CN116527515A - 基于轮询协议的远程状态估计方法 - Google Patents
基于轮询协议的远程状态估计方法 Download PDFInfo
- Publication number
- CN116527515A CN116527515A CN202310549315.0A CN202310549315A CN116527515A CN 116527515 A CN116527515 A CN 116527515A CN 202310549315 A CN202310549315 A CN 202310549315A CN 116527515 A CN116527515 A CN 116527515A
- Authority
- CN
- China
- Prior art keywords
- time
- matrix
- state estimation
- error
- remote state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 87
- 230000008569 process Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000014759 maintenance of location Effects 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
基于轮询协议的远程状态估计方法,它属于信息物理系统领域。本发明解决了现有远程状态估计方法的估计速度慢且估计误差大的问题。本发明方法具体为:步骤一、建立信息物理系统模型;步骤二、判断建立的信息物理系统模型是否为线性系统;若建立的信息物理系统模型为线性系统,则直接执行步骤三;否则建立的信息物理系统模型为非线性系统,则对建立的信息物理系统模型进行线性处理后,得到线性的信息物理系统模型,再执行步骤三;步骤三、设计远程状态估计器,并基于设计的远程状态估计器对信息物理系统模型进行远程状态估计;步骤四、将步骤三的远程状态估计结果传输给控制器,控制器做出决策。本发明方法可以应用于信息物理系统中远程状态估计。
Description
技术领域
本发明属于信息物理系统领域,具体涉及一种基于轮询协议的远程状态估计方法。
背景技术
在信息物理系统中,远程状态估计器是一个重要的组成部分。首先,诸多实际应用中常常需要系统的精确状态,而通过远程状态估计器可以得到系统的状态,例如在智能家居系统中,使用传感器对环境中的温度、湿度、污染指数等进行测量。另外,站在控制学科的角度,远程状态估计的好坏将直接影响系统的控制效果,例如在四旋翼飞行器控制中,需要得到系统实际的姿态信息之后再进行控制等操作。最后,远程状态估计也可以用于对系统进行故障诊断、攻击检测等,例如在电网领域,通过对状态进行估计能够迅速找到故障点,从而进行修复。
虽然现有的远程状态估计方法已经取得了一定的成就,但是现有远程状态估计方法的估计速度仍然较慢,且估计误差较大,因此,很多研究人员开始考虑设计一种最优或者次最优的状态估计方法估计真实的系统状态。
发明内容
本发明的目的是为解决现有远程状态估计方法的估计速度慢且估计误差大的问题,而提出的一种基于轮询协议的远程状态估计方法。
本发明为解决上述技术问题所采取的技术方案是:基于轮询协议的远程状态估计方法,所述方法具体包括以下步骤:
步骤一、建立信息物理系统模型
步骤二、判断步骤一中建立的信息物理系统模型是否为线性系统;
若步骤一中建立的信息物理系统模型为线性系统,则直接执行步骤三;
否则步骤一中建立的信息物理系统模型为非线性系统,则对建立的信息物理系统模型进行线性处理后,得到线性的信息物理系统模型,再执行步骤三;
步骤三、设计远程状态估计器,并基于设计的远程状态估计器对信息物理系统模型进行远程状态估计;
步骤四、将步骤三的远程状态估计结果传输给控制器,控制器做出决策。
本发明的有益效果是:
本发明提出了基于轮询协议的远程状态估计方法,将通信协议进行数学建模,并考虑到信息物理系统的结构,运用类黎卡提方程的方法完成了在该约束下开环和闭环两种远程状态估计器的设计;,采用本发明设计的估计器能够提高远程状态估计的速度并减小远程状态估计的误差,且在存在通信协议约束的情况下,仍然能够保证良好的性能。
