非线性、非高斯系统滤波的最优估算
2021-03-15陈蕊
陈 蕊
(芜湖职业技术学院,安徽 芜湖 241000)
0 引言
在实际工程应用中有很多非线性、非高斯系统,如目标跟踪[1]、轨迹规划[2]等,这类系统的状态方程或量测方程为非线性的,或者是方程中的扰动项呈现非高斯分布。一般这类模型无法获得状态变量真实的后验分布,但可以构造近似的离散分布。随着计算机技术的不断进步,针对这类非线性、非高斯系统基于滤波理论的各种系统估算方法得到众多研究人员的青睐。
1960年,卡尔曼提出了最优化自回归数据处理算法[3],即卡尔曼滤波(Kalman Filter,KF),并得到各个领域的关注。最初卡尔曼滤波主要针对线性动态系统问题的估算,应用于信号处理、目标跟踪、经济预测等方面[4]。之后,Busy、Sumhara等人提出了基于卡尔曼滤波的扩展卡尔曼滤波理论(Extended Kalman Filter,EKF),就是将卡尔曼滤波理论进一步应用到非线性领域[5]。近些年来,又有学者提出了无迹卡尔曼滤波(Unscented Kalman Filter,UKF)[6]并受到了广泛的关注。但是,卡尔曼滤波是假设系统的噪声满足高斯状态,实际工程应用中却很难满足,这将导致卡尔曼滤波失效。
另外,粒子滤波理论自20世纪60年代也被应用于自动控制领域。粒子滤波(Particle Filter,PF),也称之为序贯蒙特卡罗法(Sequential Monte Carlo,SMC)[7],是一种结合了蒙特卡洛和贝叶斯的滤波理论。标准的粒子滤波易出现粒子贫化和权值退化的现象,为了解决这一问题提出了重要性重采样滤波(Sampling Importance Resampling particle filter,SIR)[8]。为进一步提高系统估计精度,学者们提出了辅助粒子滤波(Auxiliary Particle Filter,APF)[9],这种滤波方式充分利用当前的观测值,从中产生样本引入重要性概率密度函数中,以解决粒子多样性匮乏问题。……
