 EKF、UKF和CKF比较分析 |
| 2.3 本章小结 |
| 第3章 基于四元数约束的CKF姿态估计算法研究 |
| 3.1 基于加性四元数约束的CKF姿态估计算法 |
| 3.1.1 问题描述 |
| 3.1.2 四元数约束下的非线性高斯滤波 |
| 3.1.3 状态耦合噪声方差的计算 |
| 3.1.4 加性四元数约束的CKF姿态估计算法 |
| 3.1.5 滤波算法分析 |
| 3.2 基于乘性四元数约束的平方根CKF姿态估计算法 |
| 3.2.1 平方根CKF |
| 3.2.2 乘性四元数加权均值的求解 |
| 3.2.3 乘性四元数约束的平方根CKF姿态估计算法 |
| 3.3 仿真实验与分析 |
| 3.3.1 仿真平台 |
| 3.3.2 仿真分析 |
| 3.4 本章小结 |
| 第4章 基于四元数约束的容积点迭代CKF姿态估计算法研究 |
| 4.1 迭代CKF算法 |
| 4.1.1 Gauss-Newton迭代理论 |
| 4.1.2 迭代CKF算法的实现 |
| 4.2 改进的迭代CKF算法 |
| 4.2.1 问题分析 |
| 4.2.2 容积点迭代策略 |
| 4.2.3 改进的迭代CKF算法的实现 |
| 4.3 基于四元数约束的容积点迭代CKF姿态估计算法 |
| 4.3.1 问题描述 |
| 4.3.2 滤波增益的校正 |
| 4.3.3 四元数约束的容积点迭代CKF姿态估计算法 |
| 4.4 仿真实验与分析 |
| 4.5 本章小结 |
| 第5章 基于四元数约束的多重次渐消因子强跟踪CKF姿态估计算法研究 |
| 5.1 强跟踪CKF算法 |
| 5.1.1 强跟踪理论 |
| 5.1.2 强跟踪CKF算法 |
| 5.2 多重次渐消因子的强跟踪CKF算法 |
| 5.2.1 可行性分析 |
| 5.2.2 多重次渐消因子的计算 |
| 5.2.3 基于多重次渐消因子的强跟踪非线性高斯滤波算法 |
| 5.2.4 多重次渐消因子的强跟踪CKF算法 |
| 5.3 基于四元数约束的多重次渐消因子强跟踪CKF姿态估计算法 |
| 5.3.1 问题描述 |
| 5.3.2 四元数约束的多重次渐消因子强跟踪CKF姿态估计算法 |
| 5.4 仿真实验与分析 |
| 5.5 本章小结 |
| 第6章 基于鲁棒滤波的飞行器姿态估计算法研究 |
| 6.1 有界时域鲁棒卡尔曼滤波用于量测延迟的不确定姿态估计系统 |
| 6.1.1 带量测延迟的不确定姿态估计模型 |
| 6.1.2 有界时域鲁棒卡尔曼滤波姿态估计算法 |
| 6.1.3 仿真实验与分析 |
| 6.2 鲁棒扩展卡尔曼滤波用于带乘性噪声以及未知量测干扰的姿态估计系统 |
| 6.2.1 带乘性噪声以及量测干扰的非线性姿态估计模型 |
| 6.2.2 鲁棒扩展卡尔曼滤波姿态估计算法 |
| 6.2.3 算法稳定性分析 |
| 6.2.4 仿真实验与分析 |
| 6.3 鲁棒递推滤波用于带乘性噪声，量测丢失以及噪声相关的姿态估计系统 |
| 6.3.1 带乘性噪声、噪声相关以及量测丢失的非线性姿态估计模型 |
| 6.3.2 鲁棒递推滤波姿态估计算法 |
| 6.3.3 仿真实验与分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）非线性SPKF滤波算法研究及其在组合导航中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景 |
| 1.1.1 组合导航系统概述 |
| 1.1.2 SINS/GPS 组合方式简介 |
| 1.2 课题研究的目的和意义 |
| 1.3 非线性滤波理论研究及在组合导航中的应用现状 |
| 1.3.1 Sigma 点卡尔曼滤波(SPKF) |
| 1.3.2 粒子滤波(PF) |