实验结果表明,在数据保持策略下,本发明方法可以减少67%的传输数据量和计算量,大大提高了远程状态估计的速度。
附图说明
图1为本发明方法的流程图;
图2(a)为基于标准卡尔曼滤波算法的平面轨迹估计结果的示意图;
图2(b)为标准卡尔曼滤波算法状态估计结果的示意图;
图3(a)为闭环下基于ZIO策略的平面轨迹估计结果示意图;
图3(b)为闭环下基于ZIO策略的状态估计结果示意图;
图4(a)为闭环下基于ZOH策略的平面轨迹估计结果示意图;
图4(b)为闭环下基于ZOH策略的状态估计结果示意图;
图5(a)为开环下基于ZIO策略的平面轨迹估计结果示意图;
图5(b)为开环下基于ZIO策略的状态估计结果示意图;
图6(a)为开环下基于ZOH策略的平面轨迹估计结果示意图;
图6(b)为开环下基于ZOH策略的状态估计结果示意图;
图7为不同情况下均方误差(MSE)的对比图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。显然,所描述的实施方式仅仅是本发明的一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施方式,都属于本发明保护的范围。
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种基于轮询协议的远程状态估计方法,所述方法具体包括以下步骤:
步骤一、建立信息物理系统模型
步骤二、判断步骤一中建立的信息物理系统模型是否为线性系统;
若步骤一中建立的信息物理系统模型为线性系统,则直接执行步骤三;
否则步骤一中建立的信息物理系统模型为非线性系统,则对建立的信息物理系统模型进行线性处理后,得到线性的信息物理系统模型,再执行步骤三;
步骤三、设计远程状态估计器,并基于设计的远程状态估计器对信息物理系统模型进行远程状态估计;
步骤四、将步骤三的远程状态估计结果传输给控制器,控制器做出决策。
对于信息物理系统的层级结构,本发明在通信协议下将估计器设计分为开环和闭环两种情况进行分析,分别得到保证迭代方程有界且收敛的条件。
具体实施方式二:本实施方式是对具体实施方式一的进一步限定,所述对建立的信息物理系统模型进行线性处理是基于泰勒级数的线性化方法。
具体实施方式三:本实施方式是对具体实施方式二的进一步限定,所述对建立的信息物理系统模型进行线性处理,其具体过程为:
对于信息物理系统模型x是状态量,u是控制量,/>是x的导数,f(x,u)表示/>是关于x和u的函数,在任意参考点(xr,ur)进行泰勒展开,将泰勒展开结果仅保留一阶项后得到:
其中,f(xr,ur)代表参考点(xr,ur)处的函数值,xr是x的参考值,ur是u的参考值,是f(x,u)在参考点xr,ur处关于x的雅可比矩阵,/>是f(x,u)在参考点xr,ur处关于u的雅可比矩阵;
整理得到:
其中,是/>的导数,/>
令A(t)=J(x),B(t)=J(u),得到线性化处理后的信息物理系统模型:
对式(3)进行离散化处理:
其中,是/>在k+1时刻的值,/>是/>在k时刻的值,/>是/>在k时刻的值,/>是/>在k时刻的值,T代表采样时间;
整理得到离散化的线性信息物理系统模型:
其中,A是系统状态空间方程的系统矩阵,B是控制分布矩阵。
具体实施方式四:本实施方式是对具体实施方式一的进一步限定,所述远程状态估计器基于卡尔曼滤波器设计。
具体实施方式五:本实施方式是对具体实施方式四的进一步限定,所述步骤三的具体过程为:
当线性系统使用来自远程状态估计侧传输的信息时,设计如下的闭环结构远程状态估计器:
其中,是k时刻的一步先验预测,A是系统状态空间方程的系统矩阵,/>是k-1时刻轮询协议(Round-Robin Protocol,RRP)下的状态估计结果,/>是k时刻轮询协议(Round-Robin Protocol,RRP)下的状态估计结果,Kk是k时刻的滤波器增益,zk为k时刻的新息序列;
N为通道总数,yk-l是k-l时刻的测量输出,是k-l时刻的一步先验预测,l=0,1,…,N-1,Φs(k-l)=diag{δ(s(k-l)-1)I,..,δ(s(k-l)-N)I},δ(·)是单位冲激函数,s(k-l)-s′=mod(k-l+s′-2,N)+1,s′=1,2,…,N,mod(k-l+s′-2,N)代表k-l+s′-2除以N的余数,C是系统状态空间方程中的量测方程矩阵;
定义k时刻的一步预测误差为:/>通过计算得:
