多时滞多传感器系统顺序逆协方差融合稳定卡尔曼滤波器

本文探讨了多传感器系统中具有多个时滞测量的融合问题，着重于解决这一复杂情况下的数据集成和估计优化。研究者提出了一个顺序逆协方差相交融合（Sequential Inverse Covariance Intersection Fusion, ICI）的稳定状态卡尔曼滤波器（Steady-state Kalman Filter）。卡尔曼滤波器在处理线性动态系统中的状态估计中扮演着核心角色，而多时滞测量引入了额外的时间延迟挑战，这可能导致观测信息的实时性下降。 在多传感器系统中，各传感器可能共享未知的共同信息，这是传统卡尔曼滤波难以处理的问题。ICI方法作为一种有效的融合策略，其优势在于它能够在存在共同信息未知的情况下提供更准确、一致且紧密的估计融合方案。通过采用ICI融合，该论文旨在设计一个能够适应这种复杂环境的稳定状态滤波器，使得估计结果更加稳健。 论文的核心内容包括以下几个关键步骤： 1. **理论背景**：首先回顾卡尔曼滤波的基本原理，并解释如何处理具有时滞的测量数据，以及如何通过逆协方差矩阵来处理共享信息的不确定性。 2. **ICI融合方法**：介绍逆协方差相交融合算法，强调它如何通过计算各个传感器观测数据的逆协方差矩阵的交集，来估计共同信息的不确定性，并消除或减少其对融合估计的影响。 3. **顺序融合策略**：提出一种顺序处理方式，即依次考虑每个传感器的数据，利用前一时刻的滤波结果更新当前时刻的滤波，确保实时性和稳定性。 4. **稳定状态滤波器设计**：通过将ICI融合与稳定的卡尔曼滤波技术相结合，构建出一种在时滞条件下仍能保持滤波性能的稳态滤波器结构。 5. **仿真验证**：通过模拟实验，展示ICI融合方法在多传感器系统中的优越性，包括提高估计精度、保持一致性以及滤波器的有效性。这些结果通过对比分析展示了新方法在实际应用中的优越性能。 本文的主要贡献在于提出了一种结合顺序逆协方差相交融合与稳态卡尔曼滤波的方法，为多传感器系统中的时滞测量融合提供了一种稳健且高效的解决方案。这对于许多实时监控、导航、遥感等领域的多源数据融合具有重要意义。