原文传递
非高斯噪声下智能车状态估计方法研究
| 论文题名： | 非高斯噪声下智能车状态估计方法研究 |
| 关键词： | 智能车;状态估计;非高斯噪声;高斯-混合伽马多层分布 |
| 摘要： | 由于科技的进步，汽车行业迎来了以智能制造为引领新一轮的工业转型升级，其中智能车是各国争相研究和发展的热点之一。智能车在城市高楼，地下停车场等复杂环境中行驶，智能车车载传感器往往会产生非高斯厚尾噪声。状态估计是智能车环境感知的基础，包括对自身及周围目标的准确位置和速度等状态进行估计。目前大多数状态估计方法仅考虑高斯噪声且协方差已知，然而在实际交通环境中，噪声往往是未知非高斯的，并难以提前获取其协方差。因此研究非高斯噪声下的智能车状态估计方法具有较高的理论价值和实际意义。综上，本文针对上述问题做了如下工作： 1.针对未知非高斯平稳噪声下智能车状态估计问题，提出一种基于变分贝叶斯的自适应卡尔曼滤波方法。 首先提出一种高斯-混合伽马多层分布，刻画未知的非高斯厚尾过程与量测噪声。此分布可设置多个粗略先验信息，在变分贝叶斯统一优化框架下，实现对状态和未知参数的联合求解，并且可以从多个粗略先验信息实时提取合适的先验参数，从而提高估计精度。最后在仿真数据上证明了所提方法的准确性和鲁棒性，并且所提方法比现有的基于鲁棒Student’st的Kalman滤波方法在智能车位置和速度的平均均方根误差上分别降低了22.03%和19.04%。 2.针对未知非高斯非平稳噪声下智能车状态估计问题，提出一种具有未知非高斯非平稳厚尾过程与量测噪声的自适应鲁棒卡尔曼滤波方法。 首先提出一种时变混合高斯分布，刻画未知且时变的非高斯厚尾过程与量测噪声。此分布由一个具有标准协方差的高概率高斯分布和具有自适应大协方差的低概率高斯分布混合而成，其中自适应大协方差通过标准协方差乘时变尺度参数表示。在变分贝叶斯统一优化框架下，实现对状态估计和未知参数的联合求解。最后在仿真和真实数据上验证所提方法的有效性及优越性，并且在真车定位实验中，比现有的基于鲁棒学生t的卡尔曼滤波方法在定位误差上降低了54.27%。 总体来说，本文所提非高斯噪声下的智能车状态估计方法的精度优于现有经典的几种状态估计方法。此外，将所提方法应用于智能车定位领域，提高了智能车的定位精度，为今后智能车的状态估计研究提供一定的理论和实践参考。 |
| 作者： | 张国瑞 |
| 专业： | 控制科学与工程 |
| 导师： | 朱浩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
