卡尔曼滤波研究综述.docx

word zl word zl 卡尔受滤波研究综述 1卡尔曼滤波简介 1.1卡尔受滤波的由来 I960年卡尔曼发表了用递归方法解决离散教据线性滤波问题的论文.?A New Approach to Linear Filtering and Prediction Problems?(线,性滤波与预测问题的新■方 法〕，在这篇文章里一种抑制了维纳海波块点的新方法被提出来，这就是我们今 天称之为卡尔曼波波的方法。卡尔曼波波应用广泛且功能强大，它可以估计信号 的过去和当前状态爹至能估计将来的状态即使并不知道模型确实切性质. 其根本思想是以最小均方误差为放正确估计准那么，釆用信号与喋声的状态 空间模型利用前一时刻的估计值和当紡时刻的呪测值来更新对状态变量的估计， 求出当紡时刻的估计值。算法根据建立的系统方程和观测方程时需要处理的信号 做出满足无小均方误差的估计. 时于解决很大局部的问题，它疋辰优，效率危高甚至是敢有用的。它的广泛 应用已经超过3() 4,包括机器人导航，控制，传感器教据融合甚至在军事方面 的書达系统以及导佯追踪等等。近年来更被应用于计算机图像处理，例如头脸识 别，图像分割，图像边缘检测等等。 1.2标准卡尔曼滤波■离散线性卡尔吏滤波 为了描述方便我们作以下假设：物理系统的状态转换过程可以描述为一个禹 散时间的随机过程；系统状态受投制输入的影响；系统状态及观测过程都不可防 止受喋声影响；时系统状态延非貪接T观测的。在以上假设前提下，得到系统的 状体方程和观测方程。 式中:X为状态向量L为观测向量e“，为状态转移矩阵,Um为按制向受，一般 不考虑Xu-1 ,Bk为系数矩阵为系统动态噪声向量A为呪测噪声向童，其随机模 型为 E(nk) =();E() =0；cov(nk.Q) = DDQ 毎， cov( A) = ru)；Ev(d A) =();E 区)=px(o) varQQ = DQQ；cw%,以)=O;cw(\A) =0.1-2 卡尔曼滤波递推公式为 X (k/k) = X (k/k-l)+J心Bh X (k/k-1)), D(k/k) = (E-LBk)Dt(k/k-l), _k= DT(k/k-l)BTk[BkDT(k/k-l)]BVDA(k)]-l, Ml X(k/k-l)=R,zX(k-1/k-l), Ds(k/k-l) S山D*(k.1/k.1冲丄+rK」(k?l仍il.32几种最新改进型 的卡尔曼滤波算法。 2.1近似二阶扩展卡尔曼滤波 标准的卡尔曼滤波只适用于线性系统，而工程实际问題涉及的又大多是非 线性系统，于是戒于非线性系统线性化的扩展卡尔曼滤波(EKF)在上世纪70年代 被提出，目前已经成为非线性系统中广泛应用的估计方法。近似二阶扩展卡尔曼 滤波方法(AEKF)某于线性质小方差递掉滤波框架，应用均伉变换的二阶近似从 而得到非线性系统的递推滤波滤波框架 该滤波晟于线性我小方差递推框架，状态X的散小方差估计为 A X=￡(X/L)2-I-1 L是观测矩阵，假定状态X的估计值?是观测矩阵L的线性函数，即 A X(L) = AL+b2-\-2 得到載优估计和估计误差方差阵的遂推方程分别为： E(X(k +1)/ ￡/h)= E(X(k + 1)/L(k +1), =E(X 侬 +1) / A/ ) + CO V(X (* +1), L(k + 1)/L^)(yar(L(k +1) / 妒)fl(L(k +1) - 顷it +1) / )) 2-1-2 Var(X(k +1)/= Var(X(k + l)/L(k +1), ￡/) = Var(X(k + l)/L^)-COV(X(k + llL(k^\)/L^){yar(Hk + l)/L^)rlC(nr(X(k + l).(L(k^l)/L,K) 2-1-3 2.1.2近似二阶扩展卡尔曼滤波器的设计 在EKF中血设非线性函-ft y=f(X)在状态X的最优估计(预测)值处线性化，即 y*/(XRDfl/2-1-4 y的均值、方差和协方差的近似估计 E(X) 对均值进展二阶近似，而对方差和协方差进展一阶近似，即可得 y*/(x)+l[v^v)/(x)]. 2 x-x 匕5‘ 2-1-6 PxL PxxAx 考虑如下带加柱噪声的非綫性离散系统 X(k+1)=f(x(k)? +r(x(k),k)v(k) L(k+1) =h(X(k+l)k*4) +W(k+1) 将式2-1-6所使用的近似二阶方法代入2-1-2,和2-1-3, T得如下近似二阶卡尔 曼滤波遂推公式。 预测阶段： X (k+1 |k)=f(X (k),k)+l/2[( VTP(k) )f(X,k)] I X 网2!7 P(k+11 k)二中gP(k)中Mm+「(X(k)”。?)/(\低)上) A A