一、自适应滤波基本思想

函数模型
{ X k = Φ k / k − 1 X k − 1 + Γ k − 1 W k − 1 Z k = H k X k + V k \left\{\begin{array}{l} \boldsymbol{X}_{k}=\boldsymbol{\Phi}_{k / k-1} \boldsymbol{X}_{k-1}+\boldsymbol{\Gamma}_{k-1} \boldsymbol{W}_{k-1} \\ \boldsymbol{Z}_{k}=\boldsymbol{H}_{k} \boldsymbol{X}_{k}+\boldsymbol{V}_{k} \end{array}\right. {Xk=Φk/k1Xk1+Γk1Wk1Zk=HkXk+Vk
随机模型
{ E [ W k ] = q k , E [ W k W j T ] = Q k δ k j E [ V k ] = r k , E [ V k V j T ] = R k δ k j E [ W k V j T ] = 0 \left\{\begin{array}{lc}{\color{red}\mathrm{E}\left[\boldsymbol{W}_{k}\right]=\boldsymbol{q}_{k}}, & \mathrm{E}\left[\boldsymbol{W}_{k} \boldsymbol{W}_{j}^{\mathrm{T}}\right]=\boldsymbol{Q}_{k} \delta_{k j} \\ {\color{red}\mathrm{E}\left[\boldsymbol{V}_{k}\right]=\boldsymbol{r}_{k}}, & \mathrm{E}\left[\boldsymbol{V}_{k} \boldsymbol{V}_{j}^{\mathrm{T}}\right]=\boldsymbol{R}_{k} \delta_{k j} \\ \mathrm{E}\left[\boldsymbol{W}_{k} \boldsymbol{V}_{j}^{\mathrm{T}}\right]=\mathbf{0} & \end{array}\right. E[Wk]=qk,E[Vk]=rk,E[WkVjT]=0E[WkWjT]=QkδkjE[VkVjT]=Rkδkj
系统噪声和量测噪声都不是零均值,且噪声的均值和方差都未知,用标准Kalman滤波没法做。

基本原理:噪声参数不准会影响系统输出,利用输出边作状态估计边作噪声辨识,需要系统的可观测新比较强。

  • 噪声均值均可等效于状态增广。把噪声分解成零均值部分和非零均值部分,非零均值的部分作为状态一并估计。所以对系统噪声和量测噪声的均值用自适应方法没有必要,真的未知又想估计它,就把它扩维增广为状态。
  • 系统噪声方差难以自适应,代表系统的状态,一般来说系统比较稳定,做自适应比较难。
  • 量测噪声方差相对容易自适应,代表仪器和环境的状态,有可能时好时坏,用自适应效果比较好。
  • 应尽量减少噪声自适应参数的数目,可以只对容易变化的量测做自适应。

二、量测噪声方差阵自适应算法

新息和新息的方差
Z ~ k / k − 1 = Z k − Z ^ k / k − 1 = H k X k + V k − H k X ^ k / k − 1 = H k X ~ k / k − 1 + V k E [ Z ~ k / k − 1 Z ~ k / k − 1 T ] = H k P k / k − 1 H k T + R k \begin{array}{l} \tilde{\boldsymbol{Z}}_{k / k-1}=\boldsymbol{Z}_{k}-\hat{\boldsymbol{Z}}_{k / k-1}=\boldsymbol{H}_{k} \boldsymbol{X}_{k}+\boldsymbol{V}_{k}-\boldsymbol{H}_{k} \hat{\boldsymbol{X}}_{k / k-1}=\boldsymbol{H}_{k} \tilde{\boldsymbol{X}}_{k / k-1}+\boldsymbol{V}_{k} \\ \mathrm{E}\left[\tilde{\boldsymbol{Z}}_{k / k-1} \tilde{\boldsymbol{Z}}_{k / k-1}^{\mathrm{T}}\right]=\boldsymbol{H}_{k} \boldsymbol{P}_{k / k-1} \boldsymbol{H}_{k}^{\mathrm{T}}+\boldsymbol{R}_{k} \quad \\ \end{array} Z~k/k1=ZkZ^k/k1=HkXk+VkHkX^k/k1=HkX~k/k1+VkE[Z~k/k1Z~k/k1T]=HkPk/k1HkT+Rk
想估计 R R R ,就认为左边都已知,就是新息量测值的方差减去预测量测值方差
R k = E [ Z ~ k / k − 1 Z ~ k / k − 1 T ] − H k P k / k − 1 H k T \boldsymbol{R}_{k}=\mathrm{E}\left[\tilde{\boldsymbol{Z}}_{k / k-1} \tilde{\boldsymbol{Z}}_{k / k-1}^{\mathrm{T}}\right]-\boldsymbol{H}_{k} \boldsymbol{P}_{k / k-1} \boldsymbol{H}_{k}^{\mathrm{T}} Rk=E[Z~k/k1Z~k/k1T]HkPk/k1HkT
这种的满足只是统计上整体的满足,不是说每一次测量都应该满足。

