带边界约束的容积卡尔曼滤波❋
2018-04-13刘志彬褚东升
刘志彬, 张 玲, 褚东升
(中国海洋大学工程学院,山东省高校海洋机电装备与仪器重点实验室, 山东 青岛 266100)
1960年,卡尔曼提出了基于贝叶斯估计的递推滤波方法—卡尔曼滤波[1],用以处理线性系统的状态估计。面对非线性问题,有学者提出基于线性化的扩展卡尔曼滤波EKF(Extended Kalman filter),这是一种用欧拉折线近似替代非线性方程的方法,只能应用于线性化误差比较小的系统方程。后来又产生了用特征点近似状态的概率密度函数的方法——Sigma点滤波:基于无迹变换的无迹卡尔曼滤波UKF(Uncented Kalman Filter)[2]、基于插值法的高斯滤波器[3]和基于重要性采样的粒子滤波PF(Particle Filter)[4]。它们或数学基础不严密,或计算量会随着系统维度的增加而急剧增大。学者Arasaratnam提出了基于容积计算的容积卡尔曼滤波器CKF(Cubature Kalman Filter)[5],此后又研究了连续系统的容积卡尔曼滤波算法[6],但并未给出带约束系统的容积卡尔曼滤波算法。对于约束问题,Simon在其专著[7]中给出了4种方法:降维、完美观测、约束优化、概率重写,Rawlings将预测控制中的滚动优化方法[8]引入状态估计领域并于推导出递推滚动最优估计算法MHE(Moving Horizion Estimation)[9],通过解带约束的最优化方程的方法同步解决约束和估计问题。同时发展的还有其近亲算法——非线性动态数据均衡RNDDR(Recursive Nonlinear Dynamic Data Reconciliation)[10],这种方法与N=1的MHE算法很像,这两种方法有能够处理多种约束条件的优点,但最优化计算会产生很大的运算量,同时RNDDR在递推过程中需要用到黎卡提方程,对于非线性系统则需借助线性化的手段来实现[10],或借用Sigma点滤波来……