| 1.4 组合导航系统非线性滤波理论的新发展 |
| 1.4.1 非线性滤波算法的组合应用 |
| 1.4.2 基于交互式多模型的自适应融合滤波算法 |
| 1.5 课题研究的主要内容 |
| 第2章 非线性最优滤波及次优滤波 |
| 2.1 滤波估计准则简介 |
| 2.2 基于MMSE 估计准则的非线性最优滤波器 |
| 2.2.1 非线性最优滤波递推公式 |
| 2.2.2 非线性最优滤波性能分析 |
| 2.3 非线性次优滤波器 |
| 2.3.1 扩展卡尔曼滤波器(EKF) |
| 2.3.2 Unscented 卡尔曼滤波器(UKF) |
| 2.3.3 中心差分卡尔曼滤波器(CDKF) |
| 2.4 EKF、UKF 及CDKF 性能分析 |
| 2.5 本章小结 |
| 第3章 自适应SPKF 滤波算法 |
| 3.1 非线性最优自适应滤波器 |
| 3.1.1 常值噪声统计估计器 |
| 3.1.2 噪声统计估计器的无偏性分析 |
| 3.1.3 时变噪声统计估计器 |
| 3.2 自适应SPKF 算法 |
| 3.2.1 自适应UKF |
| 3.2.2 自适应CDKF |
| 3.3 数值仿真 |
| 3.4 本章小结 |
| 第4章 强跟踪SPKF 滤波算法 |
| 4.1 STF 的引入 |
| 4.2 正交性原理 |
| 4.3 传统STF 滤波递推公式 |
| 4.4 强跟踪SPKF |
| 4.4.1 STF 等价表述 |
| 4.4.2 强跟踪UKF |
| 4.4.3 强跟踪CDKF |
| 4.5 数值仿真 |
| 4.6 本章小结 |
| 第5章 SINS/GPS 组合导航系统仿真分析 |
| 5.1 SINS/GPS 组合导航系统中滤波算法配置方式 |
| 5.1.1 集中式滤波 |
| 5.1.2 分散式滤波 |
| 5.2 SINS/GPS 组合导航系统方案选择 |
| 5.3 采用位置、速度组合的SINS/GPS 导航系统 |
| 5.3.1 坐标系定义 |
| 5.3.2 SINS/GPS 组合导航系统状态方程 |
| 5.3.3 SINS/GPS 组合导航系统量测方程 |
| 5.4 仿真分析 |
| 5.4.1 EKF 和UKF 精度比较 |
| 5.4.2 惯性器件随机漂移噪声统计未知或时变 |
| 5.4.3 惯性器件常值零偏发生突变 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（6）基于变分贝叶斯推理的非线性滤波算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 Sigma点卡尔曼滤波理论的发展及应用 |
| 1.2.2 粒子滤波的发展及应用 |
| 1.2.3 实用贝叶斯方法 |
| 1.2.4 VB作为对概率分布进行近似的方法 |
| 1.3 本文的研究内容 |
| 1.4 本文的结构安排 |
| 第二章 变分贝叶斯推理的理论基础 |
| 2.1 平均场理论 |
| 2.1.1 问题描述 |
| 2.1.2 Kullback-Leibler散度 |
| 2.1.3 平均场理论 |
| 2.1.4 平均场估计下边缘概率的无意义性 |
| 2.2 变分贝叶斯求解 |
| 第三章 非线性状态空间模型单个及多个未知参数滤波算法 |
| 3.1 引言 |
| 3.2 含有未知参数的状态空间模型描述 |
| 3.3 测量噪声缺失均值的估计算法 |
| 3.4 测量噪声方差估计算法 |
| 3.5 多未知参数的非线性迭代估计算法 |
| 3.6 收敛性分析 |
| 3.7 数值仿真 |
| 3.7.1 随机共振器模型 |
| 3.7.2 非线性和非高斯系统 |
| 3.8 本章小结 |
