融合RTS平滑的迭代无迹卡尔曼粒子滤波方法
2016-07-13陈志梅邵雪卷
太原科技大学学报 2016年4期
李 敏,陈志梅,邵雪卷
(太原科技大学电子信息工程学院,太原 030024)
融合RTS平滑的迭代无迹卡尔曼粒子滤波方法
李敏,陈志梅,邵雪卷
(太原科技大学电子信息工程学院,太原 030024)
摘要:对粒子滤波算法中建议分布函数的设计提出了一种新的方法,即将迭代无迹卡尔曼滤波(Iterated Unscented Kalman Filtering,IUKF)与Rauch-Tung-Striebel(RTS)平滑算法融合,产生新的建议分布函数,以减小粒子滤波的粒子数匮乏现象,与单独使用无迹卡尔曼滤波产生建议分布函数的粒子滤波方法(Unscented Kalman Particle Filtering,UPF)相比,状态的估计结果更加准确,系统具有更好的稳定性。最后通过仿真研究验证了该方法的有效性。
关键词:粒子滤波;RTS平滑;状态估计
粒子滤波算法(Particle Filtering,PF)是用一组粒子来近似表示系统的后验概率分布,通过使用这一近似的表示来估计非线性系统的状态[1],应用于多个领域[2]。这种方法实现起来简单,但是系统的最新测量值这一重要因素并没有在预测样本的考虑中,就会导致所抽取的样本与从系统真实状态后验概率分布的样本存在较大偏差,特别是当观测精度较高时,这种偏差特别明显,就会使滤波性能下降甚至发散,PF陷入困境[3-4]。许多学者已经从将最新的量测信息引入的角度出发来设计建议分布函数,提出了基于EKF、UKF等滤波技术的粒子滤波算法[5-7]。但当系统的非线性特性较强时,这类方法就会忽略了较大的积累线性化误差,导致算法的滤波性能下降。RTS平滑算法是由Rauch等在KF算法的基础上提出的[8],是一种简单有效的平滑算法。……
登录APP查看全文
