鲁棒高阶容积卡尔曼滤波:基于Huber方法的新算法

需积分: 27 7 下载量 96 浏览量 更新于2024-09-05 收藏 960KB PDF 举报
"本文提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法,用于提高在随机变量非高斯分布情况下的滤波性能。通过将Huber方法应用于高阶容积卡尔曼滤波(HCKF),算法在保持鲁棒性的同时提升了滤波精度。该方法在观测量预处理阶段引入Huber函数,以实现对异常值的抑制,然后使用处理后的数据执行标准HCKF的量测更新步骤。" 在非线性滤波领域,贝叶斯估计理论是解决动态状态估计问题的基础,它通过递归地计算状态后验概率密度函数(PDF)来寻找最优解。然而,对于非线性系统,精确的PDF求解变得困难,因此需要近似方法,例如高斯滤波。高斯滤波假设状态后验PDF近似为高斯分布,依赖于非线性函数的高斯加权积分计算。在这种背景下,无迹卡尔曼滤波(UKF)、五阶UKF和差分滤波等方法应运而生,它们通过选取合适的采样点来近似非线性函数,从而提高滤波效果。 高阶容积卡尔曼滤波(HCKF)作为一种高级的滤波技术,利用高阶容积变换来更精确地近似非线性函数的积分,从而提高滤波精度。然而,当系统中的随机变量呈现非高斯分布时,传统的HCKF可能会受到影响,导致滤波性能下降。为了解决这个问题,本文引入了Huber函数,这是一种在高斯分布和L1范数之间平滑过渡的损失函数,它能够对异常值进行有效处理,提高算法的鲁棒性。 Huber方法在卡尔曼滤波框架中的应用体现在对观测量的预处理上。通过对观测量应用Huber函数,可以将非高斯噪声转化为接近高斯分布的形式,从而减轻非高斯噪声对滤波结果的影响。在预处理后,这些调整过的观测量被用于标准的HCKF量测更新步骤,以更新状态估计,确保了滤波过程的稳定性和准确性。 通过单变量非平稳增长模型和再入飞行器目标跟踪问题的仿真验证,该基于Huber的鲁棒HCKF算法表现出优于传统方法的滤波精度和鲁棒性。这表明,该算法在处理含有异常值或非高斯噪声的系统时,既能保持滤波的稳定性,又能提高滤波结果的可靠性,具有广阔的应用前景。 这篇论文的研究成果为非线性滤波领域提供了一种新的工具,特别是在面临非高斯噪声和异常值挑战时,该方法有望成为一种有效的解决方案。其核心思想是通过Huber函数增强滤波器对非高斯分布的适应性,同时充分利用高阶容积变换的优势,以提升滤波性能。