狀態估計的案例
電動車國標再修訂，談談機器學習如何提高電池安全性
電池管理系統（Battery Management System，BMS）俗稱電池管家，核心功能除了開篇提到的電池物理參數實時監測、充放電管理和熱管理，還包括電池狀態估計。
從內因加外因，采用限制加預防的方式，防止電池老化失控，尤其是熱失控。
目前偏高端的鋰電自行車才會安裝BMS，低端電動車普遍使用電池保護板。
保護板具有檢測單體電芯、放過充的基本功能，但它和BMS之間依然類似功能機和智能機的差距。
相比電動自行車，電動汽車的動力電池容量更大，電壓電流更高。串并聯的電芯數量也更多，每個電芯的狀態都會影響整體狀態。
因此，電動汽車配置的BMS功能也更加完善，技術難度更高。尤其是電池包的狀態估計，可謂難上加難。
很多人擔心的電池老化，即“不存電”，就是電池需估計的狀態參數之一。
鋰電池充放電過程并非純可逆過程，其電極材料在每次充放電過程中都會受到不可逆的損傷 ，電池有效容量出現衰退。
按照新能源汽車國家標準，電池容量衰減至額定容量的80%以下時就將面臨退役。
電池健康狀態（State of Health，SOH）是衡量電池是否老化的重要指標，其定義為電池當前實際容量與額定容量的比值。
除了電池老化，每位電車司機都會時刻關注汽車的剩余電量，沒電了及時充電，否則會焦慮，腦門冒汗。那么如何知道電池當前的剩余電量？
此時就要看電池荷電狀態（State of Charge，SOC），它指的是一定溫度下，電池剩余電量與標稱電量之比，即我們關心的剩余電量百分比。
SOH和SOC之所以需要“估計”或者說“預測”，是因為它們無法像溫度那樣用傳感器測量得到。
并且，鋰離子電池是一種高度非線性時變的電化學系統，其內部狀態受到溫度、倍率、外力和時間等因素的耦合影響。
展開 FAST-LIO2: 快速直接的激光雷達-慣性里程計
此外，通過在處進行的一階近似來近似測量方程(5)，得到：
其中，是相對于的雅可比矩陣,在零處計算，是由于原始測量噪聲引起的，而被稱為殘差：
3）迭代更新：來自第IV-B1節的傳播狀態和協方差對未知狀態xk施加先驗高斯分布。更具體地說，表示以下誤差狀態的協方差：
其中是相對于評估為零的的偏微分，在零處計算：
其中在[22,25]中被定義，和分別是IMU姿態狀態和旋轉外參的誤差。對于第一次迭代，，
除了先驗分布，我們還有一個由測量方程（8）引起的狀態分布：
將 (10) 中的先驗分布與 (12) 中的測量模型相結合，得到由等價表示的狀態xk的后驗分布，并且的最大后驗估計為：
其中。這個MAP問題可以通過迭代卡爾曼濾波器解決，如下所示（為了簡化符號，讓，P=，）：
請注意，卡爾曼增益K計算需要反轉狀態維度的矩陣，而不是以前工作中使用的測量維度。
重復上述過程直到收斂（即）。收斂后，最優狀態和協方差估計為:
隨著狀態更新，第k次掃描中的每個激光雷達點()通過以下方式轉換為全局坐標系：
轉換后的激光雷達點{}被插入到由ikd-Tree表示的地圖中（參見第V章）。我們的狀態估計總結在算法1中，如下。
展開 鋰離子動力電池壽命預測的研究進展
內部因素
：
鋰離子電池在使用過程中，其內部會發生一系列的物理和化學變化，這些變化將會使電池容量呈衰減狀態。劉漢雨指出鋰離子電池的正負兩極都會對電池老化造成影響，從而加速容量衰減。
2、電池健康狀態估計
