卡尔曼滤波研究综述.doc

卡尔曼滤波研究综述 1 卡尔曼滤波简介 1.1卡尔曼滤波的由来 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文-《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。E(Ωk) =0;E(Δk) =0;cov(Ωk,Ωj) = DΩ(k)δkj, cov(Δk,Δj) = Dk(k)δkj;cov(Ωk,Δj) =0;E(X0) =μx(0) var(X0) = D(X0);cov(X0,Ωk) =0;cov(X0,Δk) =0. 1-2 卡尔曼滤波递推公式为 (k/k) = (k/k-1)+Jk(Lk-Bk(k/k-1)), D(k/k) = (E-JkBk)Dx(k/k-1), Jk= Dx(k/k-1)BTk[BkDx(k/k-1)]BTk+DΔ(k)]-1, (k/k-1) =Φk,k-1(k-1/k-1), Dx(k/k-1) =Φk,k-1Dx(k-1/k-1)ΦTk,k-1+Γk,k-1DΔ(k-1)ΓTk,k-1. 1-32 几种最新改进型的卡尔曼滤波算法。 2.1 近似二阶扩展卡尔曼滤波 标准的卡尔曼滤波只适用于线性系统，而工程实际问题涉及的又大多是非线性系统，于是基于非线性系统线性化的扩展卡尔曼滤波(EKF)在上世纪70年代被提出,目前已经成为非线性系统中广泛应用的估计方法。近似二阶扩展卡尔曼滤 波方法(AS-EKF)基于线性最小方差递推滤波框架,应用均值变换的二阶近似从而得到非线性系统的递推滤波滤波框架 该滤波基于线性最小方差递推框架，状态X的最小方差估计为 2-1-1 L是观测矩阵，假定状态X的估计值是观测矩阵L的线性函数，即 2-1-2 得到最优估计和估计误差方差阵的递推方程分别为： 2-1-2 2-1-3 2.1.2近似二阶扩展卡尔曼滤波器的设计 在EKF中,假设非线性函数y=f(X)在状态X的最优估计(预测)值处线性化,即 2-1-4 y的均值、方差和协方差的近似估计 2-1-5 对均值进行二阶近似,而对方差和协方差进行一阶近似,即可得 2-1-6 考虑如下带加性噪声的非线性离散系统 X(k+1) =f(X(k),k) +Γ(X(k),k)V(k) L(k+1) =h(X(k+1),k+1) +W(k+1) 将式2-1-6 所使用的近似二阶方法代入2-1-2，和2-1-3，可得如下近似二阶卡尔曼滤波递推公式。 预测阶段： 　 (k+1|k)=f( (k),k)+1/2[( ▽TP(k) )f(X,k)] | (X= (k)) 2-1-7 P(k+1|k)=Φk/k-1P(k)ΦTk/k-1+Γ(X(k),k)Q(k)ΓT(X(k),k) 　 (k+1|k)=h( (k+1|k),k+1)+1/2(▽ TP(k+1|k) ▽)h(X,k+1) |X= (k+1|k) 更新阶段： 　K(k+1) =P(k+1|k)HTk+1(Hk+1P(k+1|k)HTk+1+R(k+1))-1 2-1-8 　 (k+1) = (k+1|k)+K(k+1)[L(k+1)- (k+1k)] P(k+1) = (I-K(k+1)Hk+1)P(k+1|k)(I-K(k+1)Hk+1)T+K(k+1)R(k+1)KT(k+1) 其中|X(k)= ， |X(k+1)= (k+1|k) Q(k)为系统噪声序