其中,xk是k时刻系统的状态,是k-1时刻的估计误差,wk-1是k-1时刻的高斯噪声,wk-1是均值为零且协方差Q大于0的高斯噪声;
定义k时刻的估计误差为:/>通过计算得:
其中,I是单位矩阵,Φs(k)=diag{δ(s(k)-1)I,..,δ(s(k)-N)I},δ(·)是单位冲激函数,s(k)代表取模函数,s(k)-s′=mod(k+s′-2,N)+1,s′=1,2,…,N,mod(k+s′-2,N)代表k+s′-2除以N的余数,C是系统状态空间方程中的量测方程矩阵,n是xk的维数,是k-l时刻的一步预测误差,vk-l是k-l时刻的高斯噪声,vk-l是均值为零且协方差R大于0的高斯噪声,wk-1和vk-l相互独立;
根据一步预测误差和估计误差计算k时刻的一步预测误差协方差矩阵Pk -和k时刻的滤波误差协方差矩阵Pk:
其中,Pk-1是k-1时刻的滤波误差协方差矩阵,Q是系统的过程噪声误差协方差矩阵,R是系统的测量噪声误差协方差矩阵,上角标T代表转置,代表期望;
再求解滤波误差协方差矩阵存在上界约束时的滤波器增益Kk。
如果在状态估计之前进行了系统模型的线性化,那么本实施方式估计出的为需要利用/>得出系统的状态x,如果系统模型直接就是线性的,不需要经过线性化处理,那么本实施方式估计出的/>直接就是系统的状态x。
具体实施方式六:本实施方式是对具体实施方式五的进一步限定,所述求解滤波误差协方差存在上界约束时的滤波器增益Kk,其具体过程为:
步骤1、给定初始时刻下的初始正定矩阵为Σ0,0>0,令第k时刻的初始正定矩阵Σk,0为第k-1时刻最后一次迭代获得的正定矩阵I0是设置的最大迭代次数,并令迭代次数i=1;
步骤2、假设存在一个正定的矩阵Σk,i满足式(8)和式(9)的离散类黎卡提微分方程:
其中,ε1,εl,m和εm,l均为放缩参数,为中间变量矩阵,/>是k-l时刻的一步预测误差协方差矩阵,矩阵Σk,i是第i次迭代时滤波误差协方差矩阵Pk的上界,即Pk≤Σk,i;
步骤3、求解出使滤波误差协方差矩阵的上界Σk,i最小的滤波器增益Kk,i:
其中,上角标-1代表取矩阵的逆,Kk,i代表第i次迭代计算出的k时刻的滤波器增益;
步骤4、判断i是否小于最大迭代次数I0,若i<I0,则令i=i+1,并返回步骤2;否则i=I0,则将最后一次迭代计算出的滤波器增益代入公式(6)(即式中的Kk)得到k时刻的远程状态估计结果。
具体实施方式七:本实施方式是对具体实施方式四的进一步限定,所述步骤三的具体过程为:
当线性系统使用来自传感器侧的传输信息时,设计如下的开环结构远程状态估计器:
其中,是k时刻的一步先验预测,/>是k-1时刻轮询协议下的状态估计结果,A是系统状态空间方程的系统矩阵,/>是k时刻轮询协议的状态估计结果,Kk是k时刻的滤波器增益,I是单位矩阵,/>等价为新息序列,C是系统状态空间方程中的量测方程矩阵;
N为通道总数,yk-l是k-l时刻的测量输出,Φs(k-l)=diag{δ(s(k-l)-1)I,..,δ(s(k-l)-N)I},s(k-l)-s′=mod(k-l+s′-2,N)+1,s′=1,2,…,N,mod(k-l+s′-2,N)代表k-l+s′-2除以N的余数,δ(·)是单位冲激函数;
定义k时刻的一步预测误差为:/>通过计算得到:
其中,xk是k时刻系统的状态,是k-1时刻的估计误差,wk-1是k-1时刻的高斯噪声,wk-1是均值为零且协方差Q大于0的高斯噪声;
定义k时刻的估计误差为:/>通过计算得:
其中,Φs(k)=diag{δ(s(k)-1)I,..,δ(s(k)-N)I},δ(·)是单位冲激函数,s(k)代表取模函数,s(k)-s′=mod(k+s′-2,N)+1,s′=1,2,…,N,mod(k+s′-2,N)代表k+s′-2除以N的余数,xk-l是k-l时刻系统的状态,vk是k时刻的高斯噪声,vk是均值为零且协方差R大于0的高斯噪声;
根据一步预测误差和估计误差计算k时刻的一步预测误差协方差矩阵Pk -和k时刻的滤波误差协方差矩阵Pk:
Pk -=APk-1AT+Q (20)
其中:Pk-1是k-1时刻的滤波误差协方差矩阵,Q是系统的过程噪声误差协方差矩阵,R是系统的测量噪声误差协方差矩阵,代表期望;
再求解滤波误差协方差矩阵存在上界约束时的滤波器增益Kk。
