CN109582916A - 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 - Google Patents
一种基于观测噪声方差未知的自适应卡尔曼滤波方法 Download PDFInfo
- Publication number
- CN109582916A CN109582916A CN201910079242.7A CN201910079242A CN109582916A CN 109582916 A CN109582916 A CN 109582916A CN 201910079242 A CN201910079242 A CN 201910079242A CN 109582916 A CN109582916 A CN 109582916A
- Authority
- CN
- China
- Prior art keywords
- noise
- unknown
- variance
- mse
- kalman filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明属于线性系统的目标跟踪领域,涉及针对单一噪声未知的自适应卡尔曼滤波方法。本发明大体包括三部分内容。第一部分根据实际目标运动进行系统建模;第二部分参考相关文献,研究噪声未知时系统内部均方误差(MSE)的变化并将其和新息联合起来;第三部分在第二部分的基础上提出在观测噪声方差未知的情况下,通过求解矩阵计算未知噪声方差。本发明提出的新型自适应卡尔曼滤波相比于sage‑husa自适应滤波对于噪声估计有着更好的滤波效果,能够准确地估计目标的运动状态,有效地实现了目标跟踪的功能。
Description
技术领域
本发明属于线性系统的目标跟踪领域,涉及过程噪声方差未知的自适应卡尔曼滤波方法。
背景技术
卡尔曼滤波算法自诞生以来,便在诸多领域得到广泛的应用。与维纳滤波相比,kalman滤波能够解决了非平稳随机信号或状态的最优估计问题。但是在非线性系统中就不能直接使用kalman滤波。通常人们使用扩展kalman滤波,即对非线性方程做泰勒级数展开,以进行线性化近似。在线性化误差较小的系统中使用ekf具有较高的估计精度。此外,还有无迹kalman滤波,积分kalman滤波,容积kalman滤波等通过定点采样实现对非线性系统的近似滤波,比ekf有着更好的估计精度,但同时计算量也大于ekf。除此之外,采用线性化近似的还有傅里叶klaman滤波和中心差分kalman滤波,也都具有较为良好的滤波效果。
作为一种无偏的最小方差估计算法,卡尔曼滤波算法若要获得较好的系统状态估计,系统动态模型必须准确且噪声的统计特性必须为已知的不相关白噪声。此外,为了保证滤波结果的无偏性和滤波的稳定性,必须选取合适的滤波初值及其方差矩阵,否则可能会极大地影响滤波精度,甚至可能会导致滤波发散。在实际应用中,经常会遇到系统模型不精准,系统初始值设置不精准,噪声统计特性不精准或未知等问题。Sage-husa提出了一种自适应滤波算法,可以在线估计观测噪声Q和过程噪声R,但是在实际运用中只能在确定一种噪声的情况下估计另一种噪声。
发明内容
本发明针对现有技术的不足,提供了一种基于过程噪声方差未知自适应卡尔曼滤波方法。
本发明大体包括三部分内容:第一部分根据实际目标运动进行系统建模;第二部分确定噪声未知时系统内部均方误差(MSE)的变化并将其和新息联合起来;第三部分在第二部分的基础上提出过程噪声方差未知的情况下,通过求解矩阵计算未知噪声方差。
本发明的技术方案:
步骤1.系统建模:
xk=Fk,k-1xk-1+wk,k-1
zk=Hkxk+vk
式中,k表示时刻,xk∈Rn是系统状态向量,Fk,k-1∈Rn×n是系统从时刻k-1到时刻k的状态转移矩阵,wk,k-1∈Rn表示均值为零,方差为Qk,k-1∈Rn×n的高斯白噪声的过程噪声,zk∈Rp是xk的观测向量,Hk∈Rp×n表示观测矩阵,vk∈Rp表示均值为零,方差为Rk∈Rp×p的高斯白噪声的观测噪声,并且过程噪声和观测噪声并不相关。
步骤2.将不同的均方误差与新息结合,具体是:
过程噪声未知的情况下的存在三种均方误差,即理想MSE,计算MSE,真实MSE。其中,计算MSE和真实MSE与能够反应出系统估计误差的新息结合,可以得到关联的方程组。
步骤3.给出基于多方法融合的量化卡尔曼滤波,具体是:
通过计算系统噪声未知时,真实MSE,计算MSE与新息的关联方程组,可以得到:
其中
Dk=HkFk,k-1
根据以上方程可以得知,当系统只存在一种未知噪声方差时,系统的未知噪声方差存在唯一解,且可以通过求解上述方程得到。最后将得到的过程噪声方差Rk代入卡尔曼滤波器即可实现对目标状态的估计。
本发明的有益效果:本发明提出的新型自适应卡尔曼滤波相比于sage-husa自适应滤波对于噪声估计有着更好的滤波效果。并且由于是直接估计过程噪声方差的偏差ΔRk,因此无论无论初值如何变化,对滤波效果的影响都不大。
附图说明
图1为本发明方法的流程图。
具体实施方式
以下结合附图1对本发明作进一步说明。
本发明包括以下步骤:
步骤1.系统建模
经典离散线性系统的模型如下:
xk=Fk,k-1xk-1+wk,k-1 (1)
zk=Hkxk+vk (2)
式中,k表示时刻,xk∈Rn是系统状态向量,Fk,k-1∈Rn×n是系统从时刻k-1到时刻k的状态转移矩阵,wk,k-1∈Rn表示均值为零,方差为Qk,k-1∈Rn×n的高斯白噪声的过程噪声,zk∈Rp是xk的观测向量,Hk∈Rp×n表示观测矩阵,vk∈Rp表示均值为零,方差为Rk∈Rp×p的高斯白噪声的观测噪声,并且过程噪声和观测噪声并不相关。
