非线性卡尔曼滤波EKF与UKF.ppt

非线性卡尔曼滤波器 ——EKF与UKF 点击添加文本 点击添加文本 点击添加文本 点击添加文本 目录 扩展 卡尔曼滤波 Matlab仿真 前言 无损 卡尔曼滤波 点击添加文本 点击添加文本 点击添加文本 点击添加文本 卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。 适用于线性、离散和有限维系统。 一、前言 点击添加文本 点击添加文本 点击添加文本 点击添加文本 实际应用中，非线性的现象是十分普遍的，此时就需要采用非线性卡尔曼滤波技术。 目前，应用最为广泛的非线性卡尔曼滤波方法是将非线性方程近似成线性方程，忽略非线性部分，得到次优状态估计的非线性滤波。 扩展卡尔曼滤波器和无迹卡尔曼滤波器 一、前言 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 将期望和方差线性化的卡尔曼滤波器称作扩展卡尔曼滤波器（Extended Kalman Filter），简称EKF。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 我们将卡尔曼滤波的公式换一种方式表示，使其状态方程变为非线性随机差分方程的形式： 观测方程为： 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 随机变量 和 仍代表过程激励噪声和观测噪声。 状态方程中的非线性函数f将上一时刻k-1的状态映射到当前时刻k的状态。 观测方程中的驱动函数 和零均值过程噪声 是它的参数。非线性函数h反映了状态变量 和观测变量 的关系。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 实际中我们显然不知道每一时刻噪声 和 各自的值。 我们可以将它们假设为零，从而估计状态向量和观测向量为： 和 其中， 是过程相对前一时刻k的后验估计。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 以下给出了扩展卡尔曼滤波器的全部表达式。 注意我们用 替换 了来表达先验概率的意思，并且雅可比矩阵A,W,H,V也被加上了下标，明了它们在不同的时刻具有变化的值，每次需要被重复计算。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 扩展卡尔曼滤波器时间更新方程 是k时刻的过程雅可比矩阵 是中k时刻的过程激励噪声协方差矩阵。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 扩展卡尔曼滤波器状态更新方程 和V是k时刻的测量雅可比矩阵， 是k时刻的观测噪声协方差矩阵（注意下标k表示 随时间变化）。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 二、扩展卡尔曼滤波器 EKF应用于非线性状态估计系统中已经得到了学术界认可并为人广泛使用，但这种方法存在两个缺点： 当强非线性时，Taylor展开式中被忽略的高阶项带来大的误差，EKF算法可能发散； 由于EKF在线性化处理时需要用雅克比矩阵，其繁琐的计算过程导致该方法实现相对困难。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 三、无损卡尔曼滤波器 UKF（Unscented Kalman Filter)，中文释义是无损卡尔曼滤波、无迹卡尔曼滤波或者去芳香卡尔曼滤波。 是无损变换(UT) 和标准Kalman滤波体系的结合，通过无损变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 三、无损卡尔曼滤波器 UKF通过引入确定样本的方法,用较少的样本点来表示状态的分布,这些样本点能够准确地捕获高斯随机变量的均值和协方差矩阵,当其通过任意非线性函数时,函数输出值能够拟合真实函数值,精度可以逼近3阶以上。 点击添加文本 点击添加文本 点击添加文本 点击添加文本 三、无损卡尔曼滤波器 即UKF可以看成是基于UT技术的卡尔曼滤波器。在卡尔曼滤波算法中，对于一步预测方程，使用UT变换来处理均值和协方差的非线性传递。 UKF=Unscented Transform + Kalman Filter 点击添加文本 点击添加文本 点击添加文本 点击添加文本 三、无损卡尔曼滤波器 非线性系统模型为： 状态初始条件为： 点击添加文本 点击添加文本 点击添加文本 点击添加文本 三、无损卡尔曼滤波器 计算sigma点 时间更新 点击添加文本 点击添加文本 点击添加文本 点击添加文本 三、无损卡尔曼滤波器 测量更新 点击添加文本 点击添加