| 第四章 基于变分贝叶斯推理的一类测量噪声未知的非线性滤波算法 |
| 4.1 目标跟踪问题研究背景 |
| 4.2 目标跟踪系统量测噪声缺失信息问题描述 |
| 4.2.1 非线性状态空间模型介绍 |
| 4.2.2 变分贝叶斯推理中独立性假设的合理性解释 |
| 4.3 非线性变分贝叶斯粒子滤波算法 |
| 4.3.1 算法的简要描述 |
| 4.3.2 VB与经典非线性滤波相结合算法介绍 |
| 4.4 收敛结果 |
| 4.4.1 符号与预备知识 |
| 4.4.2 最优滤波的应用 |
| 4.4.3 均方误差意义下有界检验函数的收敛结果 |
| 4.4.4 无界测试函数的一般收敛性结果 |
| 4.5 目标跟踪仿真实验 |
| 4.5.1 纯角度目标跟踪 |
| 4.5.2 再入飞行器跟踪 |
| 4.5.3 多模型系统中的跟踪:机动目标的纯角度跟踪 |
| 4.5.4 隐马尔可夫模型 |
| 4.6 本章小结 |
| 第五章 基于变分贝叶斯推理的乘性随机参数滤波算法 |
| 5.1 乘性随机系统背景介绍 |
| 5.2 乘性随机参数问题描述 |
| 5.3 基于变分贝叶斯推理的乘性随机参数处理方法介绍 |
| 5.4 非高斯乘性随机参数的变分贝叶斯滤波算法 |
| 5.4.1 任意变分数的广义变分贝叶斯滤波算法 |
| 5.4.2 乘性随机参数滤波算法具体实施步骤 |
| 5.5 收敛性分析 |
| 5.6 数值仿真 |
| 5.6.1 非高斯乘性噪声模型 |
| 5.6.2 具有时变乘性随机参数的目标跟踪模型 |
| 5.6.3 隐马尔科夫模型 |
| 5.7 本章小结 |
| 第六章 含有未知输入的非线性状态空间模型辨识算法 |
| 6.1 非线性系统辨识背景简单介绍 |
| 6.2 基于VB-EM的未知参数估计算法 |
| 6.2.1 不含输入的非线性状态空间模型描述 |
| 6.2.2 算法设计步骤 |
| 6.3 含有未知输入非线性系统辨识算法 |
| 6.3.1 问题描述 |
| 6.3.2 参数的先验假设 |
| 6.3.3 状态估计模型总结 |
| 6.3.4 贝叶斯学习方法 |
| 6.4 仿真实验 |
| 6.4.1 Toy实例 |
| 6.4.2 水箱实验 |
| 6.4.3 Narendra-Li benchmark |
| 6.5 小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（7）粒子滤波算法研究及其在非线性估计中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 参数估计概述 |
| 1.2 滤波算法概述 |
| 1.3 递归贝叶斯估计 |
| 1.4 本文主要研究内容和章节安排 |
| 2 线性系统最优滤波算法及其非线性衍生算法 |
| 2.1 引言 |
| 2.2 维纳滤波理论 |
| 2.3 卡尔曼滤波(KF)理论 |
| 2.4 扩展卡尔曼滤波(EKF)理论 |
| 2.5 无迹卡尔曼滤波(UKF)理论 |
| 2.6 本章小结 |
| 3 粒子滤波及相关算法研究 |
| 3.1 引言 |
| 3.2 粒子滤波算法的数学模型 |
| 3.3 重采样算法 |
| 3.4 序贯蒙特卡罗方法 |
| 3.5 几种改进的粒子滤波算法 |
| 3.6 粒子滤波算法的应用 |
| 3.7 本章小结 |
| 4 基于相关系数的粒子滤波算法 |
| 4.1 引言 |
| 4.2 相关系数 |
| 4.3 相关系数的时间复杂度 |
| 4.4 基于相关系数的粒子滤波算法(CCPF) |
| 4.5 CCPF算法的收敛性证明 |
| 4.6 本章小结 |
| 5 CCPF算法在非线性系统中的参数估计 |
| 5.1 引言 |
| 5.2 一维非线性系统模型及参数估计 |
