目标跟踪系统中的滤波方法第4章 等式状态约束条件下的滤波方法.ppt

第4章 等式状态约束条件下的滤波方法 　　　　　　　　　4.1 引 言　　在状态估计理论的实际应用中，状态向量可能受到某些线性或者非线性函数的约束。例如：地面目标跟踪系统中，目标运动轨迹可能会受道路二维形状的约束；船舶沿海岸线航行过程中会受海岸线物理位置的约束；钟摆在摆动过程中遵循机械能守恒定律等。如果能够将这些固有的状态约束条件有效地施加到滤波过程中，则从理论上可以获得更高的滤波精度。尽管卡尔曼滤波是最小方差意义下的最优滤波器，然而，如果系统是非线性的，则由卡尔曼滤波衍生出来的算法并不能得到最优解。此外，即便系统是线性的，通过施加约束，可以缩小算法中所使用的系统模型和实际系统之间的差异。因此，针对状态约束下估计算法的研究是很有意义的[1-3]。 　　4.2 线性状态约束方法　　考虑系统模型　　　　　　　　　　　xk+1=Fxk+ωk 　　　　　　　 (4-1)　　　　　　　　　　　yk=Hxk+υk 　　　　　　　　 (4-2)其中，xk是k时刻的状态值，yk是k时刻的量测值，ωk和υk是均值为零协方差分别为Q和R的过程噪声和量测噪声，F和H是状态转移矩阵和量测矩阵。Kalman滤波器是上世纪中叶由几个不同研究者分别独立提出的[11]。　　 Kalman滤波方程如下: 　　　　　　　　　Pk|k－1=FPk－1|k－1FT+Q 　　　　　 (4-3)　　　　　　　　Kk=Pk|k－1HT(HPk|k－1HT+R)－1　　　　　 (4-4) 或者不等式约束　　　　　　　　　　　　　Dxk≤d　　　　　　　 (4-9)其中D是已知的矩阵，d是已知的向量。在这种情况下想要获得满足约束的状态估计xk，即状态估计值应满足 4.2.1 模型降阶　　在式(4-8)中的等式约束可以用降低系统模型参数的阶数来解决[13]。举一个例子，考虑系统 式(4-15)~式(4-17)可以被写为 4.2.2 最佳量测　　状态等式约束可以作为具有零量测噪声的最佳量测来对待[14,15]。如果这个约束通过式(4-8)给定，此处D是一个s×n维矩阵，其中sn，然后将约束分量扩维为式(4-2)的s个最佳量测，扩维后的方程为 4.2.3 估计投影　　另一种约束滤波方法是将Kalman滤波的无约束估计　　投影到约束面[5]。约束估计为 　　可以证明式(4-23)的约束状态估计值是无偏的，即 4.2.4 具有不等式约束的估计投影　　约束滤波器的估计投影方法有这样一个优点，即： 它能扩展到式(4-11)中的不等式约束。如果有约束条件　　　，那么约束估计能够通过修正式(4-21)和式(4-22)得到。即要解下列问题： 使得 4.2.5 增益投影　　标准Kalman滤波可以通过求解下列问题来推导[2]： 使得 4.2.6 概率密度函数截断　　在概率密度函数(Probability Density Function，PDF)截断方法中，通过Kalman滤波计算状态估计的PDF，假定它是高斯的，而且在约束边界截断PDF，该约束状态估计等价于截断的PDF的均值。设计该方法的最初目的是解决不等式约束，对其进行稍加改变后可以应用到等式约束问题中。　　当状态向量维数大于一维时，该方法变得复杂。在这种情况下，对状态估计进行归一化，使得其分量相互独立。然后，将归一化的约束一次应用于一个分量。当所有的约束使用完之后，使用归一化的逆过程来得到约束估计状态。详细过程可查看文献[2,18]。 4.2.7 系统投影　　状态约束意味着过程噪声也是受约束的。这种认识引导我们可以先修改初始估计误差协方差和过程噪声，然后再执行标准的卡尔曼滤波方程[19]。假定受约束系统方程为　　　　　　　　　　　　xk+1=Fxk+ωk 　　　　　 (4-46)　　　　　　　　　　　　　Dxk=d 　　　　　　　 (4-47)同样可以假设无噪声系统也满足上式约束条件，即DFxk=0。但是这种结果意味着Dωk=0。如果没有满足上述方程，那么噪声与状态就是相关的，这是与系统特性的典型假设相违背的。如果Dωk=0，则　　　　　　　　　　　DωkωTkDT=0 　　　　　 (4-48)　　　　　　　　　　E(DωkωTkDT)=0 　　　　　 (4-49)　　　　　　　　　　　　DQDT=0 　　　　　　　(4-50) 　　上述方程意味着Q必须是奇异矩阵，假设Q是行满秩的。举一个简单例子，考虑式(4-12)和式(4-13)中的三态系统。由式(4-12)可得　　　　　　x1,k+1+x3,k+1=5x1,k+5x3,k+ω1,k+ω3,k 　　　(4