（三）多传感器平方根容积卡尔曼滤波（SRCKF）算法

滤波~

已于 2023-12-25 21:43:26 修改

阅读量2.8k

点赞数 35

分类专栏：滤波算法仿真与实践文章标签：算法

于 2023-12-17 23:20:50 首次发布

本文链接：https://blog.csdn.net/h320130/article/details/135008011

版权

滤波算法仿真与实践专栏收录该内容

9 篇文章 16 订阅

订阅专栏

前言

本博客介绍了一种用于多传感器的平方根容积卡尔曼滤波（SRCKF）算法。首先，介绍了SRCKF的原理及滤波过程。之后，对于多传感器状态值估计中用到的简单凸组合技术进行了讲解。最后，结合一个实例和matlab程序对算法的具体实现过程进行了讲解。仿真结果证明了滤波融合算法的有效性和实用性。

一、基础知识

（一）平方根容积卡尔曼滤波

常用的卡尔曼滤波算法仅能对线性高斯模型做出最优状态估计。实际应用中会存在很多非线性函数，比如平方函数、指数函数以及三角函数等，这就导致普通卡尔曼滤波算法已经不适用。解决非线性滤波问题需要计算条件后验概率分布，但是计算度十分复杂。因此人们提出各种次优方法来解决这个问题，上篇文章中提到的拓展卡尔曼滤波（EKF）算法核心就是利用一阶泰勒技术将非线性问题线性化。但是对于更高精度的非线性滤波问题，EKF的误差太大，可能会使得滤波发散。并且EKF需要计算雅可比行列式，实际情况中很难得到系统的雅可比行列式。因此提出一种基于容积原则的数值积分方法，来计算非线性变换之后的均值和协方差。即容积卡尔曼滤波方法（CKF），又因为平方根滤波的鲁棒性特点，本博客采用平方根容积卡尔曼滤波（SRCKF）方法。

需要注意的一点是SRCKF中状态误差矩阵的传递是基于状态误差协方差 $P$ 的乔列斯基分解因子 $S$ 进行的，不同常规卡尔曼滤波。本博客注重方法的应用，只对于原理做简单介绍。

非线性系统模型可以表示为：

$X(k+1) = f(X(k)) + w(k)$

$Z(k) = h(X(k)) + v(k)$

过程噪声： $w(k)\sim N(0,Q(k))$

观测噪声： $v(k)\sim N(0,R(k))$

非线性函数： $f\left ( \ast \right )$ 和 $h\left ( \ast \right )$

在讲述滤波过程之前，需要先定义基本的容积点和对应权值。首先。使用三阶容积原则获取的基本容积点和对应的权值为：

$\zeta _{j}=\sqrt{\frac{m}{2}}\left [ 1 \right ]_{j},w_{j}=\frac{1}{m},j=1,\cdots m$

其中， $m=2n$ ， $m$ 表示容积点数量； $n$ 表示状态向量维数； $\left [ 1 \right ]$ 表示n维单位向量全排列之后的完整全对称点集， $\left [ 1 \right ]_{j}$ 表示点集 $\left [ 1 \right ]$ 中的第 $j$ 个点。

滤波过程如下：

第一步：滤波初始化 $X_{0}$ 、 $P_{0}$

第二步：时间更新：

1.计算容积点： $X_{j}( k)=S(k)\zeta _{j}+X(k)$

2.计算通过状态方程传播的容积点： $X_{j}^{\ast }(k+1\mid k)=f(X_{j}( k))$

3.计算状态预测和方差预测的乔列斯基分解因子：

$\bar{X}(k+1\mid k)=\sum_{i=1}^{m}w_{i}X_{i}^{\ast }(k+1\mid k)$

$\bar{S}\left ( k+1\mid k \right )=tria([\chi _{k+1\mid k}^{\ast }S_{Q}(k)])$

其中， $tria$ 表示矩阵进行三角化，矩阵 $\chi _{k+1\mid k}^{\ast }$ 的定义如下：

$\chi _{k+1\mid k}^{\ast }=\frac{1}{\sqrt{m}}\left [X_{1}^{\ast }(k+1\mid k)-\bar{X}(k+1\mid k)\cdots X_{m}^{\ast }(k+1\mid k)-\bar{X}(k+1\mid k) \right ]$

第三步：观测更新：

1.计算容积点： $X_{j}(k+1\mid k)=\bar{S}\left ( k+1\mid k \right )\zeta _{j}+\bar{X}(k+1\mid k)$

