第五章被动测量条件下的非线性跟踪滤波器 - read.doc

第五章 被动测量条件下的非线性跟踪滤波器 5.1 引 言 为了实现一些较复杂的制导律，满足突防并精确命中目标等要求，需要已知剩余时间、相对距离和相对速度等物理量，有时还需要已知目标加速度。许多型号的导弹安装红外、电视、被动雷达等被动式导引头，这些导引头只能测量出角度或角速度信息。即使装有主动雷达的导弹，在电子对抗条件下，也无法测得距离和速度信息，而只有方位信息可以利用[1]。我们不妨称仅有角度测量信息的制导问题为“被动制导”问题。在被动制导情况下，欲实现复杂的制导律，就必须利用仅有的角度测量信息实时估计出相对距离、相对速度和目标加速度。这种估计问题又可以称作目标的“被动跟踪”问题。在海洋环境中利用被动声纳对潜艇或舰船进行定位也属于被动跟踪问题。被动跟踪问题是一个非线性估计问题，因为无论是在惯性直角坐标系中，还是在极坐标系中建立描述该问题的数学模型，所得到的结果都是非线性的。在惯性直角坐标系中，若假设目标加速度模型是线性的，则动态方程为线性，而测量方程则是非线性的；在极坐标系中，动态方程是非线性的，测量方程是线性的。由于测量信息中不可避免地含有测量噪声，被动跟踪问题需要用非线性随机系统来描述。上述仅有角度测量的实时估计实际上是一个非线性滤波问题。因此，必须研究稳定性好，收敛速度快，估计精度高的非线性滤波方法。 5.2 非线性滤波概述 非线性滤波方法大致可以分为两种类型, 即统计方法和概率方法。在统计方法中，一个基本的思想是对非线性方程进行线性化，然后应用Kalman-Bucy滤波原理。所谓线性化就是把非线性项关于给定的参考轨迹或滤波器的当前估计值展成Taylor级数，取其一次项得到线性化方程。前者得到标称状态线性化滤波[2,3]，后者则得到著名的推广Kalman滤波(EKF)[2,4~6]。标称状态线性化滤波要求参考轨迹接近于实际轨迹，在实际当中这很难实现。EKF忽略了线性化模型误差，影响滤波性能。EKF中，滤波器参数是状态估计的函数，状态估计误差影响滤波器的增益，因此容易导致滤波器有偏，甚至发散。EKF要求先验的噪声统计，然而实际上它们常常是未知的。用错误的噪声统计会产生滤波误差，甚至使滤波发散。由于以上原因，EKF有较大的局限性。 EKF又有许多改进版本，例如迭代推广Kalman滤波，二阶滤波等[6]。二阶滤波器在精度上高于一阶滤波器，但是它的算法相当复杂，实际应用有较大困难。此外, 还有精度更高但算法也更复杂的三阶滤波器[7]。近期, 又出现了Lyapunov基随机系统观测器[8], 协方差上限分配估计器[9], 依状态Riccati方程估计器[10]等新的EKF改进算法。文献[11]对这三种新滤波器与EKF进行了比较研究，得出的结论是三种新滤波器在收敛性、对初始误差的鲁棒性等方面均好于EKF，但当系统维数较高时，实现起来有较大难度或所要求的滤波器增益计算时间过长。 利用虚拟噪声技术，非线性系统的线性化误差在一定程度上可以归为线性系统模型中的一种噪声。因此，用自适应滤波在线地估计虚拟噪声的统计特性，可以降低线性化误差，提高非线性滤波的精度，这也是一种EKF的改进算法[12], 而且计算量与EKF相差不大。这种方法的关键是找到性能稳定的噪声统计估值器，这样才能保持自适应滤波的稳定。当然它对线性化误差的补偿能力是有限的。 一般来讲，对非线性滤波器难以进行稳定性分析。而对文献[13]提出的一种针对一类特定非线性系统的修正增益推广Kalman滤波器（MGEKF），则可以利用Lyapunov第二法求得其稳定的充分条件。这种所谓的特定非线性系统是由线性动态模型和非线性测量模型所构成的，而且测量模型中的非线性函数是“可修正的”。MGEKF的估计精度较EKF有明显提高，但设计难度较高。 文献[14]认为，当模型线性化误差造成滤波器的状态估计值偏离系统状态时，必然会在输出残差序列幅值上表现出来，这时只要在线适当调整增益阵，令残差序列仍相互保持正交，则可强迫滤波器保持对实际系统状态的跟踪，从而设计出一种强跟踪滤波器。当遭遇模型跳变等情况时，这种滤波器具有快速跟踪能力。 针对由线性动态模型和非线性测量模型所构成的非线性系统，文献[15]提出了一种两步滤波算法。所谓的两步滤波是指，首先定义一组新的状态(它是系统真实状态的非线性函数)，使得系统测量值是这组新状态的线性函数。在第一步滤波中，应用Kalman滤波器得到新状态的最优估计值。在第二步滤波中，把新状态的估计值作为测量，并应用Gauss-Newton迭代算法求出系统真实状态的最优解。文献[15]给出的两步滤波器虽然是一阶滤波器，但精度相当高。文献[16]则给出了二阶两步滤波器及其U-D分解算法。在许多实际情况下，测量噪声统计特性是时变的, 无法验前已知，这时应用噪声统计估值器可以在线地