| 5.3 多维谐波模型及参数估计 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读学位期间发表论文目录 |
| 附录2 攻读博士学位期间参与的科研项目 |
（8）非线性Bayesian滤波及其在SINS/GPS紧耦合导航中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 SINS/GPS 组合导航技术 |
| 1.2.1 捷联惯性导航系统的发展 |
| 1.2.2 卫星导航系统的发展 |
| 1.2.3 SINS/GPS 组合导航方式 |
| 1.3 非线性滤波发展及在导航中的应用概况 |
| 1.3.1 非线性滤波的理论发展 |
| 1.3.2 具有鲁棒性的非线性滤波算法 |
| 1.3.3 非线性滤波在组合导航系统中的应用概况 |
| 1.4 论文主要研究内容 |
| 第2章 非线性 Bayesian 滤波及分析 |
| 2.1 引言 |
| 2.2 最优迭代 Bayesian 滤波理论框架 |
| 2.2.1 Bayes 定理 |
| 2.2.2 最优迭代 Bayesian 滤波 |
| 2.2.3 非线性滤波的估计准则 |
| 2.3 非线性滤波的 Bayesian 解释 |
| 2.3.1 线性最优 Bayesian 滤波 |
| 2.3.2 函数线性化 Bayesian 滤波 |
| 2.3.3 基于确定性采样的 Bayesian 滤波 |
| 2.3.4 基于随机采样的 Bayesian 滤波 |
| 2.4 非线性 Bayesian 滤波精度及复杂度分析 |
| 2.4.1 非线性 Bayesian 滤波精度分析 |
| 2.4.2 非线性 Bayesian 滤波复杂度分析 |
| 2.5 数值仿真与分析 |
| 2.5.1 单维 UNGM 非线性模型 |
| 2.5.2 多维机动目标跟踪非线性模型 |
| 2.6 本章小结 |
| 第3章 SINS/GPS 紧耦合导航的非线性 Bayesian 融合 |
| 3.1 引言 |
| 3.2 SINS/GPS 紧耦合导航实现方式选择 |
| 3.3 SINS/GPS 紧耦合系统误差模型 |
| 3.3.1 参考坐标系 |
| 3.3.2 SINS 非线性状态模型的建立 |
| 3.3.3 GPS 非线性量测模型的建立 |
| 3.3.4 SINS/GPS 紧耦合非线性状态空间模型及反馈校正 |
| 3.4 大初始误差条件下的 SINS/GPS 紧耦合导航方法 |
| 3.4.1 仿真系统的构建 |
| 3.4.2 大初始误差条件下基于 CKF 与 CPF 的 SINS/GPS 紧耦合导航方法 |
| 3.5 SINS/GPS 紧耦合导航中 CKF 算法的简化设计 |
| 3.5.1 GPS 量测模型非线性度分析 |
| 3.5.2 CKF 算法的简化设计 |
| 3.5.3 基于简化 CKF 算法的 SINS/GPS 紧耦合导航仿真 |
| 3.6 本章小结 |
| 第4章 SINS/GPS 紧耦合导航的变分 Bayesian 自适应融合 |
| 4.1 引言 |
| 4.2 次优线性变分 Bayesian 自适应卡尔曼滤波分析 |
| 4.2.1 量测噪声方差未知的最优 Bayesian 滤波 |
| 4.2.2 逆 Wishart 分布与逆 Gamma 分布 |
| 4.2.3 基于逆 Gamma 分布的变分自适应卡尔曼滤波 |
| 4.2.4 VB-AKF 算法性能验证 |
| 4.3 噪声均值与方差未知的变分 Bayesian 自适应卡尔曼滤波 |
| 4.3.1 量测噪声均值与方差同步估计卡尔曼滤波算法推导 |
| 4.3.2 仿真验证与分析 |
| 4.4 非线性变分 Bayesian 自适应高斯滤波 |