2.计算通过非线性观测函数传递的容积点： $Z_{j}(k+1\mid k) =h(X_{j}(k+1\mid k))$

3.计算观测的预测、新息方差的乔列斯基分解因子和协方差：

$\bar{Z}(k+1\mid k) = \sum_{i=1}^{m}w_{i}Z_{i}(k+1\mid k)$

$S_{zz}(k+1\mid k)=tria([\gamma _{k+1\mid k}S_{R}(k+1)])$

$P_{xz}(k+1\mid k)=\chi _{k+1\mid k}\gamma _{k+1\mid k}$

其中， $\chi _{k+1\mid k}$ 和 $\gamma _{k+1\mid k}$ 分别为：

$\chi _{k+1\mid k}=\frac{1}{\sqrt{m}}\left [X_{1}(k+1\mid k)-\bar{X}(k+1\mid k)\cdots X_{m}(k+1\mid k)-\bar{X}(k+1\mid k) \right ]$

$\gamma _{k+1\mid k}=\frac{1}{\sqrt{m}}\left [Z_{1}(k+1\mid k)-\bar{Z}(k+1\mid k)\cdots Z_{m}(k+1\mid k)-\bar{Z}(k+1\mid k) \right ]$

第四步：状态和方差的乔列斯基分解因子更新：

$K(k+1)=(P_{xz}(k+1\mid k)/S_{zz}^{T}(k+1\mid k))S_{zz}(k+1\mid k)$

$X(k+1)=\bar{X}(k+1\mid k)+K(k+1)(Z(k+1)-\bar{Z}(k+1\mid k))$

$S(k+1)=tria([\chi _{k+1\mid k}-K(k+1)\gamma _{k+1\mid k}K(k+1)S_{R}(k+1)])$

对应示例部分代码为（此实例中状态转移方程为线性方程，未计算线性化状态转移方程）：

%平方根容积卡尔曼滤波算法
chol_Q=blkdiag(chol(Q,'lower'));
n=size(X,1);
m=2*n;
kkss=[eye(n);-eye(n)]'*sqrt(n);
for i=1:m
    Xix(:,i)=F*(S*kkss(:,i)+X);
end
Xd=sum(Xix,2)/m;
Xx=(Xix-repmat(Xd,1,m))/sqrt(m);
[~,Sda]=qr([Xx,chol_Q]');
Sda=(Sda(1:n,1:n))';
for i=1:m
    Xi(:,i)=Sda*kkss(:,i)+Xd;
end  
for i =1:m
    Zi(1,i)=h(Xi(:,i),A);
end

（二）简单凸组合融合

信息融合具有多种形式，通常分为集中式融合和分布式融合方式。此处运用分布式融合方式对多个传感器的信息进行融合。分布式结构中每个传感器都有自己的处理器,在进行预处理后将滤波结果传送到中心节点进行融合处理。其中比较实用的是简单凸组合融合方法，但是此方法仅适用于互协方差可以忽略不计的场景下。此方法实现简单，应用范围广；并且即使在估计误差相关的情况下也是准最佳的。

假设存在n个传感器。每个传感器的状态估计值为 $\widehat{x}_{i}$ ，误差协方差矩阵为 $\widehat{P}_{i}$ ,则对应的状态估计值和系统误差为：

系统误差： $P_{sf} = (P_{1}^{-1}+P_{2}^{-1}+\cdots +P_{n}^{-1})^{-1} = (\sum_{i=1}^{n}P_{i}^{-1})^{-1}$

状态估计值： $\widehat{x}_{sf} =P_{sf} (P_{1}^{-1}\widehat{x}_{1}+P_{2}^{-1}\widehat{x}_{2}+\cdots +P_{n}^{-1}\widehat{x}_{n}) =P_{sf} (\sum_{i=1}^{n}P_{i}^{-1}\widehat{x}_{i})$

