目标跟踪系统中的滤波方法第2章 卡尔曼滤波和非线性系统滤波方法.ppt

第2章 卡尔曼滤波和非线性系统滤波方法 　　　　2.2 卡尔曼滤波算法2.2.1 状态空间模型　　对于离散状态空间模型或者贝叶斯非线性滤波模型，一般都包含有下列条件概率分布函数 　 2.2.2 最优滤波方程　　最优滤波就是在给定历史量测值的情况下，计算出每一时刻状态向量xk的边缘后验分布值p(xk|y1: k)。　　定理2.1 计算预测分布p(xk|y1: k－1)及滤波分布p(xk|y1: k)的递归方程由下述贝叶斯滤波方程给出。　　(1) 初始化。递归是从先验分布p(x0)开始的。　　(2) 预测。状态向量xk在第k步的预测分布可以通过ChapmanKolmogoro方程获取 其中归一化常数Zk为 如果xk－1是离散的，那么式(2-9)中的积分变为在xk－1处的累加和。在给定y1: k的条件下，xk的分布可以通过贝叶斯规则进行计算 2.2.3 卡尔曼滤波　　卡尔曼滤波是一种离散状态空间模型下的线性最小方差估计。系统的动态方程和量测方程都是线性高斯的，通常表示为 更新步骤为 其中 　　　　　2.3 扩展卡尔曼滤波算法2.3.1 泰勒级数展开　　考虑将高斯随机变量x转换成另外一个随机变量y 其中：Gx(m)是一个雅可比矩阵，其各个元素定义为 计算该式在x=m时的期望值为 向量x和y之间的互协方差也很重要，它可以通过下面的增广变换来获得 　　(1) 含加性噪声的线性化近似。对x和随机变换y=g(x)+q的联合分布的线性化为 　　(2) 含非加性噪声的线性化近似。如果滤波模型中的过程噪声是非加性的，即有 上述近似值的计算可以通过下面的规则求取。　　对于x和y=g(x，q)的联合分布，其线性化近似为 相应地，Gq(m)也是一个函数g关于噪声变量q的雅可比矩阵，该矩阵元素为 其中，Gx(m)是形如式(2-55)的雅可比矩阵，而G(i)xx(m)是当x=m时的Hessian矩阵，即 2.3.2 扩展卡尔曼滤波　　1. 带有加性噪声的一阶扩展卡尔曼滤波过程　　假定过程噪声和量测噪声都是加性噪声，扩展卡尔曼滤波系统模型如下　　　　　　　　　　　　xk=f(xk－1)+qk－1　　　　　　　　 (2-70)　　　　　　　　　　　　yk=h(xk)+rk　　　　　　　 (2-71)其中：x∈Rn是状态向量，y∈Rm是量测向量，qk－1~N(0，Qk－1)和rk~N(0，Rk)分别是高斯过程噪声及高斯量测噪声。f是动态模型函数，h是量测模型函数。需要指出的是，函数f，h有时也将离散的时间变量k作为参数。　　预测步骤为 更新步骤为 　　2. 带有非加性噪声的一阶扩展卡尔曼滤波　　具有非加性噪声的扩展卡尔曼滤波系统模型为 　　3. 带有加性噪声的二阶扩展卡尔曼滤波　　类似地，利用泰勒级数二阶展开近似方法，可以获得二阶扩展卡尔曼滤波。下面给出算法步骤。　　预测步骤为 　　非加性的情况可以通过同样的过程获得，这里不再赘述。与其它非线性滤波相比，EKF的优点就是在实现方面相对比较简单，时间复杂度低。构建非线性化系统的近似线性化是解决非线性系统滤波问题的常规做法，且易于理解和接受。其缺点是EKF要求非线性系统的量测模型函数和动态模型函数是可微分的。EKF虽然被广泛用于解决非线性系统的状态估计问题，但其滤波效果在很多复杂系统中并不能令人满意。模型的线性化误差往往会严重影响最终的滤波精度，甚至导致滤波发散。另外，在许多实际应用中，模型的线性过程比较繁琐，而且也不容易得到。这就迫使人们不断寻求新的非线性滤波算法。 　　　　2.4 不敏卡尔曼滤波算法2.4.1 不敏变换　　不敏卡尔曼滤波是在不敏变换的基础上发展起来的。不敏变换的基本思想是由Julier等首先提出的，是用于计算经过非线性变换的随机变量统计的一种新方法。该方法不需要对非线性状态和量测模型进行线性化，而是对状态向量的概率密度函数进行近似。近似化后的概率密度函数仍然是高斯的，但它表现为一系列选取好的西格玛采样点。　　假设x为一个nx维随机向量，　　　　　为一非线性函数，并且y=g(x)。x的均值和协方差分别为　和P。计算UT变换的步骤可简单叙述如下。 　　Step 1：首先计算2nx+1个西格玛采样点χi和相应权值ωi 其中，[]i表示矩阵的第i列，nx为状态向量的维数，λ是一个尺度参数，定义如下　　　　　　　　　　λ=α2(nx+κ)－nx　　　　　　 　　(2-101)式中参数α，κ决定西格玛点以均值为原点的分散程度。　　Step 2：每个西格玛采样点通过非线性函数传播，得到　　　　　　　　yi=g(χi)，i=0，…，2nx　　　　　(2-102)　　Step 3：y的估计值和协方差估计如下 2