如果在状态估计之前进行了系统模型的线性化,那么本实施方式估计出的为需要利用/>得出系统的状态x,如果系统模型直接就是线性的,不需要经过线性化处理,那么本实施方式估计出的/>直接就是系统的状态x。
具体实施方式八:本实施方式是对具体实施方式七的进一步限定,所述求解滤波误差协方差存在上界约束时的滤波器增益Kk,其具体过程为:
步骤1、给定初始时刻下的初始正定矩阵为Σ0,0>0,令第k时刻的初始正定矩阵Σk,0为第k-1时刻最后一次迭代获得的正定矩阵I0是设置的最大迭代次数,并令迭代次数i=1;
步骤2、假设存在一个正定的矩阵Σk,i满足式(8)和式(9)的离散类黎卡提微分方程:
其中,ε1、ε2、ε3、εl,m、εm,l和μ1均为放缩参数,为中间变量矩阵,/>是k-l时刻轮询协议下的状态估计结果,矩阵Σk,i是第i次迭代时滤波误差协方差矩阵Pk的上界,即Pk≤Σk,i,矩阵Σk,i-l是第i-l次迭代时滤波误差协方差矩阵Pk的上界,即Pk≤Σk,i-l;
步骤3、求解出使滤波误差协方差矩阵的上界Σk,i最小的滤波器增益Kk,i:
其中,上角标-1代表取矩阵的逆,Kk,i代表第i次迭代计算出的k时刻的滤波器增益;
步骤4、判断i是否小于最大迭代次数I0,若i<I0,则令i=i+1,并返回步骤2;否则i=I0,则将最后一次迭代计算出的滤波器增益代入公式(17)(即式中的Kk)得到k时刻的远程状态估计结果。
具体实施方式九:本实施方式是对具体实施方式八的进一步限定,所述为:
其中,yk-l是k-1时刻的测量输出。
本发明的技术背景为:
(1)系统模型
以下线性离散时间定常系统常被用来描述CPS系统的动态特性:
xk+1=Axk+wk
yk=Cxk+vk
其中xk∈Rm和yk∈Rl分别是系统的状态和测量输出,wk∈Rm和vk∈Rl分别是均值为零并且协方差Q>0、R>0的高斯噪声,wk和vk相互独立。初始状态x0服从均值为零协方差Σ0>0的高斯分布,并且在所有k≥0的情况下与wk和vk无关。
(2)轮询协议
根据适用于信息物理系统的基于轮询协议(Round-Robin Protocol,RRP)的远程状态估计器架构。值得注意的是,在本发明中,传感器测量的次数可以是一次或多次。为了避免数据冲突,采用RRP算法对传感器数据的传输顺序进行调度,在每个时刻只有一个传感器可以访问共享通信信道。然后通过可靠的无线信道将传感器的测量值传输到远程接收机,在此基础上实时地估计系统状态。
为了防止大型无线传感器网络中的数据冲突、减轻通信负担,引入RRP规则来调整数据从传感器网络到远程状态估计器的传输顺序是一种常用的方法。一般来说,对于没有传输权限的节点,采用两种数据处理策略:即数据保持策略和零输入策略。采用零输入策略RRP下的远程状态估计器可以很容易地设计,并且已经有学者给出了一些相应的结果,因此研究重点应放在数据保持策略RRP下估计器的设计。本发明将从这数据保持策略出发对状态估计问题进行全面的分析。
这里给出RRP数据传输网络的数学描述。定义那么传输后的测量信号表示为/>那么输出/>在零输入策略下的表达式为:
其中Φs(k)=diag{δ(s(k)-1)I,..,δ(s(k)-N)I},并且s(k)=mod(k+s-2,N)+1,这就相当于在每个采样时刻,只有一个通道的数据可以通过无线网络进行传输,从估计器侧来看,其它通道的数据为零;在数据保持策略下输出的表达式为:
其中每个传感器测量数据的更新规则如下:
这相当于在每个采样时刻,也是只有一个通道的数据可以通过无线网络进行传输,但是从估计器侧来看,其它通道的数据保持为上一次传输的数据。
(3)卡尔曼滤波器原理
卡尔曼滤波(Kalman Filtering,KF)是一种在最小均方误差意义上的最优线性滤波估计方法,被广泛用于根据系统输入输出信息估计系统状态中,由于其出色的性能,在控制等领域获得了广泛应用。卡尔曼滤波有两个显著特点:1、它采用状态空间方程来描述系统;2、它采用递归方式的数据处理方法。
考虑如式所示线性离散时间定常系统,它包含状态方程和输出方程两部分,那么其卡尔曼滤波可以分成以下两个过程:
1、预测过程
2、更新过程
实施例
本发明可适用于信息物理系统远程状态估计的应用,比如无人驾驶车辆或其它无人平台在运行时,需要在远端的计算机等控制器实时获得系统的状态,远程状态估计器的状态可以用于后续控制决策的制定。其具体步骤如下:
第一步:给无人驾驶车辆系统建模,了解无人系统的组成和运作原理。