隨著鋰離子電池的廣泛推廣與應用，準確地評估電池健康狀態成為了必不可少的一項任務。SOH是指蓄電池容量、健康度、性能狀態。劉昊天等提出了一種基于注意力機制解碼器模型的鋰離子電池估算方法，該算法僅通過采集單個采樣周期的電壓和電流即可獲得精度較高的健康狀態估計值。梁曉靜提出了三種不同的SOH 估計方法：實驗估計法、自適應濾波法和數據驅動法，它們的優缺點如表1所示。
3、電池壽命預測
3.1 基于經驗的方法
基于經驗的方法包括：循環周期法、安時法、面向事件的老化累積方法。Liu等用安時法獲得電池的容量，并采用高斯回歸法來預測電池的退化趨勢。
展開 電池管理系統（BMS）
概述
電池管理系統（BMS）為一套保護動力電池使用安全的控制系統，時刻監控電池的使用狀態，通過必要措施緩解電池組的不一致性，為新能源車輛的使用安全提供保障。
經緯恒潤作為國內優質的動力系統供應商，在控制系統開發方面擁有雄厚的實力和豐富的經驗，可以為客戶在電池管理系統開發方面提供優質的工程和配套服務。
BMS 基本功能
電流采集
單體電壓采集
總電壓采集
溫度采集
絕緣電阻檢測
高壓互鎖檢測
整車通訊
附件控制
電池狀態估算
高壓上下電控制
熱管理
均衡控制
充電管理
電池故障分析及在線報警
功能安全
BMS RoadMap
BMS產品布局如下圖所示，涵蓋12V-800V的電池包類型，并兼顧乘用車及商業車使用環境。
BMS 核心算法
基于Kalman濾波的閉環SOC估計策略，提高SOC估計精度
基于模型的容量、內阻在線辨識，監控電池老化狀態（SOH）
考慮工況變化的剩余能量（SOE）估計，保障整車續駛里程估計精度
多狀態聯合估計策略，保障全生命周期狀態估計精度
內短路早期識別，避免演化成熱失控，保障電池使用安全
基于電量一致的均衡策略，充分發揮電池包可用容量
展開 
近十年的VI-SLAM算法綜述與發展
基于濾波的方法，位姿的先驗分布由內感受型傳感器的測量構建，似然分布由外感受型傳感器的測量建立，故可以視為最大后驗估計(maximum a posteriori,MAP)問題。基于優化的方法，通過迭代找到測量總概率最高的狀態，故可視為最大似然估計(maximum likelihood,ML)問題。基于優化的方法，可以通過向傳感器的測量值中添加正則化項或先驗項，使其由 ML 問題轉化為 MAP 問題。如果把 EKF 框架看作是非線性高斯-牛頓法或高斯法的近似，那么它的表現無疑是達不到要求的。主要原因是，EKF 沒有迭代至收斂的過程，其雅可比矩陣只計算 1 次，可能會遠離所期望的最優估計。但由于 EKF 沒有一次性計算所有的雅可比矩陣，EKF 的結果比單次的高斯-牛頓法迭代更精確，它的缺陷只在于沒有迭代這個步驟。從優化的角度來看，這是一個顯而易見的問題，因為優化是需要最后迭代至收斂的。EKF 使用了馬爾可夫假設來實現其遞歸形式，由于使用了馬爾可夫假設，一旦濾波器建立在該假設上就無法擺脫它。包括IEKF 在內，雖然 IEKF 一次迭代了一個時間步長，但它仍然依賴于馬爾可夫假設，而且僅在一個時刻上進行了迭代，并非在整個軌跡上。
本文比較了幾種代表性的 VI-SLAM 框架，如表 1 所示。可以看出，目前主流的 VI-SLAM 實現方法以緊耦合的優化方法為主。相較于松耦合的方法，把 IMU 狀態與相機狀態合并在一起進行狀態估計的緊耦合方法具有更高的精度。而由于基于濾波的方法具有馬爾可夫性，無法考慮到某時刻狀態與之前所有時刻狀態的關系，目前普遍認為在計算資源足夠的情況下，基于優化的方法會得到更精確的效果。但是在計算資源受限，或者移動機器人位姿軌跡比較簡單的場合里，基于濾波的方法仍然是一種有效的方式。
5.
