混合UKF-GRU的车辆状态估计

俞润哲，吴晓东，鲁航宇

（上海交通大学 智能汽车研究所，上海200240） 

摘要：车辆状态的准确估计对于车辆运动控制与安全系统至关重要，能够在动态驾驶条件下实现精确操控与稳定性控制。本文提出了一种融合无迹卡尔曼滤波器（UKF）与门控循环单元（GRU）神经网络的混合状态估计方法，以提升车辆运动控制系统的精度与鲁棒性。该方法将神经网络的输出与基于模型的UKF相结合，实现对车辆状态的高精度估计。具体而言，估计网络通过GRU神经网络来处理传感器输入与时间序列数据，以预测车辆纵向速度、侧偏角及其相关不确定性。随后，UKF基于上述预测结果更新系统状态，并根据不同驾驶工况动态地调整对UKF与GRU估计结果的依赖程度，从而实现整体性能的最优化。大量的仿真测试与实车实验验证了所提出UKF-GRU方法的有效性，在估计精度与鲁棒性方面相较传统UKF方法及纯数据驱动方法均表现出显著提升。

关键词：车辆状态估计，无迹卡尔曼滤波，深度学习，门控循环单元   

扫二维码浏览全文

Cite this article

Yu, R., Wu, X. & Lu, H. Hybrid UKF-GRU Approach for Vehicle State Estimation. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2854-0