以无人驾驶车辆系统的轨迹跟踪为背景,X-Y坐标系是世界坐标系,分别代表车辆后轴中心在X-Y坐标系下横,纵方向的速度,vr是车辆后轴中心沿车身纵向的车速;
根据坐标变换原理有:
其中,是车辆横摆角,前、后轴的运动学约束为:
其中,δf是前轮转向角,由式(30)和式(31)可得:
由车辆前后轮的几何关系,得到车辆绕运动中心P的横摆角速度ω:
其中,l是车辆前后轴的轴距,由车辆运动的几何关系可以得到车辆的前轮转向角:
δf=arctan(l/R) (34)
其中,R代表曲率半径;
由式(32)、式(33)和式(34)可以得到车辆运动学模型为:
其中,是/>的一阶导数;
将式(35)的运动学模型进一步表示为:
其中,x是状态量,u是控制量,u=[vr,δf]T。
第二步:非线性系统的线性化,若给定系统是线性系统/>则进入第三步。若给定的系统/>是非线性系统,则采用基于泰勒级数的线性化方法:将非线性函数在某一工作点附近进行泰勒级数展开,并保留一阶或高阶项,然后将模型线性化。
可以看出,式(36)的系统模型是非线性的,因此进行线性化处理:
由于已经得到期望轨迹的方程,将期望轨迹的期望值视作车辆参考模型的状态量和控制量ur=[vref,δref],其中,xr是期望状态量,ur是期望控制量,xref是车辆后轴中心在X-Y坐标系下横坐标方向的期望速度,yref是车辆后轴中心在X-Y坐标系下纵坐标方向的期望速度,/>是车辆横摆角的期望值,vref是车辆后轴中心沿车身纵向车速的期望值,δref是前轮转向角的期望值;
可以采用存在参考系统的线性化方法进行线性化处理。处理方法如下:
对于模型在任意参考点(xr,ur)进行泰勒展开,只保留一阶项,得到:
整理得到:
其中,J(x)是f(x,u)在参考点xr,ur处关于x的雅可比矩阵,J(u)是f(x,u)在参考点xr,ur处关于u的雅可比矩阵。令A(t)=J(x),B(t)=J(u),得到线性化处理后的信息物理系统模型:
对式(39)进行离散化处理:
整理得到:
其中:
第三步:根据系统结构选择是开环抑或是闭环结构。如果智能传感器使用来自远程估计器侧传输的信息,那么它将传输新息序列,这样就选择闭环结构的远程状态估计算法;相反,如果没有使用来自远程状态估计侧的传输信息,那么它将传输传感器测量值,这样就选择开环结构的远程状态估计算法。
第四步:根据第三步所选择的结构,分别在智能传感器侧或远程估计器侧完成对应的数据采集、传输和处理,得到更加准确的系统状态。
第五步:将状态估计结果传输给控制器,做出相应的决策。
Kalman状态估计结果
在给出结果之前,这里设置状态估计的初始条件如下:状态估计的先验初始值为相应的误差协方差矩阵初始值P0为3×3的单位矩阵。首先给出如图2(a)和图2(b)所示的Kalman状态估计结果下控制系统的跟踪情况以及Kalman状态估计结果。
从图2(a)中可以看到,对于圆心位于原点、半径为10米的期望轨迹,小车从初始位置[5,5]出发,即使存在一定的过程噪声,无人驾驶车辆仍能在较短时间内跟上期望轨迹,且能够保持较小的跟踪误差。对于状态估计,以Kalman估计的结果作为基准,这里不考虑无线网络中的RRP通信协议,基于标准卡尔曼滤波算法的估计结果如图2(b)所示,状态估计初始值为[0,0],上述仿真结果表明,卡尔曼滤波可以有效地在估计器侧估计无人驾驶车辆的状态,估计速度较快且估计误差不大。
闭环状态估计结果
随后,对考虑通信协议下的四种估计算法进行了仿真,根据闭环下基于零输入策略下无放缩参数,闭环下基于数据保持策略下的放缩参数取为ε1=0.15。基于零输入策略的RRP下闭环情况的估计结果如图3(a)和图3(b)所示,图4(a)和图4(b)为基于数据保持策略的RRP下闭环情况的估计结果,可见在闭环结构下,两种传输策略下的状态估计都能有效地估计原系统的状态。
开环状态估计结果
开环下基于零输入策略下的放缩参数取为μ1=0.15,开环下基于数据保持策略下的放缩参数取为ε1=0.25,ε1=0.3,ε1=0.3,μ1=0.5。图5(a)、图5(b)以及图6(a)、图6(b)分别给出了基于零输入和数据保持策略的RRP下开环情况的估计,可见在开环结构下,零输入传输策略下的状态估计只能保证有界,收敛速度慢且估计结果准确性差,而数据保持策略下的状态估计则能够有效地估计原系统的状态。
