- -
自适应卡尔曼滤波
卡尔曼滤波发散的原因
如果卡尔曼滤波是稳定的,随着滤波的推进,卡尔曼滤波估计的精度应该
越来越高,滤波误差方差阵也应趋于稳定值或有界值。但在实际应用中,随着
量测值数目的增加,由于估计误差的均值和估计误差协方差可能越来越大,使
滤波逐渐失去准确估计的作用,这种现象称为卡尔曼滤波发散。
引起滤波器发散的主要原因有两点:
(1)描述系统动力学特性的数学模型和噪声估计模型不准确,不能直接
真实地反映物理过程,使得模型与获得的量测值不匹配而导致滤波发散。这种
由于模型建立过于粗糙或失真所引起的发散称为滤波发散。
(2)由于卡尔曼滤波是递推过程,随着滤波步数的增加,舍入误差将逐
渐积累。如果计算机字长不够长,这种积累误差很有可能使估计误差方差阵失
去非负定性甚至失去对称性,使滤波增益矩阵逐渐失去适宜的加权作用而导致
发散。这种由于计算舍入误差所引起的发散称为计算发散。
针对上述卡尔曼滤波发散的原因,目前已经出现了几种有效抑制滤波发散的
方法,常用的有衰减记忆滤波、限定记忆滤波、扩大状态滤波、有限下界滤波、
平方根滤波、和自适应滤波等。这些方法本质上都是以牺牲滤波器的最优性为
代价来抑制滤波发散,也就是说,多数都是次优滤波方法。
自适应滤波
在很多实际系统中,系统过程噪声方差矩阵 Q 和量测误差方差阵 R 事先是不
知道的,有时甚至连状态转移矩阵 或量测矩阵 H 也不能确切建立。如果所建
立的模型与实际模型不符可能回引起滤波发散。自适应滤波就是这样一种具有
抑制滤波发散作用的滤波方法。在滤波过程中,自适应滤波一方面利用量测值
修正预测值,同时也对未知的或不确切的系统模型参数和噪声统计参数进展估
计修正。自适应滤波的方法很多,包括贝叶斯法、极大似然法、相关法与协方
差匹配法,其中最根本也是最重要的是相关法,而相关法可分为输出相关法和
新息相关法。
在这里只讨论系统模型参数,而噪声统计参数 Q 和 R 未知情况下的自适应
滤波。由于 Q 和 R 等参数最终是通过增益矩阵 K 影响滤波值的,因此进展自适
应滤波时,也可以不去估计 Q 和 R 等参数而直接根据量测数据调整 K 就可以了。
- - word.zl-