步骤2.将不同MSE与新息联合
在已知准确的过程噪声时,可以得到卡尔曼滤波器的迭代方程:
当系统存在不匹配噪声方差时,有
式中,Rk表示真实的过程噪声方差。表示实际应用中假设的过程噪声方差,并且用上标u表示,ΔRk表示偏差。
根据式(7)可知对于过程噪声方差未知的卡尔曼滤波器
其中,上标f表示滤波器的计算值。表示滤波器k时刻的计算MSE。
滤波估计值的实际MSE为
其中,上标m表示滤波器的真实值。
已知滤波器的新息为
的协方差矩阵为
上标f表示计算值。
但是并不是的协方差矩阵的真实值。
上标m表示真实值。根据(12),(13)可以看出新息与MSE存在对应的关系。新息的计算值包含计算MSE,而新息的实际值包括实际MSE。
步骤3.针对过程噪声方差未知的自适应滤波
当系统的过程噪声未知时,根据式(9),(10),(12),(13)
其中
Dk=HkFk,k-1 (19)
联立式(11),(12)便可得到
设
通过将式(21)代入(20)求解该矩阵方程可以得到ΔRk。根据式(3)可以求得
将式(22)的代入式(4),(5)可以得到
本发明提出的新型自适应卡尔曼滤波相比于sage-husa自适应滤波对于噪声估计有着更好的滤波效果,能够准确地估计目标的运动状态,有效地实现了目标跟踪的功能。并且由于是直接估计过程噪声方差的偏差ΔRk,因此无论初值如何变化,对滤波效果的影响都不大。
Claims (1)
1.一种基于观测噪声方差未知的自适应卡尔曼滤波方法,其特征在于该方法包括以下步骤:
步骤1.系统建模:
xk=Fk,k-1xk-1+wk,k-1
zk=Hkxk+vk
式中,k表示时刻,xk∈Rn是系统状态向量,Fk,k-1∈Rn×n是系统从时刻k-1到时刻k的状态转移矩阵,wk,k-1∈Rn表示均值为零,方差为Qk,k-1∈Rn×n的高斯白噪声的过程噪声,zk∈Rp是xk的观测向量,Hk∈Rp×n表示观测矩阵,vk∈Rp表示均值为零,方差为Rk∈Rp×p的高斯白噪声的观测噪声,并且过程噪声和观测噪声并不相关;
步骤2.将不同的均方误差与新息结合,具体是:
过程噪声未知的情况下的存在三种均方误差,即理想MSE,计算MSE,真实MSE;其中,计算MSE和真实MSE与能够反应出系统估计误差的新息结合,可以得到关联的方程组;
步骤3.给出基于多方法融合的量化卡尔曼滤波,具体是:
通过计算系统噪声未知时,真实MSE,计算MSE与新息的关联方程组,可以得到:
其中
Dk=HkFk,k-1
根据以上方程可以得知,当系统只存在一种未知噪声方差时,系统的未知噪声方差存在唯一解,且可以通过求解上述方程得到;最后将得到的过程噪声方差Rk代入卡尔曼滤波器即可实现对目标状态的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079242.7A CN109582916A (zh) | 2019-01-28 | 2019-01-28 | 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079242.7A CN109582916A (zh) | 2019-01-28 | 2019-01-28 | 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109582916A true CN109582916A (zh) | 2019-04-05 |
Family
ID=65918160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910079242.7A Pending CN109582916A (zh) | 2019-01-28 | 2019-01-28 | 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109582916A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569480A (zh) * | 2019-09-12 | 2019-12-13 | 河南牧业经济学院 | 噪声方差不精确的单传感器系统自适应滤波算法 |
CN111624499A (zh) * | 2020-04-22 | 2020-09-04 | 宁波飞拓电器有限公司 | 一种soc估计的基于参数估计准则的自适应滤波方法 |
CN111652263A (zh) * | 2020-03-30 | 2020-09-11 | 西北工业大学 | 一种基于多滤波器信息融合的自适应目标跟踪方法 |
CN111865268A (zh) * | 2020-07-10 | 2020-10-30 | 南京理工大学 | 一种简易快速的卡尔曼滤波方法 |
CN112046793A (zh) * | 2019-06-05 | 2020-12-08 | 上海交通大学 | 复杂扰动下的空间相对状态快速确定方法 |
CN112946641A (zh) * | 2021-01-27 | 2021-06-11 | 北京航空航天大学 | 一种基于卡尔曼滤波新息与残差相关的数据滤波方法 |
CN112986978A (zh) * | 2021-01-25 | 2021-06-18 | 同济大学 | 一种雷达目标跟踪滤波的信任度获取方法 |
-
2019
- 2019-01-28 CN CN201910079242.7A patent/CN109582916A/zh active Pending