总的来说,本发明所提出的估计算法在闭环结构下零输入策略要优于数据保持策略,而在开环情况下数据保持策略则优于零输入策略,造成这种情况的主要原因在于开环结构下,数据保持策略能够充分利用传感器的测量数据,因此它的状态估计效果要比零输入策略好;而在闭环结构下,因为数据保持策略保留之前传感器计算得到的新息序列,这些新息因为策略的缘故得以保留,它会对目前正在进行的估计结果造成一定的干扰,因此其估计效果反而不好。五种状态估计过程中均方误差的变化如图7所示,图中曲线的变化能进一步印证上述分析。
为了进一步说明RRP的有效性和优势,表1中给出了不同估计算法在整个仿真时域内的平均均方误差与状态估计算法所需要使用的传感器数据量的关系,其中数据量为整个估计过程中所传输的数据个数,性能为整个时间段内均方误差的平均值。从表中结果可以看到,采用RRP通信协议的状态估计算法可以在减少传输数据量的情况下,仍取得可以与卡尔曼滤波算法相媲美的性能,有效地节省了有限传感器资源的能量和计算量,减少无线网络的通信负担。
表1五种算法性能对比
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.基于轮询协议的远程状态估计方法,其特征在于,所述方法具体包括以下步骤:
步骤一、建立信息物理系统模型;
步骤二、判断步骤一中建立的信息物理系统模型是否为线性系统;
若步骤一中建立的信息物理系统模型为线性系统,则直接执行步骤三;
否则步骤一中建立的信息物理系统模型为非线性系统,则对建立的信息物理系统模型进行线性处理后,得到线性的信息物理系统模型,再执行步骤三;
步骤三、设计远程状态估计器,并基于设计的远程状态估计器对信息物理系统模型进行远程状态估计;
步骤四、将步骤三的远程状态估计结果传输给控制器,控制器做出决策。
2.根据权利要求1所述的基于轮询协议的远程状态估计方法,其特征在于,所述对建立的信息物理系统模型进行线性处理是基于泰勒级数的线性化方法。
3.根据权利要求1所述的基于轮询协议的远程状态估计方法,其特征在于,所述远程状态估计器基于卡尔曼滤波器设计。
4.根据权利要求3所述的基于轮询协议的远程状态估计方法,其特征在于,所述步骤三的具体过程为:
当线性系统使用来自远程状态估计侧传输的信息时,设计如下的闭环结构远程状态估计器:
其中,是k时刻的一步先验预测,A是系统状态空间方程的系统矩阵,/>是k-1时刻轮询协议下的状态估计结果,/>是k时刻轮询协议下的状态估计结果,Kk是k时刻的滤波器增益,zk为k时刻的新息序列;
定义k时刻的一步预测误差为:/>通过计算得:
其中,xk是k时刻系统的状态,是k-1时刻的估计误差,wk-1是k-1时刻的高斯噪声;
定义k时刻的估计误差为:/>通过计算得:
其中,I是单位矩阵,Φs(k)=diag{δ(s(k)-1)I,..,δ(s(k)-N)I},δ(·)是单位冲激函数,s(k)代表取模函数,s(k)-s′=mod(k+s′-2,N)+1,s′=1,2,…,N,mod(k+s′-2,N)代表k+s′-2除以N的余数,C是系统状态空间方程中的量测方程矩阵,n是xk的维数,是k-l时刻的一步预测误差,vk-l是k-l时刻的高斯噪声;
根据一步预测误差和估计误差计算k时刻的一步预测误差协方差矩阵和k时刻的滤波误差协方差矩阵Pk:
Pk -=APk-1AT+Q (9)
其中,Pk-1是k-1时刻的滤波误差协方差矩阵,Q是系统的过程噪声误差协方差矩阵,R是系统的测量噪声误差协方差矩阵,上角标T代表转置,代表期望;
再求解滤波误差协方差矩阵存在上界约束时的滤波器增益Kk。
5.根据权利要求4所述的基于轮询协议的远程状态估计方法,其特征在于,所述求解滤波误差协方差存在上界约束时的滤波器增益Kk,其具体过程为:
步骤1、给定初始时刻下的初始正定矩阵为Σ0,0>0,令第k时刻的初始正定矩阵Σk,0为第k-1时刻最后一次迭代获得的正定矩阵Σk-1,I0,I0是设置的最大迭代次数,并令迭代次数i=1;
步骤2、存在一个正定的矩阵Σk,i满足式(8)和式(9)的离散类黎卡提微分方程:
其中,ε1,εl,m和εm,l均为放缩参数,为中间变量矩阵,/>是k-l时刻的一步预测误差协方差矩阵,矩阵Σk,i是第i次迭代时滤波误差协方差矩阵Pk的上界,即Pk≤Σk,i;
步骤3、求解出使滤波误差协方差矩阵的上界Σk,i最小的滤波器增益Kk,i:
其中,上角标-1代表取矩阵的逆,Kk,i代表第i次迭代计算出的k时刻的滤波器增益;
