最优估计之卡尔曼滤波器的发散抑制方法.pptVIP

哈尔滨工程大学 第7章 卡尔曼滤波器的发散抑制方法 内容提要 7.1 滤波的发散现象 7.2 限定增益滤波 7.3 误差方差阵加权滤波 7.4 衰减记忆滤波 7.5 限定记忆滤波 7.6 增广状态滤波 7.7 平方根滤波 方法思想：将动态偏差作为增广的状态进行估计，解决模型误差引起的发散问题。同时，偏差的估值还可以用于模型校正。 线性系统模型： 引入增广状态： 增广模型方程为： 一步预报方差阵（分块矩阵）： 估计误差方差阵（分块矩阵）： 上式中， 将上式展开，得 展开，得： 增广系统的卡尔曼滤波器方程： 展开得增广系统的卡尔曼滤波方程： 其中， 解决由舍入误差引起的发散问题。 方法思想：在滤波过程中，采用误差方差矩阵的平方根形式来传播方差矩阵，从而使方差阵在传播过程中始终保持非负定。 方法步骤： * 最优估计 滤波的发散现象 限定增益滤波 误差方差阵加权滤波 衰减记忆滤波 限定记忆滤波 增广状态滤波 平方根滤波 上一章要点回顾 问题：卡尔曼滤波最优的条件？ 否则滤波易发散。 模型精确，统计特性已知。 针对卡尔曼滤波的发散问题，讨论了若干抑制滤波发散的方法。 对于模型误差导致的发散，可以通过直接和间接限定增益的方法增强新测量数据的作用，如限定增益滤波、误差方差阵加权滤波；可以增加新数据的比重，减小旧数据的比重，如衰减记忆滤波和限定记忆滤波；也可以将模型误差作为状态的一部分而估计，即增广状态滤波。 对于计算发散，可以采用平方根滤波法，减小截断误差的影响。 发散：实际的估计误差超过理论预计值，非常大，甚至趋于无穷。 发散 视在发散 真实发散 模型发散 数值发散 模型非完全能控能观 计算机截断误差 系统模型或噪声不准 两类发散现象 二者区别 视在发散：滤波误差大，但有界； 真实发散：滤波误差趋于无穷。 各类发散的解决方案 视在发散的解决方法： （1）如果是由模型引起的，可通过改变系统的结构及参数，使系统的状态完全能控能观； （2）如果是数值发散，可以采用双字长运算，减少有效数字损失，也可以采用平方根滤波方法。 真实发散的解决方法： 削弱预测在滤波估计中的作用，而增加新息的作用。 来自模型 来自观测 离散系统卡尔曼最优估计： 限定增益滤波的思想： 降低模型误差产生的影响，削弱最优估计公式中状态预测的作用，而增加新息的作用，这需要通过限定增益来实现。 例： 若建立系统模型时忽略了常数 c，即： 滤波发散了！ 发散原因？建模时忽略了常数？ 实际上，建模时即便考虑了常数，但如果不准确，即若取模型： 克服此类发散的方法： 发散得到抑制 M 的取法： M = ? 原则：滤波的均方误差（误差方差）应小于观测误差方差。 方法思想： 通过加权的方法人为地增大滤波误差方差阵，从而间接地增大增益阵，抑制真实发散。 1. 人为加权法： 两种加权方法：人为加权法和自动加权法。 增益不会衰减到0，发散得到抑制。 2. 自动加权法： 由于滤波产生发散的直接原因是实际估计误差超过理论预计值 ，因新息中包含了实际估计误差的信息，可用其判断滤波器是否发散。 判据： 当此式不成立时，滤波发散。 滤波方程： 方法思想： 是一种方差加权法。对滤波器中的方差阵（包括系统噪声方差、观测噪声方差、初始估计误差方差）进行加权，以逐渐减小旧的测量数据的比重，同时增加新数据的比重。 权值为指数函数或幂函数。 1. 指数加权法： 这相当于采用新模型： 对模型(7.4.6)在N时刻以后滤波，得 ----------------- (7.4.6) 滤波方程组： 滤波方程组： 2. 幂函数加权法： 滤波方程组： 方法思想： 卡尔曼滤波基本方程的建立过程: 限定记忆滤波思想: 限定记忆滤波实现过程: 无动态噪声的状态方程和观测方程： （3）利用前两个步骤得到 xk 的限定记忆滤波方程： 两式相减 加上前面已得到的估计公式： 则得限定记忆的滤波公式。 状态估计公式 误差方差公式 增益矩阵公式 （4）初值的选取 由动态方程可得卡尔曼滤波基本公式： * * *