一种车辆状态估计方法技术

本发明专利技术公开了一种车辆状态估计方法，包括：构建车辆状态的线性系统，车辆状态的线性系统采用状态方程和观测方程来描述，状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述；在车辆状态的线性系统下，采用基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，对车辆状态进行估计，以此获取车辆状态的最优状态估计；其中，在基于混合核函数的自适应核最大相关熵卡尔曼滤波方法中将针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的加权和作为代价函数；以及核函数的核宽根据观测方程残差项自适应更新。的核宽根据观测方程残差项自适应更新。的核宽根据观测方程残差项自适应更新。

【技术实现步骤摘要】
一种车辆状态估计方法


[0001]本专利技术属于数据处理
，具体为一种车辆状态估计方法。

技术介绍

[0002]传统卡尔曼（Kalman）滤波及其变体比如无迹卡尔曼滤波UKF、扩展卡尔曼滤波EKF、容积卡尔曼滤波CKF等均采用基于误差二阶矩的最小均方误差（Mean
‑
Square Error ，MSE)准则为代价函数的算法，在线性系统、高斯噪声假设情况下实现了最优估计而被广泛采用。然而实际过程噪声和（或）测量噪声会因为人为原因、建模不准确、设备不可靠、采样误差、受到网络攻击等原因远离高斯分布，这种情况下采用Kalman及其变体进行滤波，估计结果会出现较大偏差不能实现最优。
[0003]为此，近些年比较流行采用基于误差高阶矩的熵（最小误差熵MEE、最大相关熵MCC等）指标作为代价函数进行滤波，和基于MSE指标的Kalman滤波相比，熵指标的Kalman滤波精度和鲁棒性等都大大提高。由于基于MEE指标进行Kalman滤波计算复杂性较基于MCC要复杂得多，计算量大，所以基于MCC的Kalman应用得更多。
[0004]基于MCC的卡尔曼滤波中，核宽是唯一的自由参数，对局部最优值的存在、收敛速度和对非高斯噪声的鲁棒性等起决定性作用。然而，现有大多文献或实际工程大多针对某特定非高斯噪声基于经验或试错方法确定选择固定大小的核宽。一方面实际系统的非高斯噪声是未知的，基于某特定噪声确定的固定大小核宽在实际非高斯噪声情况下估计性能可能会很差；另一方面噪声也不是稳定的，比如初期噪声很大，随着时间的推移噪声趋于稳定，所以采用固定核宽非常容易达不到最优。