步骤4、判断i是否小于最大迭代次数I0,若i<I0,则令i=i+1,并返回步骤2;否则i=I0,则将最后一次迭代计算出的滤波器增益代入公式(6)得到k时刻的远程状态估计结果。
6.根据权利要求3所述的基于轮询协议的远程状态估计方法,其特征在于,所述步骤三的具体过程为:
当线性系统使用来自传感器侧的传输信息时,设计如下的开环结构远程状态估计器:
其中,是k时刻的一步先验预测,/>是k-1时刻轮询协议下的状态估计结果,A是系统状态空间方程的系统矩阵,/>是k时刻轮询协议的状态估计结果,Kk是k时刻的滤波器增益,I是单位矩阵,/>等价为新息序列,C是系统状态空间方程中的量测方程矩阵;
定义k时刻的一步预测误差为:/>通过计算得到:
其中,xk是k时刻系统的状态,是k-1时刻的估计误差,wk-1是k-1时刻的高斯噪声;
定义k时刻的估计误差为:/>通过计算得:
其中,Φs(k)=diag{δ(s(k)-1)I,..,δ(s(k)-N)I},δ(·)是单位冲激函数,s(k)代表取模函数,s(k)-s′=mod(k+s′-2,N)+1,s′=1,2,…,N,mod(k+s′-2,N)代表k+s′-2除以N的余数,xk-l是k-l时刻系统的状态,vk是k时刻的高斯噪声;
根据一步预测误差和估计误差计算k时刻的一步预测误差协方差矩阵Pk -和k时刻的滤波误差协方差矩阵Pk:
其中:Pk-1是k-1时刻的滤波误差协方差矩阵,Q是系统的过程噪声误差协方差矩阵,R是系统的测量噪声误差协方差矩阵,代表期望;
再求解滤波误差协方差矩阵存在上界约束时的滤波器增益Kk。
7.根据权利要求6所述的基于轮询协议的远程状态估计方法,其特征在于,所述求解滤波误差协方差存在上界约束时的滤波器增益Kk,其具体过程为:
步骤1、给定初始时刻下的初始正定矩阵为Σ0,0>0,令第k时刻的初始正定矩阵Σk,0为第k-1时刻最后一次迭代获得的正定矩阵I0是设置的最大迭代次数,并令迭代次数i=1;
步骤2、存在一个正定的矩阵Σk,i满足式(8)和式(9)的离散类黎卡提微分方程:
其中,ε1、ε2、ε3、εl,m、εm,l和μ1均为放缩参数,为中间变量矩阵,/>是k-l时刻轮询协议下的状态估计结果,矩阵Σk,i是第i次迭代时滤波误差协方差矩阵Pk的上界,即Pk≤Σk,i,矩阵Σk,i-l是第i-l次迭代时滤波误差协方差矩阵Pk的上界,即Pk≤Σk,i-l;
步骤3、求解出使滤波误差协方差矩阵的上界Σk,i最小的滤波器增益Kk,i:
其中,上角标-1代表取矩阵的逆,Kk,i代表第i次迭代计算出的k时刻的滤波器增益;
步骤4、判断i是否小于最大迭代次数I0,若i<I0,则令i=i+1,并返回步骤2;否则i=I0,则将最后一次迭代计算出的滤波器增益代入公式(17)得到k时刻的远程状态估计结果。
8.根据权利要求7所述的基于轮询协议的远程状态估计方法,其特征在于,所述为:
其中,yk-l是k-1时刻的测量输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549315.0A CN116527515A (zh) | 2023-05-16 | 2023-05-16 | 基于轮询协议的远程状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549315.0A CN116527515A (zh) | 2023-05-16 | 2023-05-16 | 基于轮询协议的远程状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116527515A true CN116527515A (zh) | 2023-08-01 |
Family
ID=87400979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310549315.0A Pending CN116527515A (zh) | 2023-05-16 | 2023-05-16 | 基于轮询协议的远程状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116527515A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057159A (zh) * | 2023-09-11 | 2023-11-14 | 哈尔滨理工大学 | 一种周期调度协议下基于三轮车运动模型的状态估计方法 |
