自主移动机器人(AMRs)和其他电动无人驾驶车辆在无组织环境中有典型应用。由于这些车辆很大程度上依赖电池发电能力，因此，电池的可靠性以及在需要时能够提供足够的能量是非常重要的。电池的充电状态(SOC)是评估电池功能状态的一个必不可少的因素。SOC可视为现有可用电荷相对于电池充满电全部电荷的比。它直接表明了电池的剩余能量，并间接表明了AMRs的操作余地。SOC的准确预测，是电池管理系统的主要任务之一，它将有助于提高电池的性能和可靠性，并最终延长电池的寿命[1]。SOC的准确预测也对电池在AMRs中高效率应用有决定性作用，它能优化电池性能，并防止电池的永久性损害[2]。
但是，由于电池放电/充电涉及到复杂的化学和物理过程，很难准确地对电池建模。此外，操作员的不可预测和不确定的行为也增加了准确估计SOC的难度[3]。因此，对估计SOC提出了各种的算法[1]。电荷计算和电流积分是目前使用最普遍的方法。缓慢变化的电流的时间积分可以直接表明电池的SOC[4]。然而，由于对整合性的依赖，测量误差由于噪声，分辨率和四舍五入而最终导致SOC估计错误。电荷计算需要在电池充满电时计算，因为该方法需要准确的SOC初始值，因此它可能不适合于AMRs和其他无人驾驶车辆，因为在这些地方很难得到满电荷值[2，5]。
电解质[6]的研究是精确测量SOC的一种方法，但此方法不适合AMRs，因为分析器中电解质的象征值是不变的，所以电池的利用就受到限制或变得不可能。通过在不同的SOC水平[7]下测量电池阻抗和已知阻抗的相互关系，电池阻抗测量也被用于估计电池的SOC。但是，电池阻抗测量是通过给电池添加信号完成，所以该方法也不适合于AMRs[6，8]。
人工神经网络(ANNs)也被用来估计SOC[9]。神经网络这种方法的主要优势是它能够在初始电荷不知道的情况下估计SOC。然而，当神经网络被测试时，需要大量的测试数据而且如果神经网络的结构很复杂[10]，它测试的计算量也是很大的。为了避免需要大量的经验参数值，自适应模糊计算方法[11]被用来估计的SOC；这些方法最适合于在不需要[12]高精度SOC估计的便携式设备中应用。然而，由于这些人工智能方法在需要在线操作时在电池管理系统中产生一个大的计算量，他们很难在线生效。
