Vehicle dynamics estimation using Box Particle Filter

Dandach, Hoda; Abdallah, Fahed; Miras, Jérôme de; Charara, Ali

doi:10.1109/icarcv.2012.6485144

Cited by 4 publications

(5 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Як наслідок, іншим напрямком дослідження є модернізація методу для зменшення обчислювальних затрат із забезпеченням при цьому бажаної точності спостереження. У статті [6] пропонується використовувати PF на основі інтервальної арифметики для оцінювання стану транспортного засобу. Такий підхід спрощує алгоритм, оскільки значно простіше апроксимувати густину розподілу ймовірностей інтервалами, ніж великою кількістю зважених частинок.…”

Section: аналіз останніх досліджень і публікаційunclassified

See 1 more Smart Citation

Застосування Нечіткого Фільтра Частинок Для Спостереження Станів Динамічної Системи В Режимі Реального Часу

Borovets¹

2020

SEPES

View full text Add to dashboard Cite

Однією із ключових проблем реалізації замкнених систем керування є вимірювання усіх станів динамічної системи, яка перебуває у складних навколишніх умовах, де застосування певних видів датчиків є технічно неможливим чи економічно необґрунтованим. Також, у електромеханічних системах існує низка величин, які неможливо безпосередньо виміряти фізичними датчиками. У таких випадках для обчислення невідомих координат вектора стану динамічної системи використовують математичні алгоритми-спостерігачі та естиматори. Одним із найпоширеніших серед алгоритмів спостереження, які використовуються у електромеханічних системах, є фільтр частинок, який дає змогу визначати координати вектора стану нелінійної системи за негауссовим законом розподілу станів та вимірювань. Також, практична цінність алгоритму зумовлена високою нечутливістю до шуму сенсорів та збіжністю при великих початкових відхиленнях оцінених значень станів від реальних величин. Проте, реалізація алгоритму потребує значних обчислювальних витрат, які зумовлені обчисленням великої кількості точок станів, у яких може перебувати динамічна системи. Із метою зменшення обчислювальної складності у статті запропоновано модифікацію фільтра частинок для спостереження координат вектора станів динамічної системи електроприводу колеса електромобіля. Модифікований алгоритм фільтра частинок здійснює перемикання кількості точок під час оцінювання величин координат вектора стану із використанням нечіткої логіки із лише одним нечітким входом, що дає змогу уникнути великої бази правил. Адекватність нечіткого фільтра частинок доведена математичним моделюванням динаміки системи електроприводу колеса електромобіля під час його руху на різних поверхнях. Запропонований алгоритм показав аналогічну точність і менші обчислювальні затрати порівняно із класичним алгоритмом спостереження. Також результати моделювання засвідчили, що модифікований спостерігач незначно впливає на динаміку та статику замкненої системи керування із регулятором за повним вектором стану, на вхід якого подаються координати системи, визначені нечітким фільтром частинок.

show abstract

Section: аналіз останніх досліджень і публікаційunclassified

“…6, криві 2 і 3 майже збігаються і якісно відтворюють бажану криву 1 із незначною статичною похибкою, максимальне значення якої становить 5,8 % для системи із PF та 6,1 % -з Fuzzy-PF. 6…”

unclassified

Застосування Нечіткого Фільтра Частинок Для Спостереження Станів Динамічної Системи В Режимі Реального Часу

Borovets¹

2020

SEPES

View full text Add to dashboard Cite

show abstract

“…[x] ⋄ [y] returns the smallest interval containing the result as illustrated in (8): 3]. Similarly, we extend other elementary functions such as exp, sin, cos, tan, sqr, · · · to intervals.…”

Section: B Stability Domainmentioning

confidence: 99%

“…It does not assume a unimodal Gaussian state and measurement distributions as in Kalman filters. In [3], the box particle filter approach (BPF) combining the Bayesian framework with interval methods succeeds in estimating the roll angle, the lateral acceleration, and the lateral load transfer of the vehicle. BPF gives a guaranteed estimation of the state vector.…”

Section: Introductionmentioning

confidence: 99%

Approximation of the vehicle stability domain using interval analysis

Dandach¹,

Miras²,

Charara³

2013

16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013)

Self Cite

View full text Add to dashboard Cite

This paper proposes a new approach to compute and predefine a state space where the vehicle is stable, using interval analysis. We call this state space the vehicle stability domain. The vehicle state p is composed of the longitudinal and lateral accelerations at the center of gravity. The vehicle stability is described using risk indicators as the rollover index LT R of the vehicle, the longitudinal slip ratio, and the side slip angle of each wheel. These three elements form the vector y. We compute the set of accelerations that correspond to acceptable values of y. We use interval analysis to give inner and outer approximations of this set with a maximal guaranteed accuracy. In order to illustrate the principle and efficiency of the approach, a validation with simulated data is provided.

show abstract

“…In many application areas such as mobile robot navigation or target tracking [1], estimating the state of a dynamical system using noisy sensor measurement is a common problem. A critical issue when designing such system is the representation of uncertainties that pervade both sensor measurements and the state space model itself.…”

Section: Introductionmentioning

confidence: 99%

Applied Technology in an Adaptive Particle Filter Based on Interval Estimation and KLD-Resampling

Zhang

Shen

2014

AMR

View full text Add to dashboard Cite

Particle filter as a sequential Monte Carlo method is widely applied in stochastic sampling for state estimation in a recursive Bayesian filtering framework. The efficiency and accuracy of the particle filter depends on the number of particles and the relocating method. The automatic selection of sample size for a given task is therefore essential for reducing unnecessary computation and for optimal performance, especially when the posterior distribution greatly varies overtime. This paper presents an adaptive resampling method (IE_KLD_PF) based on interval estimation, and after interval estimating the expectation of the system states, the new algorithm adopts Kullback-Leibler distance (KLD) to determine the number of particles to resample from the interval and update the filter results by current observation information. Simulations are performed to show that the proposed filter can reduce the average number of samples significantly compared to the fixed sample size particle filter.

show abstract

Vehicle dynamics estimation using Box Particle Filter

Cited by 4 publications

References 10 publications

Застосування Нечіткого Фільтра Частинок Для Спостереження Станів Динамічної Системи В Режимі Реального Часу

Застосування Нечіткого Фільтра Частинок Для Спостереження Станів Динамічної Системи В Режимі Реального Часу

Approximation of the vehicle stability domain using interval analysis

Applied Technology in an Adaptive Particle Filter Based on Interval Estimation and KLD-Resampling

Contact Info

Product

Resources

About