马丽丽，张 曼，陈金广

MA Lili,ZHANG Man,CHEN Jinguang

西安工程大学 计算机科学学院，西安 710048

School of Computer Science,Xi’an Polytechnic University,Xi’an 710048,China

1 引言

状态估计被广泛应用于航空、航天、航海、工业过程控制、目标跟踪等各个领域。不同的估计准则会产生不同的估计算法。其中最具代表性的是卡尔曼滤波算法，该算法采用递推形式，数据存储量小，适用范围广，具备其他滤波形式所不具备的优点。该滤波理论一经提出便得到了广泛应用。然而，在实际应用过程中，由于周围环境的影响、测量设备自身造成的误差、模型和参数选取不当等原因，会产生量测系统误差，而使用传统卡尔曼滤波算法难以消除该类系统误差。

近年来，傅惠民等人针对该问题，提出了一系列增量滤波算法。在文献[1]中，针对传统卡尔曼滤波算法无法消除量测系统误差的情况，提出了增量卡尔曼滤波算法，成功地消除了量测系统误差，提高了滤波精度。随后，为了将该思路扩展到非线性系统，文献[2]提出了扩展增量卡尔曼滤波算法，文献[3]提出了增量粒子滤波算法。然而，以上算法仅适用于单传感器滤波系统，而实际中的许多估计问题（例如军事指挥和工业控制等方面）都涉及多个传感器。多传感器数据融合算法通常分为集中式、分布式和混合式三类，已经有许多可供借鉴的成熟算法[4]。人们对于多传感器融合算法进行了很多研究[5-8]，其中在序贯滤波[9-14]和扩维滤波[15-16]方面的应用研究也取得了成果。

考虑到传统增量卡尔曼滤波算法不能解决多传感器情况的估计问题，本文将傅惠民等人提出的增量卡尔曼滤波算法分别与传统扩维融合算法和传统序贯融合算法相结合，提出增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。……