基于经典kalman滤波的全局最优观测融合滤波理论及其应用

我上一篇博客时变系统多传感器信息融合kalman滤波器中介绍了一种基于状态的全局滤波算法，仿真证明该算法确实能够提高状态的估计精度，这篇博客主要介绍一种基于观测的全局最优滤波器，两种滤波器的滤波过程可以看如下框图：

简单看一下上面的框图就能大概了解一下基于观测的融合滤波器的原理，这里我们分析一波两种算法的优缺点：1.从理论上来讲，两种融合算法都是全局最优的，所以状态估计精度大致相同；2.从原理图可以看出，由于基于状态的融合滤波器需要多次kalman滤波过程，而基于观测的融合滤波器只需要一次kalman滤波，所以计算复杂度肯定小于基于状态融合的滤波器。下面来介绍基于观测融合滤波器的实现过程，根据状态空间模型的的不同又分为如下五种情况：

1. 带相同观测阵和不相关观测噪声的加权融合
2. 带不同观测阵和不相关观测噪声的加权融合
3. 带相同观测阵和相关观测噪声的加权融合
4. 带不同观测阵和相关观测噪声的加权融合
5. 带相同观测阵和相关系统噪声的加权融合

下面将对上述五种情况分别进行介绍：

• 带相同观测阵和不相关观测噪声的加权融合

考虑带L个传感器的线性离散时变随机控制系统：

                                                       

假设1：w(t)和v(t),i=1,....L是带零均值、方差阵各为Q(t)和R(t)的互不相关的白噪声，即：

                                         

假设2：各传感器具有相同的观测阵。

由上一篇博客最小二乘法可知，我们将H(t)x(t)作为我们的无偏估计，上述观测方程可以转化成如下式子：

这里不妨令：

                                                        

则有：

                                                    

根据最小二乘估计可得：

                                                 

估计误差矩阵如下：

                                                          

由此可得新的状态方程：

                                                 

对上述状态方程进行标准kalman滤波可得系统的状态估计。

待续。。。。。。。。。。。。。。。。。。。