实际做Kalman滤波研究的往往只有一个样本,用时间平均来算,多个时刻的数据得出 R k R_k Rk 。并且写成递推的形式如下:
R ^ k = 1 k ∑ i = 1 k ( Z ~ i / i − 1 Z ~ i / i − 1 T − H i P i / i − 1 H i T ) = 1 k [ ∑ i = 1 k − 1 ( Z ~ i / i − 1 Z ~ i / i − 1 T − H i P i / i − 1 H i T ) + ( Z ~ k / k − 1 Z ~ k / k − 1 T − H k P k / k − 1 H k T ) ] = ( 1 − 1 k ) R ^ k − 1 + 1 k ( Z ~ k / k − 1 Z ~ k / k − 1 T − H k P k / k − 1 H k T ) \begin{aligned} \hat{\boldsymbol{R}}_{k} & =\frac{1}{k} \sum_{i=1}^{k}\left(\tilde{\boldsymbol{Z}}_{i / i-1} \tilde{\boldsymbol{Z}}_{i / i-1}^{\mathrm{T}}-\boldsymbol{H}_{i} \boldsymbol{P}_{i / i-1} \boldsymbol{H}_{i}^{\mathrm{T}}\right) \\ & =\frac{1}{k}\left[\sum_{i=1}^{k-1}\left(\tilde{\boldsymbol{Z}}_{i / i-1} \tilde{\boldsymbol{Z}}_{i / i-1}^{\mathrm{T}}-\boldsymbol{H}_{i} \boldsymbol{P}_{i / i-1} \boldsymbol{H}_{i}^{\mathrm{T}}\right)+\left(\tilde{\boldsymbol{Z}}_{k / k-1} \tilde{\boldsymbol{Z}}_{k / k-1}^{\mathrm{T}}-\boldsymbol{H}_{k} \boldsymbol{P}_{k / k-1} \boldsymbol{H}_{k}^{\mathrm{T}}\right)\right] \\ & =\left(1-\frac{1}{k}\right) \hat{\boldsymbol{R}}_{k-1}+\frac{1}{k}\left(\tilde{\boldsymbol{Z}}_{k / k-1} \tilde{\boldsymbol{Z}}_{k / k-1}^{\mathrm{T}}-\boldsymbol{H}_{k} \boldsymbol{P}_{k / k-1} \boldsymbol{H}_{k}^{\mathrm{T}}\right)\end{aligned} R^k=k1i=1k(Z~i/i1Z~i/i1THiPi/i1HiT)=k1[i=1k1(Z~i/i1Z~i/i1THiPi/i1HiT)+(Z~k/k1Z~k/k1THkPk/k1HkT)]=(1k1)R^k1+k1(Z~k/k1Z~k/k1THkPk/k1HkT)
上式每个时刻的权重都相同,为等加权平均。统计很长时间后 1 k \frac{1}{k} k1 会趋于 0 0 0 ,时间越长,自适应的能力越差。

