基于固定点容积Rauch-Tung-Striebel平滑算法的非线性状态估计

在目标跟踪实际应用中，对于观测时间区间的某个固定时刻估计值精度的要求，提出了一种运用于非线性模型中的目标跟踪算法——固定点容积Rauch-Tung-Striebel平滑。该算法将高斯最优平滑中固定点平滑策略与传统的运用于非线性状态空间模型的容积Rauch-Tung-Striebel平滑相结合，有效地提高了固定点估计值的精度。 知识点1：状态估计和目标跟踪 状态估计和目标跟踪是控制理论和信号传输中最基础的问题。状态估计即在一个自组织的无线传感器网络内，各个节点可以将采集的信息进行存储、交互和传递，协同这些对目标的关联测量值来预测目标的状态。状态估计是解决实际问题的关键技术之一。 知识点2：最优平滑 最优平滑是基于历史噪声测量值计算时变系统中历史状态的估计值的一种方法。最优平滑是与最优滤波密切相关的。最优滤波是典型的计算系统当前和未来状态的估计值的方法，其滤波分布假定为近似的高斯分布。 知识点3：卡尔曼滤波 卡尔曼滤波是1960年由RudolphE.Kalman首次提出的一种高斯滤波算法。卡尔曼滤波是一种适用于线性系统的算法，它利用最小化均方估计误差准则对目标状态进行估计。卡尔曼平滑是在卡尔曼滤波的基础上运用的一种算法。 知识点4：容积卡尔曼滤波 容积卡尔曼滤波（CKF）是运用于非线性估计中的主要技术。容积卡尔曼滤波通过Spherical-Radial容积变换对高斯随机变量进行非线性转换获得随机变量的高斯近似值。 知识点5：固定点容积Rauch-Tung-Striebel平滑 固定点容积Rauch-Tung-Striebel平滑是一种新的固定点容积Rauch-Tung-Striebel平滑算法，它将高斯最优平滑中固定点平滑策略与传统的运用于非线性状态空间模型的容积Rauch-Tung-Striebel平滑相结合，有效地提高了固定点估计值的精度。 知识点6：状态空间模型 状态空间模型是描述非线性系统的数学模型。状态空间模型可以用来描述非线性系统的行为，例如航天、通信、物理学等领域。 知识点7：非线性系统 大部分的动态系统都是非线性的，即过程函数和测量函数均为非线性的。因此，需要提出许多从传统卡尔曼滤波衍生出的扩展形式，以便解决非线性问题。 知识点8：Spherical-Radial容积变换 Spherical-Radial容积变换是一种非线性转换技术，用于将高斯随机变量转换为随机变量的高斯近似值。Spherical-Radial容积变换最初用于非线性离散时间系统的最优滤波，后来扩展到连续时间和连续离散时间版本。