鲁棒迭代容积卡尔曼滤波研究与
应用
鲁
棒
迭
代
容
积
卡
尔
曼
滤
波
研
究
与
应
用
目 鲁棒迭代容积卡尔曼滤波研究与应用
题
英
题
文
目
I
摘 要
在日益精进的工业发展中,对于动态系统的状态估计提出了更严苛的要求,
需要一种能面对复杂量测环境与非线性系统的高精度、高可靠性和高效率的鲁
棒滤波器。在许多应用场合,不仅要保证正常工况下的良好估计精度,还要保
证在面对异常数据时的系统稳定性和实时响应所需的高计算效率,它直接关系
到民用领域的安全问题和军用领域的战略意义。在非线性高斯系统中,迭代滤
波算法比传统非迭代算法具有更高的估计精度,且性价比远高于粒子滤波,但
它对异常量测和初始参数等较为敏感,提高迭代滤波算法的鲁棒性与稳定性具
有理论与实用价值。但现有的鲁棒估计方法,在非线性高斯滤波框架下的数值
稳定性问题一直缺少理论分析,近似最小一乘估计相对 Huber-M 估计的稳定性
优势缺乏数学证明,而算法的高可靠性只能通过理论分析来保障。此外,传统
鲁棒滤波算法在系统模型出现过大的短时突变时,会产生极大的估计偏差,而
这类情况正是军事应用上的潜在威胁,值得深入研究和有效应对。本文针对这
些问题进行了如下研究和工作:
(1)深入研究了贝叶斯滤波理论,将传统的线性高斯滤波器、非线性高斯
滤波器和本文重点研究的迭代滤波算法串联起来,建立起滤波问题的统一视角
和理论基础。通过仿真验证迭代滤波在理想的非线性高斯系统中具有显著优势,
以及面对含野量测时的退化现象。
(2)针对含野量测环境的状态估计问题,研究了 Huber-M 估计方法和基于
此发展出的 Lamine Mili 鲁棒估计框架,以及近年发展起来的近似最小一乘估计。
在非线性高斯滤波框架下,采用严格的数学分析证明了近似最小一乘估计的数
值稳定性显著优于 Huber-M 估计,同时证明在极大似然意义下,Huber-M 估计
将让量测协方差矩阵的条件数趋于上界,并对这些结论进行了仿真验证。
(3)提出了两种鲁棒迭代容积卡尔曼滤波算法,分别是基于近似最小一乘
估计的 ALA-RICKF,以及基于 Lamine Mili 鲁棒估计框架的 L-RICKF,并通过
仿真验证了二者均优于传统鲁棒滤波算法,其中 ALA-RICKF 有更好的综合性
能,而 L-RICKF 有更高的估计精度。
(4)针对传统鲁棒滤波算法在系统模型短时突变时的显著退化现象,定义
和分析了野值误判问题,提出趋近量测的渐消鲁棒性概念,分析这种新特性可
有效应对高可观性系统的模型突变问题。通过对一个具有短时模型突变的系统
II
进行仿真,验证了本文提出的鲁棒迭代滤波算法具有这种特性,在模型突变段
相比传统鲁棒滤波算法有显著优势,并深入分析了相关机理。
(5)将提出的 ALA-RICKF 算法应用于复杂量测环境下的无人船目标跟踪
问题,并在仿真中找出负面算例,进一步分析所提算法的特性,由此提出了初
始迭代抑制策略,通过对各种含野量测环境下的无人船目标跟踪算例仿真,验
证所提策略的有效性和 ALA-RICKF 的显著优势。深入分析了各算法的稳定性问
题,通过仿真检验关于数值稳定性问题的理论证明,并揭示出数值稳定性问题
对滤波效果的重要影响。
(6)对含野量测问题进行了哲学分析,相关内容编排在附录 A 中。
关键词
:鲁棒滤波,迭代滤波,稳定性,模型突变,目标跟踪