Cubature卡尔曼滤波-卡尔曼滤波算法：实时性与精度的权衡

本文介绍了Cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF)，这是一种针对条件线性高斯状态空间模型的状态估计方法。CKF-KF结合了Cubature卡尔曼滤波（CKF）和卡尔曼滤波（KF），用于处理系统中的非线性与线性部分。在非线性状态估计中，CKF利用高维积分技术（如多项式插值或Spherical Cubature）来近似概率密度函数，而线性部分则直接采用经典的卡尔曼滤波。 在机动目标跟踪的仿真研究中，CKF-KF算法显示出了较高的效率和准确性。相比于Rao-Blackwellized粒子滤波器（RBPF），CKF-KF虽然在估计精度上略有不足，但其运行时间显著减少，仅为RBPF的1%左右，这在实时系统中具有很大优势。另一方面，与无迹卡尔曼滤波器（UKF-KF）相比，CKF-KF的估计精度相当，但其计算速度提升了22%，进一步提高了算法的实时性。 CKF-KF算法的核心在于它将非线性状态通过cubature采样转化为一系列样本，然后使用线性方程和量测方程对这些样本进行传播，以此获得对非线性状态的估计。这种方法在保持一定精度的同时，减少了计算复杂度，对于需要高效处理非线性动态系统的应用非常有价值。 关键词涉及的领域包括条件线性高斯模型，Cubature卡尔曼滤波技术，RBPF，UKF-KF以及实时性。条件线性高斯模型是状态空间模型的一种特殊情况，其中系统状态的转移和观测受到线性函数的影响，同时伴随高斯噪声。RBPF是一种使用粒子滤波框架的高级滤波方法，能够处理复杂的非线性问题，但计算成本较高。UKF-KF则结合了无迹卡尔曼滤波的快速近似方法和传统的卡尔曼滤波，用于处理混合非线性-线性系统。 CKF-KF算法在兼顾实时性和精度方面具有显著优势，特别是在要求高效计算的领域，如目标追踪、导航系统、自动驾驶汽车等，它提供了一种有竞争力的滤波解决方案。通过优化算法设计，CKF-KF可以有效降低计算负载，同时保持与更复杂滤波方法相近的性能，这对于资源受限的嵌入式系统尤其重要。