| 4.4.1 变分 Bayesian 自适应非线性卡尔曼滤波 |
| 4.4.2 变分 Bayesian 非线性卡尔曼粒子滤波算法 |
| 4.4.3 数值仿真 |
| 4.5 基于非线性变分 Bayesian 滤波的 SINS/GPS 紧耦合导航自适应融合 |
| 4.5.1 基于非线性变分 Bayesian 滤波的 SINS/GPS 紧耦合算法设计 |
| 4.5.2 自适应 SINS/GPS 紧耦合导航的仿真条件 |
| 4.5.3 仿真结果与分析 |
| 4.6 本章小结 |
| 第5章 GPS 信息不完好及失效时的 SINS/GPS 紧耦合技术 |
| 5.1 引言 |
| 5.2 基于可观测分析的 GPS 遮挡条件下的紧耦合鲁棒性分析 |
| 5.2.1 分段线性定长系统可观测分析 |
| 5.2.2 SINS/GPS 紧耦合系统可观测分析 |
| 5.3 基于非线性平滑的 GPS 短时失效时 SINS/GPS 紧耦合桥接技术 |
| 5.3.1 卡尔曼平滑算法 |
| 5.3.2 基于统计线性化的容积卡尔曼平滑改进算法 |
| 5.3.3 SINS/GPS 紧耦合的非线性平滑算法设计 |
| 5.3.4 仿真与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）全线控四轮独立转向/驱动/制动电动汽车动力学集成控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明及名词缩写 |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 研究切入点 |
| 1.3 课题相关技术研究现状 |
| 1.4 本文的研究内容和技术路线 |
| 第2章 全线控电动汽车中央控制器的快速原型开发 |
| 2.1 全线控电动汽车中央控制器的设计思路 |
| 2.1.1 全线控电动汽车驾驶模式的设定 |
| 2.1.2 车轮原点定位过程 |
| 2.1.3 驾驶模式的切换逻辑 |
| 2.2 全线控电动汽车实时测试与控制平台的快速原型开发 |
| 2.2.1 全线控电动汽车的硬件架构 |
| 2.2.2 全线控电动汽车的硬件控制逻辑 |
| 2.2.3 快速控制原型平台的对比介绍 |
| 2.2.4 基于LabVIEW RT的中央控制器设计 |
| 2.3 实车试验验证 |
| 2.3.1 直线加速工况 |
| 2.3.2 原地转向和楔形转向工况 |
| 2.3.3 前轮转向和四轮转向工况 |
| 2.4 本章小结 |
| 第3章 全线控电动汽车运动状态估算与轮毂电机参数辨识研究 |
| 3.1 研究现状 |
| 3.2 动力学观测模型 |
| 3.2.1 非线性四轮独立车辆模型 |
| 3.2.2 HSRI轮胎侧偏模型 |
| 3.2.3 车轮动力学模型 |
| 3.3 双无轨卡尔曼滤波算法 |
| 3.3.1 无轨卡尔曼滤波理论 |
| 3.3.2 基于DUKF的运动状态估算联合电机参数在线识别方法.. |
| 3.4 算法验证 |
| 3.4.1 仿真试验验证 |
| 3.4.2 实车试验验证 |
| 3.5 本章小结 |
| 第4章 全线控电动汽车动力学集成控制研究 |
| 4.1 研究现状 |
| 4.1.1 车体的运动控制 |
| 4.1.2 轮胎力的最优分配 |
| 4.1.3 与其他系统的集成 |
| 4.2 全线控电动汽车动力学集成控制总体架构 |
| 4.3 全线控电动汽车动力学集成控制器设计 |
| 4.3.1 驾驶员控制层 |
| 4.3.2 运动控制层 |
| 4.3.3 轮胎力分配层 |
| 4.3.4 执行器执行层 |
| 4.4 仿真对比实验及分析 |
| 4.4.1 开环方向盘阶跃转角输入实验 |
| 4.4.2 对开路面紧急制动实验 |
