当存在高污染率的野值观测时,现有的鲁棒卡尔曼滤波器的数值稳定性和抗差能力可能会严重退化.为此,基于近似最小一乘估计和修正的高斯牛顿方法提出一种新的鲁棒卡尔曼滤波器,以减小含野量测对滤波器的不利影响.通过条件数分析和影响函数分析,从理论上证明所提出方法的数值稳定性和抗差能力均好于基于Huber估计的卡尔曼滤波器.通过仿真实验对理论分析结果进行验证.仿真结果表明,在只有少量野值观测的情况下,所提出的滤波器与Huber卡尔曼滤波器的估计性能大致相当;而在含有高污染率的野值观测时,所提出的滤波器的估计性能明显好于Huber卡尔曼滤波器.在仿真实验中还对几种滤波器的计算花费进行了比较,发现所提出滤波器的计算代价小于Huber卡尔曼滤波器的计算代价.