-
2023
- 2023-05-16 CN CN202310549315.0A patent/CN116527515A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057159A (zh) * | 2023-09-11 | 2023-11-14 | 哈尔滨理工大学 | 一种周期调度协议下基于三轮车运动模型的状态估计方法 |
CN117057159B (zh) * | 2023-09-11 | 2024-03-01 | 哈尔滨理工大学 | 一种周期调度协议下基于三轮车运动模型的状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN110597061B (zh) | 一种多智能体完全分布式自抗扰时变编队控制方法 | |
CN108304612B (zh) | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 | |
CN110647042B (zh) | 一种基于数据驱动的机器人鲁棒学习预测控制方法 | |
CN104950677B (zh) | 基于反演滑模控制的机械臂系统饱和补偿控制方法 | |
CN111948937B (zh) | 多智能体系统的多梯度递归强化学习模糊控制方法及系统 | |
Pan et al. | Fault-tolerant multiplayer tracking control for autonomous vehicle via model-free adaptive dynamic programming | |
CN114967475B (zh) | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 | |
CN112148036B (zh) | 网络化机器人系统的固定时间估计器的双边跟踪控制方法 | |
CN116527515A (zh) | 基于轮询协议的远程状态估计方法 | |
CN114047722A (zh) | 基于mpc的自适应位姿修正的路径跟踪控制方法 | |
CN111291471A (zh) | 一种基于l1正则无迹变换的约束多模型滤波方法 | |
CN113485110A (zh) | 一种输出受限非线性系统分布式自适应最优协同控制方法 | |
CN116088303A (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
CN117055409A (zh) | 具有事件触发的多智能体系统预设性能一致性控制方法 | |
CN116560223A (zh) | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 | |
WO2024169527A1 (zh) | 一种基于分数阶滑模以及卡尔曼滤波的列车速度控制方法 | |
Xing et al. | Recurrent neural network non‐singular terminal sliding mode control for path following of autonomous ground vehicles with parametric uncertainties | |
CN110968961A (zh) | 一种连续回转电液伺服马达参数辨识方法 | |
CN110488854A (zh) | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 | |
CN111176117B (zh) | 一种无人直升机的模糊自适应弹性控制方法 | |
CN117506896A (zh) | 一种嵌入直流电机单连杆机械臂控制方法 | |
CN115933647A (zh) | 基于复合控制算法的omr轨迹跟踪控制方法及存储介质 | |
CN113670315B (zh) | 一种基于变分迭代卡尔曼滤波的李群重尾干扰噪声动态飞行器姿态估计方法 | |
CN113219840B (zh) | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |