卡尔曼滤波的学习与应用(九)

[复制链接]

45

主题

179

帖子

454

积分

二氧化硅

Rank: 2

积分
454
查看: 1565回复: 1 发表于 2018-11-22 11:10:00   只看该作者
3.3 线性化 EKF 滤波的误差补偿及注意事项

因为扩展卡尔曼滤波算法是由泰勒级数的一阶或二阶展开式获得,并忽略了高阶项,这样在滤波过程中要引入一定的线性化误差,可采用以下补偿方法[14,17]:
1 为补偿状态预测中的误差,附加“人为过程噪声”,即通过增大过程噪声协方差来实现这一点。
2 用标量加边因子φ >1乘状态预测协方差矩阵,即

1.png

然后在协方差更新方程中使用

2.png

3 利用对角矩阵

3.png

乘状态预测协方差矩阵,即

4.png

4 采用迭代滤波,即通过平滑技术改进参考估计来降低线性化误差。

扩展卡尔曼滤波应用中应该注意的一些问题

扩展卡尔曼滤波是比较常用的非线性滤波方法,在这种方法中,非线性因子的存在对滤波稳定性和状态估计精度都有很大的影响,其滤波结果的好坏与过程噪声和测量噪声的统计特性又有很大关系。由于扩展卡尔曼滤波中预先估计的过程噪声协方差 Qk)和测量噪声协方差 R(k)在滤波过程中一直保持不变,如果这两个噪声协方差矩阵估计的不太准确的话,这样在滤波过程中就容易产生误差积累,导致滤波发散,而且对于维数较大的非线性系统,估计的过程噪声协方差矩阵和测量噪声协方差矩阵易出现异常现象,即Q(k)失去半正定性,R(k)失去正定性,也容易导致滤波发散。利用 EKF 对目标进行跟踪,只有当系统的动态模型和观测模型都接近线性时,也就是线性化模型误差较小时,扩展卡尔曼滤波的结果才有可能接近于真实值。而且扩展卡尔曼滤波还有一个缺点就是状态的初始值不太好确定,如果假设的状态初始值和初始协方差误差较大的话,也容易导致滤波发散。

1

主题

13

帖子

17

积分

一粒轻沙

Rank: 1

积分
17
发表于 2019-7-28 17:21:47   只看该作者
感谢楼主分享!
快速回复 返回顶部 返回列表