KF与UKF.pptVIP

EKF与UKF 一、引言 严格说来,所有的系统都是非线性的,其中许多还是强非线性的。因此,非线性系统估计问题广泛存在于飞行器导航、目标跟踪及工业控制等领域中,具有重要的理论意义和广阔的应用前景。 可以说,所有的非线性估计都是近似的,都只能得到次优估计。非线性估计的核心就在于近似,给出非线性估计方法的不同就在于其近似处理的思想和实现手段不同。近似的本质就是对难以计算的非线性模型施加某种数学变换,变换成线性模型,然后用Bayes估计原理进行估计。进一步说,非线性变换到线性变换主要有两种实现手段,一种是Taylor多项式展开,一种是插值多项式展开[1]。扩展卡尔曼滤波(Extended kalman filter,以下简称EKF)是传统非线性估计的代表,其基本思想是围绕状态估值对非线性模型进行一阶Taylor展开,然 一、引言 后应用线性系统Kalman滤波公式。它的主要缺陷有两点: (1)必须满足小扰动假设,即假设非线性方程的理论解与实际解之差为小量。也就是说EKF只适合弱非线性系统,对于强非线性系统,该假设不成立,此时EKF滤波性能极不稳定,甚至发散; (2)必须计算Jacobian矩阵及其幂,这是一件计算复杂、极易出错的工作。 1995年牛津大学Julier, Uhlmann等人首次提出了无味滤波(Unscented Kalman Filter),其后又得到美国学者Wan, van derMerwe的进一步发展。它是一种典型的非线性变换估计方法。在施加非线性变换之后,仍采用标准Kalman滤波,所以也称为UKF (Unscented Kalman Filter)。其核心是通过一种非线性变换———U变换(Unscented变换)来进行非线性模型的状态与误差协方差的递推和更新,所以UF的关键在于U变换。UF可以准确估计均值和协方差达到Taylor级数的四阶精度,而EKF估计均值达到二阶精度,协方差达到四阶精度。 二、扩展Kalman滤波(EKF)算法 EKF算法是一种近似方法，它将非线性模型在状态估计值附近作泰勒级数展开，并在一阶截断，用 得到的一阶近似项作为原状态方程和测量方程近似 表达形式，从而实现线性化同时假定线性化后的状 态依然服从高斯分布，然后对线性化后的系统采用 标准卡尔曼滤波获得状态估计。采用局部线性化技 术，能得到问题局部最优解，但它能否收敛于全局最 优解，取决于函数的非线性强度以及展开点的选择。 二、扩展Kalman滤波(EKF)算法 假定定位跟踪问题的非线性状态方程和测量方程如下: 在最近一次状态估计的时刻，对以上两式进行线性化处理，首先构造如下2个矩阵: 二、扩展Kalman滤波(EKF)算法 将线性化后的状态转移矩阵和观测矩阵代入到标准卡尔曼滤波框架中，即得到扩展卡尔曼滤波。 因为EKF忽略了非线性函数泰勒展开的高阶项，仅仅用了一阶项，是非线性函数在局部线性化的结果，这就给估计带来了很大误差，所以只有当系统的状态方程和观测方程都接近线性且连续时，EKF的滤波结果才有可能接近真实值。EKF滤波结果的好坏还与状态噪声和观测噪声的统计特性有关，在EKF的递推滤波过程中，状态噪声和观测噪声的协方差矩阵保持不变，如果这两个噪声协方差矩阵估计的不够准确，那就容易产生误差累计，导致滤波器发散。EKF的另外一个缺点是初始状态不太好确定，如果假设的初始状态和初始协方差误差较大，也容易导致滤波器发散。 三、无迹卡尔曼滤波算法(UKF) 为了改善对非线性问题进行滤波的效果，Julier 等人提出了采用基于unscented变换的UKF方法 UKF不是和EKF一样去近似非线性模型，而是对 后验概率密度进行近似来得到次优的滤波算法。 UKF算法的核心是UT变换，UT是一种计算非线性变换中的随机变量的统计特征的新方法，是 UKF的基础。 三、无迹卡尔曼滤波算法(UKF) 假设n维随机向量 ,x通过非线性 函数y=f(x)变换后得到n维的随机变量y。通过 UT变换可以以较高的精度和较低的计算复杂度求得y的均值 和方差 。UT的具体过程可描述如下: (1)计算2n+ 1个Sigma点及其权值: 三、无迹卡尔曼滤波算法(UKF) 式中: , 决定Sigma点的散布程度，通常取一小的正值,k通常取0; 用来描述x的分布信息了高斯情况下， 的最优值为2); 为矩阵平方根第i列； 为均值的权值， 为方差的权值。 ( 2)计算Sigma点通过非线性函数