第四章 6节卡尔曼滤波.docxVIP

4.5卡尔曼滤波 1960年由Kalman和Bucy提出（空间技术的发展） 1） 是线性最小均方误差滤波 2） 把对信号的先验知识用信号的模型形式表示 3） 时域状态变量法 4） 递推形式的线性最小均方误差算法。 卡尔曼滤波建立在已知随机信号模型的基础上；它适用于时变非平稳随机 序列。动态估计 4.5.1卡尔曼滤波的基本概念 一个实际的系统可用如下形式表示: 设向量非平稳序列xk 1和Jki用下面的动态方程描述: （4—33）七=气,k -1 xk-1+wk-1 （4—33） 〔*= CVvk x是状态向量，J是观测向量，W是输入噪声，V是观测噪声，① 是 k k k k k ,k-1 从k -1时刻到k时刻的状态转移阵。上述动态方程可由系统的机理推导得来或由 实验数据辨识得到。现假设已知。 有如下假设： 1）约和Vk为零均值白噪声即: kjE[w ] = 0, Cov[w , w ] = E (w wt )= Q 8 kj E[v ] = 0, Cov[v , v ] = E(v vt) = R 8 【k k j k j k kj 其中Qk对称半正定R对称正定，均为已知。 2） ,k )j 3）初始状态x 3） 初始状态x0是随机向量 且与 Wk、V不相关， I Cov[x w 扫 E X(- Ex wt)- ]cov[x ,v 扫 E X(一 Ex vt)=] 卡尔曼滤波:——状态估计 在已知动态方程（4—33）（状态和观测方程）和样本观测数据七，Jk1 , 情况下，求随机序列样本——状态xk的估计值xk。 由方程可看出: 若无观测噪声可直接由七求得xk, 若无输入噪声可直接由气]推出气。 但实际是电，匕均不为零，所以不能用(4—33)方程求。 卡尔曼通过对称为一步预测观测误差一一新息的修正加之最小均方误差调 整准则很好地解决了带有噪声的状态估计问题。 现代控制理论中的状态观测器是一种最简单的估计算法。它只适用于定常系 统。卡尔曼也适用于时变系统，而且由于充分利用了噪声的统计特性，精度也高 很多。 卡尔曼的递推思想与新息：递推计算和新息是卡尔曼滤波的基本思想，请看 如： =-]+ - 2 + + 七. % — \+1 ,1 ， 、 =y +~~7 (y - y ) k k + 1 k+1 k 平均计算变成一种递推计算，大大减少了计算量，把k + 1估计看成是在k基 1 础上的修正，分析修正项 e (yk+1 - yk)它的作用： yk+1的估计看成是在七基础上进行修正。 睨的估计可理解为对k +1次估计的预测。 修正项中*+1 -yk称为一步观测误差，若一步预测误差为0，说明预测很 准不必修正，否则修正。 1 —是对修正的加权系数，k个，修正J k +1 一步预测误差yk+1-yk是第k +1的测量的新信息，它提供了 y*预测无法 预测的信息。称为新息(Innovation)。 卡尔曼滤波器正是应用了上述新息的递推计算原则。 4.5.2卡尔曼滤波的新息递推： 一 一 . 一 - . .... 人 一 卡尔曼滤波对现状态Xk的估计Xk米用的是：过去状态对现状态的预测 X I ，加上观测偏差(y - CX )的适当加权修正K艮即 klk-1 k k kk-1 k 、 、 人 一 一一、 x k= X klk-1+ Kk(TCkX kk-1) (4—34) X 是基于k -1次对k次的预测估计。 k k -1 X| 二① X (4—35) klk-1 k ,k-1 k-1 所以 X =e X + K (y -C ① X ) (4—36) k k ,k-i k-i k k k k ,k-i k -i 预测+修正=加权?新息 其中Kk——修正加权称为增益矩阵，它决定着递推方向，质量。 如何确定Kk是卡尔曼滤波器的核心。把Kk建立成一种能够递推的结构形式 是卡尔曼的独到之处！实时性能好！ 只要增益矩阵、已知，就可以用(4—36)式递推地求得这一步的状态估计 … ■?一 、一- 一 、一， 人 ?■一 、 一一、 , ，、一 ? 值。而K的大小反映了对观测y和新息(y -C① X )的重视程度，直接影 k k k k k,k-1 k-1 响到状态估计的准确性，是状态估计的关键。 确定Kk的准则：最小均方误差准则。 J = E[x - x )t (x - x )L min (4—37) 即 J = t r E k-“ k)x( - x T)x=f =t r ih i n (4—38) kK 其中tr表示方阵迹，即对角元之和。■是状态估计的均方误差矩阵。 极小化J，即 (4—39)dt r P 八 k = 0 dK (4—39) k 求Kk。 选择犬」吏J最小，得卡尔曼滤波器递推公式为： ^^ =① kk 1P / Tk k