| 4.4.3 人-车闭环双移线工况 |
| 4.5 实车试验验证 |
| 4.5.1 动力学集成控制算法的平台移植 |
| 4.5.2 方向盘正弦转角输入下的试验结果 |
| 4.5.3 集成控制鲁棒性的实车验证 |
| 4.6 本章小结 |
| 第5章 全线控电动汽车路径跟踪的非线性最优预测控制研究 |
| 5.1 研究现状 |
| 5.2 考虑车速变化的路径跟踪控制 |
| 5.2.1 非线性模型预测控制理论 |
| 5.2.2 目标运动轨迹及参考车速 |
| 5.2.3 车体随轨迹位置变化的空间动力学预测模型 |
| 5.2.4 基于空间模型预测控制的车辆路径跟踪算法 |
| 5.2.5 离线仿真验证 |
| 5.3 路径跟踪算法实时性优化 |
| 5.3.1 分层式控制设计方案 |
| 5.3.2 基于终端滑模控制的车身运动控制器 |
| 5.3.3 离线仿真验证 |
| 5.4 基于驾驶模拟器的模型在环验证 |
| 5.4.1 驾驶模拟器搭建 |
| 5.4.2 自动路径跟踪算法实时验证 |
| 5.4.3 人工驾驶与最优预测控制 |
| 5.5 本章小结 |
| 第6章 全文总结及研究展望 |
| 6.1 全文总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 作者简介 |
| 发表的学术论文 |
| 授权的专利和软件着作权 |
| 参加的科研工作 |
| 致谢 |
（10）船舶动力定位系统多传感器信息融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的来源与意义 |
| 1.2 动力定位系统多传感器信息融合的研究现状 |
| 1.2.1 动力定位系统多传感器信息融合的内容与方法 |
| 1.2.2 动力定位系统多传感器信息融合的发展 |
| 1.3 多传感器信息融合的基本原理与功能结构 |
| 1.3.1 信息融合的基本原理 |
| 1.3.2 多传感器系统的描述 |
| 1.3.3 信息融合系统的结构模型 |
| 1.4 动力定位系统多传感器信息融合关键技术的研究现状 |
| 1.4.1 目标运动建模技术的发展现状 |
| 1.4.2 故障检测与容错技术的发展现状 |
| 1.4.3 滤波技术的研究现状 |
| 1.4.4 多传感器信息融合技术的研究现状 |
| 1.5 论文主要研究内容 |
| 第2章 动力定位船运动模型及传感器测量模型研究 |
| 2.1 动力定位船运动学模型研究 |
| 2.1.1 船舶运动学模型 |
| 2.1.2 动力定位船运动学模型研究 |
| 2.2 船舶动力定位系统传感器测量模型研究 |
| 2.2.1 船舶位置参考系统测量模型研究 |
| 2.2.2 船舶姿态传感器测量模型研究 |
| 2.3 本章小结 |
| 第3章 动力定位系统传感器故障检测与容错研究 |
| 3.1 动力定位系统传感器测量数据预处理 |
| 3.1.1 传感器测量数据的时间配准 |
| 3.1.2 位置参考系统测量数据的空间配准 |
| 3.1.3 动力定位传感器测量数据的质量检测 |
| 3.2 传感器故障检测与容错方法研究 |
| 3.2.1 基于滤波残差的传感器突变型故障检测与容错方法 |
| 3.2.2 基于信息融合的传感器渐变型故障检测与容错方法 |
| 3.3 传感器故障检测与容错算法的性能分析 |
| 3.3.1 传感器突变型故障检测与容错算法仿真分析 |
| 3.3.2 传感器渐变型故障检测与容错算法仿真分析 |
| 3.3.3 突变型和渐变型故障检测算法分析 |
| 3.4 本章小结 |
| 第4章 动力定位位置参考系统非线性滤波方法研究 |
| 4.1 容积卡尔曼滤波 |
| 4.1.1 容积卡尔曼滤波 |
| 4.1.2 平方根容积卡尔曼滤波 |