展開 分布式驅動電動汽車動力學控制
通過傳感器和參數估計系統獲取車輛參數和狀態，結合整車管理系統和橫擺角速度-質心側偏角聯合穩定性判據仲裁車輛模式，將多目標協調問題化為子系統優先級問題和多目標分配問題，通過設計各子系統介入和退出條件，實現控制目標，避免子系統干擾；將多目標分配問題化為帶約束的加權最小二乘問題，設計廣義力跟蹤誤差、輪胎利用率、電機能耗、差動助力轉向和輪胎滑移率等多個分配目標，根據行駛模式確定各目標權重系數。通過參數估計系統和魯棒控制算法，實現控制系統對于車輛系統非線性特性、參數和狀態變化以及行駛條件變化的自適應性；同時，對模型誤差和外界擾動具有魯棒性。
圖4 集成控制系統架構
總結
1.分布式驅動電動汽車為車輛動力學控制提供了廣闊的研究空間，通過轉矩的優化分配，可以改善車輛的經濟性、操縱穩定性、平順性。
2.為了提升控制系統對于車輛參數、狀態以及車輛行駛環境適應性，需要設計滿足控制需求的狀態估計與參數辨識算法，同時保證控制-估計系統的穩定性，而分布式驅動為車輛狀態估計算法提供了更大的可能。
3.為了保證分布式驅動電動汽車在復雜工況下的良好行駛性能，解決多控制目標、多控制功能、多執行器和多維運動的協調問題，集成控制成為分布式驅動電動汽車動力學控制當前的研究重點。
參考文獻
1. Yu, Z., Zhang, R., Lu, X., Jin, C., & Sun, K. (2017). Robust adaptive anti-slip regulation controller for a distributed-drive electric vehicle considering the driver’s intended driving torque.
展開 中汽研-基于專利分析的新能源汽車動力電池熱管理技術發展現狀分析
動力電池管理功能可分為電管理、狀態管理和熱管理。電管理使動力電池發揮優異的輸出性能，同時不會發生過充和過放，電池單體之間容量均衡。電池狀態管理功能是電管理的基礎，準確估計電池荷電狀態、健康狀態、功率狀態等參數，為電池電管理提供依據；電池熱管理能夠保證電池工作在適合的溫度范圍內，低溫下電池輸出特性不發生衰減，也能夠避免低溫出現枝晶導致的內短路和高溫電池過熱導致的熱失控，維護了動力電池安全。
2電池管理核心技術專利申請趨勢分析
本文使用的專利檢索數據庫為中國汽車技術研究中心有限公司自主研發的全球汽車專利數據庫，收錄了全球104個國家1.3億余條汽車及相關領域的專利。專利選取范圍以申請日為入口，自2001年1月1日起，截至2020年12月31日。
對電池管理系統的電管理、熱管理和電池狀態管理這3項核心技術進行專利申請趨勢分析，如圖1所示。電池電管理包括電池充放電技術、均衡技術和電池保護等，電池狀態管理包括電池參數測量、荷電狀態估計、健康狀態估計、功率狀態估計等。電池狀態管理和電管理領域的專利申請量從2001年開始保持快速增長態勢，直至2013年增速放緩，同時電池狀態管理的申請量逐漸超過電池電管理。對電池熱管理來說，2001年至2015年專利申請量與電池狀態管理和電管理同步增長，2015年之后申請量同比增長率快于電池狀態管理和電池電管理，并在2018年申請量超過其他2個領域，說明近年來電池熱管理研究的關注度更高。
展開 深度學習|基于MobileNet的多目標跟蹤深度學習算法
首先對輸入的視頻進行目標檢測, 得到目標的邊框及特征信息, 并根據置信度和非極大值抑制進行邊框過濾.
