改进的鲁棒协方差交叉融合稳态Kalman估计算法

"本文针对带有不确定协方差线性相关白噪声的多传感器系统，提出了一种改进的鲁棒协方差交叉(CI)融合稳态Kalman估值器的设计方法。利用Lyapunov方程，该方法提供了一个统一的框架来构建预报器、滤波器和平滑器的极大极小鲁棒Kalman估值器。通过采用保守的局部估值误差互协方差，该方法可以改进CI融合器的性能，减少上界的保守性，从而提高鲁棒精度。仿真结果表明，所提出的方法在跟踪系统中的表现具有正确性和有效性。" 在多传感器系统中，通常存在各种不确定性，包括噪声协方差的不确定性，这会影响Kalman滤波器的性能。传统的Kalman滤波器假设噪声是零均值的独立同分布随机过程，且其协方差是已知的。然而，在实际应用中，噪声的统计特性可能会有所不同或难以精确估计，导致协方差的不确定性。在这种情况下，使用鲁棒Kalman滤波方法变得尤为重要。 文中提出的极大极小鲁棒Kalman估值器是一种处理不确定噪声协方差的有效策略。它考虑了噪声协方差的最坏情况，通过最大化（极小化其逆）估值误差来确保滤波器的鲁棒性。这种方法能够适应噪声协方差的不确定性范围，提供更稳定和可靠的估计。 协方差交叉融合是一种多传感器数据融合技术，它考虑了不同传感器之间的相关性。在原始的CI融合方法中，估值误差的上界可能会过于保守，导致性能损失。为了克服这个问题，作者提出了一个改进的CI融合器，该融合器利用保守的局部估值误差互协方差来计算更精确的实际估值误差方差最小上界。这样可以降低保守性，提高融合估计的精度。 Lyapunov方程在控制理论中被广泛应用于稳定性分析和控制器设计。在这里，它被用来帮助设计鲁棒的Kalman估值器，确保系统在不确定性的环境下也能保持稳定。 这项工作为处理不确定协方差线性相关白噪声的多传感器系统提供了一种改进的融合估计算法，通过优化融合策略提高了鲁棒性和精度。这种改进的算法对实时系统监控、目标追踪和其他需要高精度估计的领域具有重要意义。