Non-Patent Citations (1)
Title |
---|
方璇等: ""用于四旋翼飞行器姿态估计的新息扩展Kalman滤波"", 《自动化技术与应用》, vol. 36, no. 12 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112046793A (zh) * | 2019-06-05 | 2020-12-08 | 上海交通大学 | 复杂扰动下的空间相对状态快速确定方法 |
CN110569480A (zh) * | 2019-09-12 | 2019-12-13 | 河南牧业经济学院 | 噪声方差不精确的单传感器系统自适应滤波算法 |
CN110569480B (zh) * | 2019-09-12 | 2023-07-18 | 河南牧业经济学院 | 噪声方差不精确的单传感器系统自适应滤波方法 |
CN111652263A (zh) * | 2020-03-30 | 2020-09-11 | 西北工业大学 | 一种基于多滤波器信息融合的自适应目标跟踪方法 |
CN111652263B (zh) * | 2020-03-30 | 2021-12-28 | 西北工业大学 | 一种基于多滤波器信息融合的自适应目标跟踪方法 |
CN111624499A (zh) * | 2020-04-22 | 2020-09-04 | 宁波飞拓电器有限公司 | 一种soc估计的基于参数估计准则的自适应滤波方法 |
CN111624499B (zh) * | 2020-04-22 | 2022-03-04 | 宁波飞拓电器有限公司 | 一种soc估计的基于参数估计准则的自适应滤波方法 |
CN111865268A (zh) * | 2020-07-10 | 2020-10-30 | 南京理工大学 | 一种简易快速的卡尔曼滤波方法 |
CN112986978A (zh) * | 2021-01-25 | 2021-06-18 | 同济大学 | 一种雷达目标跟踪滤波的信任度获取方法 |
CN112946641A (zh) * | 2021-01-27 | 2021-06-11 | 北京航空航天大学 | 一种基于卡尔曼滤波新息与残差相关的数据滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109582916A (zh) | 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 | |
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN103927436A (zh) | 一种自适应高阶容积卡尔曼滤波方法 | |
CN110490273A (zh) | 噪声方差不精确建模的多传感器系统融合滤波算法 | |
CN110501696B (zh) | 一种基于多普勒量测自适应处理的雷达目标跟踪方法 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
CN107728138B (zh) | 一种基于当前统计模型的机动目标跟踪方法 | |
CN103217175B (zh) | 一种自适应容积卡尔曼滤波方法 | |
CN109163720A (zh) | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 | |
CN107451102A (zh) | 一种改进自训练算法的半监督高斯过程回归软测量建模方法 | |
CN107994885B (zh) | 一种同时估计未知输入和状态的分布式融合滤波方法 | |
CN104112079A (zh) | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 | |
CN108319570A (zh) | 一种异步多传感器空时偏差联合估计与补偿方法及装置 | |
CN109341690A (zh) | 一种鲁棒高效的组合导航自适应数据融合方法 | |
CN108509379A (zh) | 全局估计自适应两阶段平方根容积滤波的方法 | |
CN108267731A (zh) | 无人机目标跟踪系统的构建方法及应用 | |
CN111444474B (zh) | 一种基于乘性噪声相关自适应ckf的目标跟踪方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN108446256A (zh) | 局部估计自适应两阶段平方根容积滤波的方法 | |
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
Fatemi et al. | A study of MAP estimation techniques for nonlinear filtering | |
CN103268403B (zh) | 一种基于容积强跟踪信息滤波器的目标跟踪方法 | |
CN109188422B (zh) | 一种基于lu分解的卡尔曼滤波目标跟踪方法 | |
CN109582915B (zh) | 应用于纯方位跟踪的改进非线性可观测度自适应滤波方法 | |
CN115859626A (zh) | 针对周期运动目标的自适应无迹卡尔曼滤波器设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190405 |