2、軌跡處理和狀態估計. 運動狀態估計中使用8個參數進行運動狀態的描述, 其中(u,υ)為邊框的中心坐標, γ為長寬比, h為高度, 這4個參數來源于目標檢測部分, 其余4個參數表示對應圖像坐標系中的速度信息.使用卡爾曼濾波器對運動狀態進行預測.
3、對跟蹤器參數和特征集進行更新, 判斷有無目標消失或者有無新目標出現. 對每個目標, 記錄其上次檢測結果和跟蹤結果匹配后的幀數ak, 只要檢測結果與跟蹤結果正確關聯, 就將該參數置為0. 如果ak超過了設置的最大閾值Amax, 則結束對該目標的跟蹤.
4、檢測結果與跟蹤預測結果匹配. 區分已確認和未確認狀態的跟蹤器, 對已確認狀態的跟蹤器進行匹配指派. 其中指派問題使用了匈牙利算法, 并同時考慮運動信息的關聯和目標外觀信息的關聯.
運動信息關聯: 使用卡爾曼濾波器預測狀態和新測量之間的馬氏距離, 以此表達運動信息, 有
(4)
式(4)表示第j個檢測結果與第ii條軌跡之間的運動匹配度. 其中: Si為卡爾曼濾波器當前時刻觀測空間的協方差矩陣, yi為當前時刻的預測觀測量, dj為第j個檢測的狀態(u,υ,γ,).
展開 基于matlab的擴展卡爾曼濾波（Extended Kalman Filter，EKF） ￥9.9
基于matlab的擴展卡爾曼濾波（Extended Kalman Filter，EKF），通過卡爾曼濾波算法近似計算系統的狀態估計值和方差估計值,對信號進行濾波。程序已調通，可直接運行。需要直接拍下，拍下發我郵箱。標價為程序價格，不包含售后。程序保證可直接運行。
一文帶你了解機器人是如何通過視覺實現目標跟蹤的！
2020
RPT框架
RPT算法框架由目標狀態估計網絡與在線分類網絡兩部分組成：
目標狀態估計網絡將跟蹤目標狀態表示為特征點集，以提升對目標位姿變化、幾何結構變化的建模能力。在視覺目標跟蹤任務中，為了方便真值標注與特征提取，目標狀態通常用矩形框進行表示。矩形框一方面是對目標區域的一種粗略表示，包含多余的背景；另一方面不具備對目標位姿變化、幾何結構變化的建模能力，進而限制了回歸精度。因此，將跟蹤目標表示為一系列特征點，通過監督學習目標區域內的語義關鍵點與極值點，實現更精細的目標狀態估計。
PRT目標狀態估計網絡
在線分類網絡由輕量的兩層全卷積神經網絡構成，使得RPT框架具備對抗周邊相似干擾物的強魯棒性。
RPT在線分類網絡
06 目標跟蹤的研究趨勢
本節淺析近幾年來目標跟蹤領域各種算法主流的研究趨勢和發展方向。
a) 信息提取
深度特征
在現實場景中，物體是在三維的運動場中移動的。而視頻或圖像序列都是二維的信息，這其實是一些難題的根本原因之一。一個比較極端的例子就是理發店門前經常會出現的旋轉柱，如果單純地從二維角度來看，柱子是向上運動的，可在實際的運動場中柱子是橫向運動的，觀測和實際的運動方向是完全垂直的。
展開 基于雙目視覺的目標檢測與追蹤方案詳解
使用稀疏特征檢測有一些固有的缺點，其中最值得注意的是無法從低紋理圖像區域收集信息，這可能會阻礙最終準確估計目標范圍的能力。范圍信息應主要從視覺子系統中提取，因為它提供比雷達更高的分辨率。為了減輕可能的負面影響，設置特征檢測閾值以產生半密集信息，即分布在視野中的數千個特征被識別為跟蹤候選。通過這種方法，可以獲得相當準確的范圍信息，而計算需求仍然比密集檢測方法低得多。
