<![CDATA[AbstractThis paper proposes moving horizon estimation (MHE) to estimate the state variables of autonomous vehicle linear systems under measurement noises. To solve the MHE optimization problem, quadratic programming is employed. The steering angle, yaw angle, and global position constraints of an autonomous vehicle are considered in the estimation design. According to the simulation results, it can be observed that although the longer MHE step can give better results compared to the shorter MHE step, the difference in the MHE step only slightly affects the estimated results. However, the longer MHE step can increase the computational time. Additionally, the proposed MHE scheme is compared to the Kalman filter (KF) estimator. Based on the obtained results, the KF gives a better estimation than the MHE, but this notion must be verified for other case studies.Keywords: autonomous vehicle; Kalman filter; linear system; MHE; quadratic programming. AbstrakPaper ini mengusulkan moving horizon estimation (MHE) untuk mengestimasi variabel keadaan sistem linier kendaraan otonom karena pengaruh noise pengukuran. Untuk menyelesaikan masalah optimasi MHE, digunakan pemrograman kuadratik. Kendala sudut kemudi, sudut yaw dan posisi global dari kendaraan otonom dipertimbangkan dalam desain estimasi. Dari hasil simulasi dapat diketahui bahwa meskipun langkah MHE yang lebih panjang dapat memberikan hasil yang lebih baik dibandingkan dengan langkah MHE yang lebih pendek, perbedaan langkah MHE hanya sedikit mempengaruhi hasil estimasi. Namun, langkah MHE yang semakin panjang dapat meningkatkan waktu komputasi. Selain itu, skema MHE yang diusulkan dibandingkan dengan estimator Kalman filter (KF). Berdasarkan hasil yang diperoleh, KF memberikan estimasi yang lebih baik daripada MHE, tetapi gagasan ini harus diverifikasi untuk studi kasus lainnya.Kata Kunci: kendaraan otonom; Kalman filter; sistem linier; MHE; pemrograman kuadratik. 2020MSC: 62P35, 65D19]]>
Copyrights © 2023
