基于混合模型的无迹卡尔曼滤波算法在车辆状态与偏差估计中的应用

吉林大学团队提出新型车辆状态估计方法，提升复杂工况下系统精度与鲁棒性

全文速览

针对车辆在坡度、风阻等外部干扰下出现模型失配、状态估计不准的问题，吉林大学汽车智能安全团队提出一种融合车辆运动学与动力学混合模型的无迹卡尔曼滤波（UKF）算法。该方法将惯性导航数据与车辆模型结合，并将扰动偏差作为增广状态进行联合估计，有效消除因模型未考虑外力导致的误差。

研究设计了运动学与动力学模型的自适应切换策略，避免低速时动力学模型积分不稳定问题。通过在仿真中引入纵向坡度（斜率比0.1）及传感器噪声，验证算法在持续外力干扰下的表现。结果表明，传统方法因未估计偏差而产生显著误差，而本文方法可准确估计并补偿加速度偏差，显著提升状态估计精度。

Fig. 1 Overview of comparisons of estimation methods

Fig. 2 Longitudinal speed error and acceleration bias in longitudinal slope case

实车试验在干燥沥青路面开展，涵盖大曲率转向等典型工况。结果显示，所提方法较传统方案横向速度误差均值降低0.097 m/s，横摆角速度误差均值降低0.012 °/s。由于误差具有累积特性，系统精度随行驶时间延长持续提升。

Fig. 3 Real vehicle experiment verification platform

Fig. 4 Comparison of experimental trajectories in large curvature maneuver

Table 1．Mean and SD of errors in large curvature maneuver

测试平台数据显示，相比纯惯性导航，融合车辆模型的方法使位置估计RMSE降低50%以上；在多种驾驶工况下，本文算法均表现出更高定位精度。

Table 2．Comparison of RMSEs of trajectories in different maneuvers

作者团队简介

仲首任，吉林大学在读博士生，研究方向包括车辆状态估计、视觉惯性里程计、多传感器融合与深度学习，获多项国家发明专利。

赵阳，吉林大学汽车工程学院讲师，博士，主要研究方向为汽车电控与智能化，入选中国科协青年托举工程，获吉林省优秀博士论文奖及中国汽车工程学会优秀博士论文提名。

葛林鹤，湖北汽车工业学院讲师，博士，依托湖北省汽车动力传动与电子控制重点实验室开展自动驾驶运动控制研究，专注于数值优化控制与实时仿真。

单子桐，吉林大学在读博士生，曾赴新加坡南洋理工大学联合培养，研究方向为自动驾驶行为决策、运动规划与多平台联合仿真。

马芳武，国家特聘专家，世界汽车工程师联合会（FISITA）副主席，中国汽车工程学会会士，《Automotive Innovation》创刊荣誉执行主编，主持多项国家级科研项目，具备丰富的国际化研发与教育经验。

《Automotive Innovation》期刊介绍

《Automotive Innovation》是中国汽车行业首个英文科技期刊，由中国汽车工程学会主办，旨在推动中国汽车技术国际化交流。期刊与Springer Nature合作出版，已被EI、ESCI、Scopus收录，2022年影响因子达6.1，入选中科院工程技术一区。

期刊聚焦智能网联、新能源汽车与未来出行等前沿领域，由清华大学李骏院士、赵福全教授担任联合主编，吉林大学章新杰教授任执行副主编，汇聚全球15个国家和地区权威专家组成编委会。