8.多传感器信息融合中的状态估计.pptVIP

* * 星敏感器/陀螺姿态确定系统模型 姿态确定算法流程 图 基于星敏感器/陀螺的卫星姿态确定流程图 多传感器信息融合中的状态估计 基于陀螺/星敏感器/GPS融合定姿系统的联合滤波 联合滤波实现算法 多传感器信息融合中的状态估计 定姿精度仿真结果分析 图 集中滤波方法（Case3）的姿态估计误差 图 分布滤波方法（Case4）的姿态估计误差 多传感器信息融合中的状态估计 图 联合滤波方法（Case5）的姿态估计误差 表 姿态确定精度比对 多传感器信息融合中的状态估计 定姿精度仿真结果分析 多传感器信息融合中的状态估计 定姿精度仿真结果分析 结论: （1）Case3-Case5的融合滤波算法得出的姿态估计精度相当； （2）但比Case1和Case2均有一定程度的提高； （3）Case5更能快速抑制各敏感器测量误差对定姿精度的影响，使的整个系统的运算速度和收敛速度都有所提高。 多传感器信息融合中的状态估计 小结 估计融合问题的提出及融合系统的结构 集中式融合算法 分布式融合算法 改进的分布式融合算法（联合滤波） 估计融合的应用 * * * * * 多传感器信息融合中的状态估计 3. 分布式融合系统及融合算法 此时全局状态的集中式滤波器算法可用各自系统的测量表示 多传感器信息融合中的状态估计 3. 分布式融合系统及融合算法 用信息滤波形式重新列写上式的测量更新方程的关系如下 多传感器信息融合中的状态估计 3. 分布式融合系统及融合算法 此二式反映了分布式滤波器中全局滤波和局部滤波之间的关系 多传感器信息融合中的状态估计 3. 分布式融合系统及融合算法 由于分布式估计形式都是从局部节点的集中估计方程式推出的，因此其全局滤波和集中滤波等价，并且局部滤波也是最优的； 但从上面的滤波推导过程可以看出，该计算相对也比较复杂，不仅用到了子滤波器的滤波估计及其协方差阵，还用到了其预测关系，而且全局滤波的时间更新需要用全局滤波方程。此外，由于该分布式滤波算法是基于集中滤波器的，该算法在减少维数和提高容错性等性能上也是有限的。 多传感器信息融合中的状态估计 3. 分布式融合系统及融合算法 当然，以上要求是相互矛盾的，要容错性高就必须牺牲一些精度，为解决这些问题，需要对传统分布式滤波算法进行改进，以期具有滤波精度更高，算法更简单，计算量更少，容错性更高等性能。 多传感器信息融合中的状态估计 4. 联合滤波—一种改进的分布式估计融合系统 分布式联合滤波器(FKF, Federal Kalman Filter)采用信息分配原则，通过对系统的信息进行不同的分配，可以在以上几个性能要求之间获得一个折衷的最佳方案，以满足不同要求的使用，它是美国学者N.A.Carlson于1988年提出的一种特殊形式的分布式融合方法，现已被众多学者认为是一种新的信息融合方法。 多传感器信息融合中的状态估计 4. 联合滤波 联合滤波只对子滤波器的估计信息进行合成，子滤波器也是平行结构形式，各自滤波器算法采用Kalman滤波算法，处理自己传感器的测量信息； 为了使主滤波器的合成结构与集中式融合估计精度相同，联合滤波器区别于一般分布式滤波器的特点在于采用方差上界技术和信息分配原则来消除各传感器子滤波器估计结果的相关性，把全局状态估计信息和系统噪声信息分配给各子滤波器，但不改变子滤波器算法的形式。 多传感器信息融合中的状态估计 4. 联合滤波 联合滤波方法由于计算量小，实现简单，信息分配方式灵活，具有良好的容错结构，受到许多研究者的关注。美国空军已将联合滤波列为新一代导航系统通用的滤波器。 方差上界技术 局部估计的去相关 信息分配原则 全局信息的局部共享 多传感器信息融合中的状态估计 4. 联合滤波—两个关键技术 多传感器信息融合中的状态估计 4. 联合滤波 联合滤波器是一种具有两级结构的分布式滤波方法，它由若干个子滤波器和一个主滤波器组成，各个子滤波器独立地进行时间更新和测量更新；其中主滤波器的功能有两个方面：一是进行时间更新；二是将各个滤波器的结果进行融合，融合后的结果可反馈到各个滤波器，作为下一个处理周期的初值。 4. 联合滤波 多传感器信息融合中的状态估计 问题描述： 且 假设 表示联合滤波（融合中心）的最优估值和协方差阵； 表示第i个子滤波器的估值和协方差 ； 表示主滤波器的估值和协方差阵。 4. 联合滤波—方差上界技术去相关 1）基于局部估计非相关的最优融