2）特征追蹤
算法運行所需的時間數據可通過狀態估計器獲得，該估計器隨時間跟蹤檢測到相應的特征，由此產生的運動信息對于運動物體分割具有重要價值。本文將詳細介紹實現的特征跟蹤框架。
①卡爾曼濾波器
檢測目標的半密集性要求對后續處理進行仔細考慮，可能數以千計的跟蹤特征需要非常有效的狀態估計器。為此，引入了卡爾曼濾波器。卡爾曼濾波器是貝葉斯濾波器遞歸方程的可實現公式，要素不是傳播完整的目標狀態密度，而是采用高斯分布進行近似，即
（9）
其中 N (x; m, P) 表示在具有均值 m 和協方差 P 的向量 x 上定義的高斯分布。卡爾曼濾波器遞歸方程的一個重要約束是它必須保留狀態分布的高斯結構。這意味著動態和測量模型必須是線性高斯變換。請注意，在傳統控制系統中發現的控制輸入不包括在預測更新中，因為該數量在目標跟蹤中是未知的。對于線性模型，以下方程定義了卡爾曼濾波器的預測正確遞歸：
其中 Fk 是狀態轉移矩陣，Qk 是過程噪聲協方差，Hk 是觀測矩陣，Rk 是測量噪聲協方差。等式（11）和（12）定義了預測更新，而等式（13）到（15）使用相關聯的測量zk定義了測量更新日期。
展開 
電動汽車電機控制工作原理及優化方案
為了提升控制系統對于車輛參數、狀態以及車輛行駛環境適應性，需要設計滿足控制需求的狀態估計與參數辨識算法，同時保證控制-估計系統的穩定性，而分布式驅動為車輛狀態估計算法提供了更大的可能。
為了保證分布式驅動電動汽車在復雜工況下的良好行駛性能，解決多控制目標、多控制功能、多執行器和多維運動的協調問題，集成控制成為分布式驅動電動汽車動力學控制當前的研究重點。
傳統的獨立設計的控制器有各自明確的控制目標。但是各系統間存在一定程度上的功能重疊和干擾，因此，多個執行系統的動作分配和多個控制目標的協調便是系統集成控制策略的關鍵。
集成控制系統架構
05
電控系統效率優化技術
電控系統效率提升1%，對整車經濟性以及重量都很有優勢，效率優化技術包括載頻動態調整、DPWM發波技術、過調制技術、廣域高效HSM電機。
載頻動態調整技術
電控系統最主要的損耗來源是逆變器部分，逆變器損耗70%來自開關部分。
從開關損耗角度降低，研究了載頻動態調整技術。通過仿真試驗發現，調整開關頻率后，控制器效率最大可以提升2%左右，使用動態載頻率技術，尤其是在低轉速，對載頻要求不那么高的時候，調整載頻可以有效降低控制器的損耗，提供控制器的效率，初步預計每100公里可以提供1.5公里左右，載頻不能無限制下調，還需要考慮整車噪音和電機控制的需要。
展開 中汽研黃登高：BMS功能安全標準、研發及測試
這個過程中，還有對于電池數據相應預測，數據一方面用于現有策略的安全保護和狀態估計修正。另一方面數據用于電池梯次利用過程中對于未來循環壽命的估計和梯次利用的分選，因為有了這個數據之后，知道電池之前使用是正常的，對于后續的篩選以及再次使用會有加分項在其中的。
我的報告就到這里，謝謝各位！
（注：本文根據現場速記整理，未經演講嘉賓審閱，僅作為參考資料，轉載請注明來源！）
-END-
喜歡本篇內容請給我們點個在看
中科院大連化物所動力電池與系統研究部招聘人工智能及計算模擬方向人才
崗位如下：
崗位一：博士后
研究方向：電池及管理系統