技术实现思路

[0005]专利技术目的：为解决基于某特定噪声确定的固定大小核宽在实际非高斯噪声情况下估计性能可能会很差的问题，以及为解决采用固定核宽非常容易达不到最优的问题，本专利技术提出了一种基于自适应核的最大相关熵卡尔曼滤波方法的车辆状态估计方法，针对实际系统过程噪声和/或测量噪声非高斯的情况，实现滤波精度和鲁棒性的大幅提高，实现状态估计的性能提高，大大加强最大相关熵卡尔曼滤波的应用范围。
[0006]技术方案：一种车辆状态估计方法，包括以下步骤：步骤1：构建车辆状态的线性系统，所述车辆状态的线性系统采用状态方程和观测方程来描述，状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述；所述车辆状态包括车辆位置和车辆速度；步骤2：在车辆状态的线性系统下，采用基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，对车辆状态进行估计，以此获取车辆状态的最优状态估计；其中，所述基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，包括：根据前一时刻的车辆状态估计和前一时刻的状态估计误差协方差，进行一步预测，得到当前时刻的预测车辆状态估计和预测误差协方差；
将针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的加权和作为代价函数；对代价函数进行最大化处理，得到当前时刻的车辆状态估计和当前时刻的状态估计误差协方差；其中，针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的核宽根据观测方程残差项自适应更新。
[0007]进一步的，记前一时刻为时刻，当前时刻为时刻；所述状态方程表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，表示时刻的车辆状态，表示时刻的状态转移矩阵，表示时刻的车辆状态，表示时刻的过程噪声；所述过程噪声为服从均值为0、协方差矩阵为的非高斯分布，其中，，表示期望运算，上标T表示转置；所述观测方程表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，表示时刻的观测输出，表示时刻的观测矩阵，表示时刻的测量噪声；所述测量噪声为服从均值为0、协方差矩阵为的非高斯分布，其中，。
[0008]进一步的，所述状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述，具体表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，分别表示过程噪声和测量噪声的高斯组件的凸组合系数，分别表示过程噪声和测量噪声的非高斯强度系数，表示符合均值为0、方差为的正态分布，表示符合均值为0、方差为的正态分布，表示符合均值为0、方差为的正态分布，表示符合均值为0、方差为的正态分布，表示时刻的过程噪声协方差，表示时刻的测量噪声协方差。
[0009]进一步的，所述根据前一时刻的车辆状态估计和前一时刻的状态估计误差协方差，进行一步预测，得到当前时刻的预测车辆状态估计值和预测误差协方差，具体为：根据时刻的车辆状态估计和时刻的状态估计误差协方，按照以下预测方程，进行一步预测，得到时刻的预测车辆状态估计值和预测误差协方差：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）式中，表示时刻的一步车辆状态预测， 表示时刻的车辆状态估计，表示预测误差协方差；表示时刻的状态估计误差协方差。
[0010]进一步的，所述观测方程残差项表示为：；所述状态方程预测误差项表示为：；所述针对观测方程残差项的核函数，表示为：（7）式中，表示2范数，表示1范数，表示混合系数，表示核宽，表示平方根函数，表示以自然常数e为底的指数函数；所述针对状态方程预测误差项的核函数，表示为：（8）所述代价函数表示为：（9）。
[0011]进一步的，所述针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的核宽根据观测方程残差项自适应更新，表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）式中，表示时刻的车辆状态估计。
[0012]进一步的，所述对代价函数进行最大化处理，得到当前时刻的车辆状态估计和当前时刻的状态估计误差协方差，具体为：对代价函数关于时刻的车辆状态估计求导，并让导数为0，表示为：（11）式中，表示符号函数；表示针对观测方程残差项的核函数的缩写；表示针对状态方程预测误差项的核函数的缩写；在核函数中做近似；得到：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）
ꢀꢀꢀꢀꢀꢀꢀꢀ
（14）
式中，表示维单位矩阵，表示滤波增益，表示时刻的状态估计误差协方差，表示中间变量，。
[0013]有益效果：本专利技术与现有技术相比，具有以下优点：（1）针对过程（和）或测量噪声实际为非高斯噪声的问题，本专利技术方法采用基于误差高阶矩的相关熵指标进行卡尔曼滤波来降低非高斯噪声的干扰，能更好的提取误差向量中的信息，提高状态估计的精度和系统鲁棒性，达到更好的滤波精度；（2）基于非高斯噪声分布多基于高斯同质混合分布或高斯与其它分布混合的异质混合来刻画，本专利技术方法将相关熵指标中的核函数用异质（高斯核函数加指数核函数）混合核函数，实现更好的滤波性能；（3）针对实际系统噪声不是稳定的实际情况，本专利技术方法采用自适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆状态估计方法，其特征在于：包括以下步骤：步骤1：构建车辆状态的线性系统，所述车辆状态的线性系统采用状态方程和观测方程来描述，状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述；所述车辆状态包括车辆位置和车辆速度；步骤2：在车辆状态的线性系统下，采用基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，对车辆状态进行估计，以此获取车辆状态的最优状态估计；其中，所述基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，包括：根据前一时刻的车辆状态估计和前一时刻的状态估计误差协方差，进行一步预测，得到当前时刻的预测车辆状态估计和预测误差协方差；将针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的加权和作为代价函数；对代价函数进行最大化处理，得到当前时刻的车辆状态估计和当前时刻的状态估计误差协方差；其中，针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的核宽根据观测方程残差项自适应更新。2.根据权利要求1所述的一种车辆状态估计方法，其特征在于：记前一时刻为时刻，当前时刻为时刻；所述状态方程表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，表示时刻的车辆状态，表示时刻的状态转移矩阵，表示时刻的车辆状态，表示时刻的过程噪声；所述过程噪声为服从均值为0、协方差矩阵为的非高斯分布，其中，，表示期望运算，上标T表示转置；所述观测方程表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，表示时刻的观测输出，表示时刻的观测矩阵，表示时刻的测量噪声；所述测量噪声为服从均值为0、协方差矩阵为的非高斯分布，其中，。3.根据权利要求2所述的一种车辆状态估计方法，其特征在于：所述状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述，具体表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，分别表示过程噪声和测量噪声的高斯组件的凸组合系数，分别表示过程噪声和测量噪声的非高斯强度系数，表示符合均值为0、方差为的正态分布，表示符合均值为0、方差为的正态分布，表示符合均值为0、方差为的正态分布，表示符合均值为0、方差为的...

【专利技术属性】
技术研发人员：葛泉波，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：