二、模型构建

（一）状态和观测模型构建

假设系统为一维线性变化的向量，状态向量由二维变量组成，分别为位置、速度。因此状态模型为线性模型，可以表示为：

状态转移方程为： $X(k+1) = F*X(k) + w(k)$

状态转移矩阵：

$F=\begin{bmatrix} 1 &1 \\ 1 & 0 \end{bmatrix}$

过程噪声： $w(k)\sim N(0,Q(k))$

之后，状态向量经过非线性变换之后，附加上系统噪声就得到了系统的观测值。

观测方程： $Z(k) = h(X(k)) + v(k)$

非线性观测函数： $h=\left [ X(k)\right ]^{2}$

观测噪声： $v(k)\sim N(0,R(k))$

此处假设有10个滤波器对目标状态进行滤波，则对应的模型程序为：

clc;
clear all;
close all;
%%
B = 10;  %陀螺仪个数
M = 1;   %状态维数
N_end = 100;%结束点数
N_start = 5;%开始点数
x= N_start:0.5:N_end;
[~,N] = size(x);
Z_1 = zeros(B,N);
nf = 0.0001;%噪声强度
Q = cell(1,N);
Q(:) = {zeros(2,2)};
for i=1:B
Q{i} = nf*diag([1,1]);
end
R = 1000*ones(1,B);
F = [1 1;0 1];
for j = 1:B
    X_data = zeros(2,N);
    Z_data = zeros(1,N);
    for i = 1:N
        if i ==1
            X_data(:,i)  =  [N_start,0.5]';
        else
            X_data(:,i)  =  F*X_data(:,i-1);
        end
    end
    X_data = X_data + sqrt(Q{j})*randn(2,N);
    Z_1(j,:) = X_data(1,:).^2+sqrt(R(j))*randn(1,N);
end

（二）单个滤波器仿真

建立系统模型之后，对单个滤波器进行滤波迭代。首先，设定仿真初值，假设状态初值和协方差初值为：

$X_{0}=[5,0.5]^{T}$ ； $P_{0} = diag([1 , 1])$

对应的滤波程序为：

%单个传感器滤波
X_all = zeros(B,N);
P_all = zeros(B,N);
for i =1:B
    [X_all(i,:),P_all(i,:)] = filter_fusion(Z_cal(i,:),R(1,i),F,Q{i});
end

其中“filter_fusion（）”函数为自定义函数，可以对10个滤波器的原始数据进行批量处理。

（三）融合滤波

在得到10个传感器的滤波值之后，根据简单凸组合融合准则对多个传感器的状态估计值进行融合，对应代码为：

%信息融合
X_F = zeros(M,N);
P_F = zeros(M,N);
for i = 1:N
    X_mid = X_all(:,i);
    P_mid = P_all(:,i);
    %融合
    P_F_inv = 0;
    X_c = 0;
    for j = 1:B
        P_F_inv = (eye(M)/P_mid(j)) + P_F_inv ;
        X_c = (eye(M)/P_mid(j))*X_mid(j) + X_c;
    end
    P_F(1,i) = eye(M)/P_F_inv;
    X_F(1,i) =(eye(M)/P_F_inv)*X_c;
end

三、结果展示

对原始数据进行绘图，可以得到10个滤波器的原始数据图形，对应代码为：

figure(1)
plot(Z_1');
title('原始数据','Fontsize',12);
xlim([1,N]);

将第5个传感器的观测值、滤波后的状态估计值以及融合状态估计值绘制在一张图中，可以直观的感受到滤波效果，对应的代码为：

figure(2)
plot(1:N,sqrt(Z_1(5,:)));
hold on;
plot(1:N,X_all(5,:));
hold on;
plot(1:N,X_F);
legend('观测','单个滤波','融合滤波','Fontsize',12);
xlim([1,N]);

将单个传感器的观测值误差、滤波后的状态估计值误差以及融合状态估计值误差绘制在一张图中，可以直观分析滤波误差，对应的代码为：

figure(3)
error_obser = sqrt(Z_1(5,:))-x;
error_single = X_all(5,:)-x;
error_fusion = X_F-x;
plot(1:N,error_obser);
hold on;
plot(1:N,error_single);
hold on;
plot(1:N,error_fusion);
legend('观测','单个滤波','融合滤波','Fontsize',12);
xlabel('x');
xlim([1,N]);

在状态维数较高的情况下，平方容积卡尔曼滤波（SRCKF）的滤波精度相比与其他滤波方法更高。所以在状态维数比较高的非线性滤波情况下，建议使用SRCKF进行滤波。从最后一张图中可以看出，滤波误差不断减小，说明滤波收敛。并且单个滤波的误差小于观测数据误差，证明滤波算法有效。同时融合后的滤波误差小于单个滤波器的误差，证明融合算法有效。仿真结果表明，所提融合滤波算法能够实现有效滤波跟踪。

总结

以上就是今天要讲的内容，本文介绍了一种多传感器的平方根容积卡尔曼滤波（SRCKF）算法，结果表明滤波算法能够实现有效滤波跟踪，并且相比于单个传感器滤波，多传感器融合能够有效提升滤波精度。

滤波~

关注

35
点赞
踩
49

收藏

觉得还不错? 一键收藏
1
评论
（三）多传感器平方根容积卡尔曼滤波（SRCKF）算法

本博客介绍了一种用于多传感器的平方根容积卡尔曼滤波（SRCKF）算法。首先，介绍了SRCKF的原理及滤波过程。之后，对于多传感器状态值估计中用到的简单凸组合技术进行了讲解。最后，结合一个实例和matlab程序对算法的具体实现过程进行了讲解。仿真结果证明了滤波融合算法的有效性和实用性。
复制链接

扫一扫