抗差UKF.pptx

自适应抗差UKF 胡健生 目录 自适应滤波介绍 抗差介绍 改进的抗差UKF 自适应UKF 自适应抗差UKF 自适应滤波 自适应滤波的目的之一是在利用观测数据进行递推滤波的同时，不断地由滤波本身去判断目标在动态上是否有变化，当判断有变化时，要进一步决定是把这种变化看作随机干扰而归到模型噪声中去，还是对原动态模型进行修正，使之适应目标变化后的动态。自适应滤波的另一个目的，是当系统噪声方差阵和观测噪声方差未知或近似已知时，利用观测数据带来的信息，由滤波本身不断地估计和修正噪声统计特性或滤波器增益阵，以减小状态估计误差，提高滤波器的精度。 在实际的卫星组合导航应用中，难免存在建模误差(包括观测方程的线性化误差)。 另外系统的动力学模型噪声和观测噪声也是不确定的，从而会使Kalman滤波发散，定位值无效。因此需要自适应地调整状态预测向量与观测值之间的权比。 最早提出的自适应滤波算法称为Sage-Husa自适应滤波算法fuel，它是在利用观测数据进行递推滤波的同时，通过时变噪声统计估值器，实时估计和修正系统噪声和观测噪声的统计特性，从而达到降低模型误差、抑制滤波发散，提高滤波精度的目的。 后续提出的自适应UKF滤波算法也是在此算法的基础上进行改进和完善的。 抗差滤波 抗差Kalman滤波能很好地抵抗粗差的影响，并且能快捷、准确、有效地对数据进行处理，还可以对以后数据发展趋势做出预报。在卫星信号的测量和计算中，粗差是不可避免的。统计表明，粗差的出现约占观测总数的1%一10%。而标准Kalman滤波应用的是经典的估计模型，它是针对偶然误差的，粗差的存在将不可避免地对估计结果产生影响，甚至个别大粗差就会使结果产生重大偏离。 改进的抗差卡尔曼滤波算法递推公式，其中m为迭代次数，解决了滤波的发散和偏倚，但并不一定是最优的 根据上述对抗差Kalman滤波递推方程的推导分析，这种方法有效地解决了滤波的发散和偏倚。但这样得到的滤波可能不是“最优”的。实际上，当观测向量受到粗差的影响时，可以对粗差的影响“程度”进行探测并对模型加以修正，再通过Kalman滤波方法给出此时状态的“最优”滤波。这种改进的抗差Kalman滤波就是我们所说的抗差UKF滤波算法，本文将研究这一方法。 根据标准UKF方程，我们可以建立抗差UKF的滤波模型； 改为： 抗差UKF与标准UKF实验结果对比 在相同条件下，抗差UKF算法的定位精度明显高于标准UKF算法。且在误差积累速度和算法收敛度上，标准UKF算法的性能明显较差; 自适应UKF算法 在高动态飞行器的导航定位环境下，状态方程中的过程噪声w及其噪声协方差Q对滤波增益的计算结果有很大的影响，由于滤波增益决定了滤波器的带宽和反应速度，因此，选取适当的滤波增益值k能够较大的提高Kalman滤波算法的动态定位性能。 上述章节针对粗差对观测噪声协方差R的影响，提出了抗差UKF滤波算法，本章节主要针对动态扰动对过程噪声w及其噪声协方差Q的影响，深入研究自适应Kalman滤波算法，并在此基础上，提出基于Sage-Husa自适应滤波算法且具有时变噪声估值器的自适应UKF算法。重点建立算法模型，并对实际导航定位环境进行仿真 比较和部分参数的性能分析。 微型无人机具有较高的动态性能，而动态飞行器跟踪任务的关键是对目标的状 态进行估计预测。当目标的运动模型简单固定时，基于均方误差最小准则的Kalman 滤波器有很好的估计预测效果，但当目标作机动运动时，模型固定的Kalman滤波器 就不能对目标状态进行很好的估计。 为了解决这个问题，常用两种方法。一种是采用多模型滤波方法，根据机动状 态采用多个模型。多模型法中具有代表性的是交互多模型法(IMM )，交互多模型法 能有效地跟踪机动目标，被广泛应用。但交互多模型法的缺点是要先具备目标机动 的先验信息，并根据先验信息选择合适的模型。当机动的目标在大范围内被跟踪时， 少数几个先验模型是难以匹配目标的运动模式的，如果增加模型数，虽然能够增加 模型与目标运动模式的匹配程度，但同时由于各模型相互竞争，降低了精度。另一 种方法是自适应Kalinan滤波，文献[[101,102]中将目标的机动作为过程噪声，随 着目标的机动，实时根据滤波残差的变化改变过程噪声值来跟踪机动目标。它不需 要具备目标运动的先验信息，可跟踪大范围内机动的目标。但是由于目标机动时在 三维笛卡尔坐标各方向的加速度是不同的，各方向过程噪声的变化应该不一致，而文 献[[101,102]中各方向过程噪声的变化是一致的，与实际情况有些不符，影响了跟踪性 能同时文献[101,102]中的自适应Kalman滤波器如要用在非线性系统，只能用扩展