Huber增强的非高斯鲁棒GHCKF:提升滤波精度与稳定性

本文主要探讨了在随机变量非高斯分布的情况下，如何提升广义高阶容积卡尔曼滤波（Generalized High-Order Cubature Kalman Filter, GHCKF）的鲁棒性和估计精度。GHCKF是一种在处理非线性系统动态和测量模型时表现优异的滤波算法，然而当实际信号包含噪声或异常值时，其性能可能会受到影响。 作者提出了一种基于Huber方法的鲁棒GHCKF算法。Huber方法源自统计学，是一种在数据中含有异常值时能够提供更好稳健性的方法。它不是简单的平均，而是对新信息进行截断，即对离群值进行一定范围内的平滑处理，而不是完全排除。在滤波过程中，该方法被应用到观测量处理上，作为GHCKF的标准量测更新步骤，这使得算法对非正态噪声和极端值有更强的抵抗能力。 相比于传统的GHCKF，该算法利用了容积变换的优势，避免了对非线性量测模型进行复杂的统计线性回归近似，简化了计算过程，同时保持了对系统动态的准确估计。容积变换允许在高维空间中进行精确的数值积分，这对于处理非线性系统尤为重要。 通过仿真结果的验证，研究者发现所提出的基于Huber的鲁棒GHCKF算法不仅具有显著的鲁棒性，能够在处理噪声和异常值时保持稳定，而且保持了较高的估计精度。这对于许多实际应用中的系统状态估计，如导航、遥感和自动驾驶等领域，具有重要的理论和实践价值。 总结来说，本文的核心贡献是提出了一种新型的滤波策略，通过结合Huber方法和GHCKF的强项，为处理非高斯分布下的随机变量提供了更强大、更精准的估计工具，提高了系统的可靠性和实用性。