| 4.2 基于 SRCKF 的非线性自适应滤波算法研究 |
| 4.2.1 自适应 SRCKF 滤波算法 |
| 4.2.2 强跟踪 SRCKF 滤波算法 |
| 4.2.3 强跟踪自适应 SRCKF 滤波 |
| 4.3 基于 SRCKF 的非线性自适应滤波算法性能分析 |
| 4.3.1 自适应 SRCKF 算法仿真分析 |
| 4.3.2 强跟踪 SRCKF 算法仿真分析 |
| 4.3.3 强跟踪自适应 SRCKF 算法仿真 |
| 4.4 本章小结 |
| 第5章 动力定位系统多传感器信息融合算法研究 |
| 5.1 多传感器信息融合结构与方法 |
| 5.1.1 多传感器信息融合结构 |
| 5.1.2 多传感器信息估计融合方法 |
| 5.2 同步多传感器信息最优分布式估计融合算法 |
| 5.2.1 全局信息不反馈最优分布式估计融合算法 |
| 5.2.2 全局信息反馈最优分布式估计融合算法 |
| 5.3 基于小波分析的异步多传感器信息融合算法研究 |
| 5.3.1 异步多传感器多尺度最优融合估计 |
| 5.3.2 异步多传感器多尺度最优分布式融合估计 |
| 5.4 多传感器信息融合估计算法仿真分析 |
| 5.4.1 同步多传感器信息最优分布式融合估计算法仿真分析 |
| 5.4.2 异步多传感器多尺度最优分布式融合估计算法仿真分析 |
| 5.5 本章小结 |
| 第6章 动力定位系统多传感器信息融合体系设计与仿真 |
| 6.1 动力定位同步位置参考系统融合结构与算法 |
| 6.1.1 动力定位同步位置参考系统融合结构设计 |
| 6.1.2 动力定位同步位置参考系统融合算法 |
| 6.2 动力定位同步姿态测量系统融合结构与算法 |
| 6.2.1 动力定位同步姿态测量系统融合结构设计 |
| 6.2.2 动力定位同步姿态测量系统融合算法 |
| 6.3 动力定位异步位置参考系统融合结构与算法 |
| 6.3.1 动力定位异步位置参考系统融合结构设计 |
| 6.3.2 动力定位异步位置参考系统融合算法 |
| 6.4 船舶动力定位同步多传感器信息融合方法试验仿真 |
| 6.4.1 船舶艏向三冗余测量系统融合方法仿真分析 |
| 6.4.2 船舶位置三冗余 GPS 测量系统融合方法仿真分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、非线性最优滤波理论的研究（论文参考文献）
- [1]基于自适应卡尔曼滤波器的编队卫星相对导航技术研究[D]. 王蛟龙. 上海交通大学, 2019(06)
- [2]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报, 2017(06)
- [3]非线性系统确定采样型滤波算法综述[J]. 王小旭,潘泉,黄鹤,高昂. 控制与决策, 2012(06)
- [4]CKF及鲁棒滤波在飞行器姿态估计中的应用研究[D]. 黄蔚. 哈尔滨工程大学, 2015(06)
- [5]非线性SPKF滤波算法研究及其在组合导航中的应用[D]. 王小旭. 哈尔滨工程大学, 2010(07)
- [6]基于变分贝叶斯推理的非线性滤波算法研究[D]. 于兴凯. 上海交通大学, 2019(06)
- [7]粒子滤波算法研究及其在非线性估计中的应用[D]. 孟庆旭. 华中科技大学, 2019(01)
- [8]非线性Bayesian滤波及其在SINS/GPS紧耦合导航中的应用研究[D]. 张召友. 哈尔滨工程大学, 2013(04)
- [9]全线控四轮独立转向/驱动/制动电动汽车动力学集成控制研究[D]. 宋攀. 吉林大学, 2015(12)
- [10]船舶动力定位系统多传感器信息融合方法研究[D]. 徐树生. 哈尔滨工程大学, 2013(04)