卡尔曼滤波与组合导航第二章讲述.ppt

PF滤波方法 SIS(Sequential Important Sampling) Particle Filter will not work well because of degeneracy 粒子退化现象示例 PF滤波方法 由于使用先验进行采样（后验是先验与似然的乘积），似然很尖锐或者位于先验的某个尾部时，将很难有足够的粒子产生于两者的重叠区域，这些粒子对后验分布的表达误差将因此增大。 改进方法，是使采样分布包含当前的观测值：例如，假设采样分布为高斯，利用卡尔曼滤波器估计采样分布。 PF滤波方法 它是用UKF来得到粒子滤波的重要采样密度函数，从而克服了标准的粒子滤波不考虑最新量测信息和UKF只能应用到噪声为高斯分布的不足。 ①采样步骤 下面给出UPF算法： 初始化： t=0 PF滤波方法 ②计算权重 从离散分布的 中进行N次重采样，得到一组新的粒子 ④输出 按照最小方差准则，最优估计就是条件分布的均值。 ③重采样步骤 PF滤波方法 * * * * * * * * * * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 北京航空航天大学仪器科学与光电工程学院 * 卡尔曼滤波与组合导航 房建成 教授 主 讲： Theory of Kalman filter and Integrated Navigation 010电 话： fangjiancheng@ EMAIL： 课件下载：kalman_filter@密 码：123456 第二章 几种最优估计和卡尔曼滤波原理 2.1 卡尔曼滤波与最优估计 2.2 卡尔曼滤波方程 2.3 连续系统的卡尔曼滤波方程 2.4 连续—离散系统卡尔曼滤波方程 2.5 卡尔曼滤波在组合导航中的应用方式 2.6 基于统计的非线性滤波方法 卡尔曼滤波的本质是什么？ 滤波器——从含有噪声的量测信息中提取出有 用的信息 卡尔曼滤波是一种数学滤波器（数据处理方法） 滤波的基本步骤是什么？ 第一步，建立系统模型 （1）状态量的选取及状态模型建立 系统要求 滤波要求 实际运算量的要求 （2）量测量的选取及状态模型建立 第二步，可控性和可观性分析 第三步，确定系统噪声统计特性 第四步，选择适当的滤波方法 卡尔曼滤波的效果依赖于系统模型和噪声的统计特性。 例1、一个小车在地面静止不动，车上装有一个精度为1m的GPS接收机，请利用卡尔曼滤波技术估计小车的位置。 例3、小车做匀速直线运动，量测信息为某个地面站测得的到小车的相对距离，请利用卡尔曼滤波技术估计小车的位置。 例2、小车做匀速直线运动，车上装有一个精度为1m的GPS接收机，请利用卡尔曼滤波技术估计小车的位置。 例4、小车做匀速圆周运动，量测信息为某个地面站测得的到小车的相对距离，请利用卡尔曼滤波技术估计小车的位置。 2.6 基于统计的非线性滤波方法 非线性系统滤波的难点是什么？ 状态一步预测方程 状态估值计算方程 滤波增益方程 一步预测均方差方程 估计均方差方程 非线性系统滤波的难点在于预测，如何计算状态变量经过非线性变换以后的均值和方差。 EKF是通过将非线性函数在滤波值附近进行泰勒级数展开并忽略二阶以上项进行线性化，因此其估计值的均值和方差只能精确到一阶。 EKF的不足： 必须求非线性函数的Jacobi矩阵，对于模型复杂的系统，比较复杂且容易出错； 引入线性化误差，对非线性强度高的系统，容易导致滤波效果下降。 20世纪90年代，出现了不是利用线性化逼近非线性函数，而是用样本加权求和来逼近随机分布的方法，统称为sigma点卡尔曼滤波方法，其特点是： 1、不需对非线性函数进行求导 2、由于考虑了概率传播问题，因此对均值和方差的估计精度提高到至少二阶 这类方法包括：UKF，