崗位職責：發展實驗、模型、機器學習算法、大數據等分析方法，研究電池系統、壽命機理、熱管理等，優化電化學體系設計，提高電池性能及制造工藝，開發新型電池體系、狀態估計、管理系統（BMS）等相關技術
應聘條件：擁有電化學/化學工程/材料工程/計算機/數學等專業背景博士學位，有電池、BMS、汽車等企業工作經驗者優先；熟練應用C, C++,Matlab, COMSOL, Python等語言或軟件者優先
崗位二：電池模型工程師
崗位職責：負責電池建模工作
應聘條件：擁有電化學/化學工程/材料工程/計算機/數學等專業背景博士學位，有電池、BMS、汽車等企業工作經驗者優先；熟練應用C, C++,Matlab, COMSOL, Python等語言或軟件者優先，碩士及以上學歷。
崗位三：數據分析工程師
崗位職責：負責電池建模工作
應聘條件：數學、計算機、人工智能、數據挖掘等相關專業；負責電池大數據分析及相關應用，有電池類相關行業工作經驗優先，碩士及以上學歷。
崗位四：算法工程師
崗位職責：具備數學模型、偏微分方程求解、非線性問題、人工智能等相關背景，能將實際問題轉化為數學問題，并解決。
應聘條件：能熟練應用計算機語言，具有較強的分析解決問題能力和執行力，擁有應用數學/計算機數學/工程數學等專業背景，具有相關工作經驗者優先考慮，碩士及以上學歷。
有意向者請投簡歷至郵箱：825588365@qq.com.
聯系人：錢老師
展開 軍用地面無人機動平臺技術發展綜述
3.1.2 狀態估計
為了更好地控制地面無人機動平臺的運動,準確的平臺運動估計是必要的,特別是地面無人機動平臺裝備有懸掛系統,行駛環境也較復雜,高速行駛在不平路面上時,必然會出現俯仰、側傾、橫滾、縱滑和側滑等。無人機動平臺的狀態估計主要是融合多種傳感器（陀螺儀、GPS、加速度計、羅盤等）信息,估計平臺的姿態、速度以及相對或絕對位置。平臺狀態估計主要分為兩大類：基于全球定位系統（GNSS）—慣性導航系統（INS）的組合導航系統和基于視覺的狀態估計。
在無遮擋的空曠環境下,GNSS（如GPS、北斗、伽利略定位系統）能為無人機動平臺提供長時準確的定位信息[43],然而城市環境、峽谷、密林等環境都可能導致GPS信號的瞬時丟失,使得定位效果變差或定位失敗。INS是指通過使用慣性測量元件（陀螺儀、加速度計、羅盤等）測量平臺的橫擺角速度和加速度等,通過積分獲取平臺相對定位信息的定位系統。INS自依賴,不受外界環境干擾,然而其慣性測量數據存在漂移現象,長時間累積會產生較大誤差,且無上界,因此INS只能保證短時定位精度。通過卡爾曼濾波算法、擴展卡爾曼濾波算法[44]或無跡卡爾曼濾波算法[45]融合兩系統定位數據,結合兩種定位系統優勢的組合導航系統成為無人機動平臺定位系統的主流。2007年,DARPA城市挑戰賽中,完成比賽的無人駕駛車輛幾乎都使用了GPS-INS組合導航系統[46-49]。但是,由于GPS-INS組合導航系統仍然依賴GPS,當GPS丟失時間較長時,其定位精度也會變差。Ilyas等提出了一種利用集中式卡爾曼濾波根據傳感數據質量有選擇地融合來自GPS、INS和里程計數據的組合導航方法,該方法在GPS信號較差的地方（密林、樓群里）也能保證可靠的定位結果[50]。
基于視覺的狀態估計主要是指視覺里程計（VO）和同時創建地圖與定位（SLAM）。
展開 