为避免此问题,可以把 K K K 值限定,到了一定数目之后,就不让它再增加。如采用指数渐消记忆加权平均:
R ^ k = ( 1 − β k ) R ^ k − 1 + β k ( Z ~ k / k − 1 Z ~ k / k − 1 T − H k P k / k − 1 H k T ) \hat{\boldsymbol{R}}_{k}=\left(1-\beta_{k}\right) \hat{\boldsymbol{R}}_{k-1}+\beta_{k}\left(\tilde{\boldsymbol{Z}}_{k / k-1} \tilde{\boldsymbol{Z}}_{k / k-1}^{\mathrm{T}}-\boldsymbol{H}_{k} \boldsymbol{P}_{k / k-1} \boldsymbol{H}_{k}^{\mathrm{T}}\right) R^k=(1βk)R^k1+βk(Z~k/k1Z~k/k1THkPk/k1HkT)
其中 β k = β k − 1 β k − 1 + b β 0 = 1 , β ∞ = 1 − b , 0 < b < 1 \beta_{k}=\frac{\beta_{k-1}}{\beta_{k-1}+b} \quad \beta_{0}=1, \beta_{\infty}=1-b, 0<b<1 βk=βk1+bβk1β0=1,β=1b,0<b<1 称为渐消因子。 b b b 一般取的接近于 1 1 1,如 0.9 、 0.99 、 0.999 0.9、0.99、0.999 0.90.990.999

式子后半部分有矩阵相减,当实际噪声比较小时,容易出现量测方差负定,可改用“序贯标量量测+方差受限”自适应方法加以解决:

ρ k ( i ) = ( Z ~ k / k − 1 ( i ) ) 2 − H k ( i ) P k / k − 1 ( i ) ( H k ( i ) ) T \rho_{k}^{(i)}=\left(\tilde{Z}_{k / k-1}^{(i)}\right)^{2}-\boldsymbol{H}_{k}^{(i)} \boldsymbol{P}_{k / k-1}^{(i)}\left(\boldsymbol{H}_{k}^{(i)}\right)^{\mathrm{T}} ρk(i)=(Z~k/k1(i))2Hk(i)Pk/k1(i)(Hk(i))T R max  ( i ) , R min  ( i ) R_{\text {max }}^{(i)}, R_{\text {min }}^{(i)} Rmax (i),Rmin (i) 人为设置的方差上下限,有:
R ^ k ( i ) = { ( 1 − β k ) R ^ k − 1 ( i ) + β k R min ⁡ ( i ) ρ k ( i ) < R min ⁡ ( i ) R max ⁡ ( i ) ρ k ( i ) > R max ⁡ ( i ) ( 1 − β k ) R ^ k − 1 ( i ) + β k ρ k ( i )  others  \hat{R}_{k}^{(i)}=\left\{\begin{array}{cc}\left(1-\beta_{k}\right) \hat{R}_{k-1}^{(i)}+\beta_{k} R_{\min }^{(i)} & \rho_{k}^{(i)}<R_{\min }^{(i)} \\ R_{\max }^{(i)} & \rho_{k}^{(i)}>R_{\max }^{(i)} \\ \left(1-\beta_{k}\right) \hat{R}_{k-1}^{(i)}+\beta_{k} \rho_{k}^{(i)} & \text { others }\end{array}\right. R^k(i)= (1βk)R^k1(i)+βkRmin(i)Rmax(i)(1βk)R^k1(i)+βkρk(i)ρk(i)<Rmin(i)ρk(i)>Rmax(i) others 
流程如下:

卡尔曼滤波与组合导航原理(九)Sage-Husa自适应滤波-LMLPHP

左边的系统对右边有作用,右边对左边也有作用,比较复杂,需要对其做稳定性分析和可控性分析很困难。判断工程上能不能用得做仿真。

06-07 21:04