孙坚添，叶贻财，郭聪聪

（212013江苏省 镇江市 江苏大学 汽车与交通工程学院）

0 引言

汽车高级辅助驾驶系统和主动安全系统性能的充分发挥需要依赖准确的车辆运动状态信息[1]。由于汽车生产成本与安装条件的制约[2]，状态估计（又称信息软测量）方法利用低成本传感器间接获取系统需要的关键信息，成为获取车辆运动状态信息的一种有效途径。目前，卡尔曼滤波器是广泛使用的软测量算法，但当量测噪声统计特性发生变化时，该算法估计性能会降低甚至出现滤波发散的情况。针对这个问题，研究人员提出了不同种类的自适应卡尔曼滤波（Adaptive Kalman Filter,AKF）算法。李刚[3]等人利用基于最大后验准则的Sage-Husa-AKF算法递归地估计噪声统计特性。然而，该算法不能保证右向噪声协方差矩阵的收敛性，有可能导致结果发散[4]；多模型AKF（The Multiple Model AKF，MMAKF）是贝叶斯方法的一种近似，它并行操作一组具有不同数学模型的卡尔曼滤波器来处理模型的不确定性问题[5]，但其计算复杂性较大；有学者则提出了一种自适应无迹卡尔曼滤波器（Adaptive Unscented Kalman Filter，AUKF）用于处理过程噪声协方差与量测噪声协方差的关系[6]。近年来，为了减少传感器时变噪声协方差对估计结果的影响，一类基于变分贝叶斯（Variational Bayesian，VB）理论的算法[7]因其良好的鲁棒性和较高的精度受到科研人员的关注。

本文基于双轨车辆模型，通过变分贝叶斯自适应容积卡尔曼滤波（Variational Bayesian-based Adaptive Cubature Kalman Filter，VBACKF）算法对车辆运动状态进行估计。CarSim与MATLAB/Simulink联合仿真平台的实验结果表明：在时变量测噪声协方差条件下，VBACKF算法能够适应时变噪声协方差且具有较高的估计精度。……