10.卡尔曼滤波之次优滤波器——常增益和解耦

       上一篇讲了卡尔曼滤波器延伸出来的次优滤波器中的一种手段，降阶处理。这回，我就再介绍一些次优滤波器的其他思路，常增益次优滤波和解耦次优滤波。讽刺的是，我的文章虽然把降阶处理放在前面详细讲解了一下，但降阶处理在工程上却用得不多，反而是这篇文章要讲的这两种方法更具有工程应用价值。

常增益次优滤波

       看过前面的文章的朋友应该都了解了，卡尔曼滤波起到关键作用的参数就是那个K，也就是滤波增益，如果设计的合适，滤波器是稳定的。尤其是对于定常系统（也就是状态方程和量测方程里的系数${\Phi }_{k,k-1}$、$H_k$啥的都是常量）K随着递推就会收敛到一个值。
       好了，思路来了，既然K会收敛到一个值，那还费这么大劲干嘛！直接把K写成常值不就好了吗，毕竟卡尔曼滤波器中$K_k$的迭代计算量还是很大的。
       说得没错，这就是常增益滤波的思想来源。把$K_k$写成一个常值K，这样计算$K_k$的那个方程就不需要了，尤其是矩阵求逆不需要了，这对减少计算量的贡献可不是一点半点。那么下面的问题就是：这个常值怎么取？
       很好办呐，这个常值就取滤波器稳定状态下的$K_k$不就好了。说得没错，就这么办。
$$K=\overline{P}{H}^T(H\overline{P}{H}^T+R{)}^{-1}$$
       $\overline{P}$就是稳态一步预测方差阵可以从下面这个方程计算出来。
$$\overline{P}=\Phi \overline{P}{\Phi }^T-\Phi \overline{P}{H}^T[H\overline{P}{H}^T+R{]}^{-1}H\overline{P}{\Phi }^T+\Gamma Q{\Gamma }^T$$
       K取的常值就是卡尔曼滤波器稳态时的K的最优值，但这个常值却不是滤波器达到稳态前的最优值。这点很好理解吧。所以采用常增益方法的滤波器在达到稳态前，滤波器是次优的。所以，这种滤波方法达到稳态的时间要比最优滤波达到稳态的时间要长。
       好了，常增益次优滤波器讲完了，是的，就是这么简单。。。好吧，还是拿个例子更能说明问题。这个例子，很熟悉。
       系统状态方程：
$$X_{k+1}=X_k+W_k$$
       量测方程：
$$Z_k=X_k+V_k$$
       所有量都按标量考虑。状态方差$Q_k=1$，量测方差$R_k=1$且$E[X_0]=0$，$Var[X_0]=10$。
       作为对比，先按最优滤波算法来一遍。
$$K_k=P_{k/k-1}(P_{k/k-1}+1{)}^{-1}$$
$$P_k=(1-K_k)P_{k/k-1}=K_k$$
$$P_{k+1/k}=(1-K_k)P_{k/k-1}+1=K_k+1$$
       初值也有$X_0=0$，$P_0=10$，手算迭代7次。

k	1	2	3	4	5	6	7
$P_{k/k-1}$	11	1.917	1.657	1.624	1.619	1.618	1.618
$P_k=K_k$	0.917	0.657	0.624	0.619	0.618	0.618	0.618

       然后按常增益次优滤波器在来一遍。
       套前面的公式就行了。先计算稳态一步预测方差。
$${\overline{P}}^2-\overline{P}-1=0$$
$$\overline{P}=\frac{1}{2}(1\pm \sqrt{5})$$
       取正值，$\overline{P}=1.618$。然后是K
$$K=\overline{P}(\overline{P}+1{)}^{-1}=0.618$$
       还是迭代7次。

k	1	2	3	4	5	6	7
$P_{k/k-1}$	11	2.987	1.818	1.647	1.622	1.619	1.618
$P_k$	1.987	0.818	0.647	0.622	0.619	0.618	0.618

       看出来了没？次优滤波器的收敛速度要慢一些。但是最终两种滤波器会重合。
       常增益滤波是一种最简单的次优滤波方法。而且，它还可以灵活应用。比如分段常增益，也就是在不同的时间段选用不同的K。这样的效果是几乎跟最优滤波的效果一样的。

系统解耦次优滤波

       还是回想一下卡尔曼滤波器所使用的模型。有关于$X_k$状态方程的状态方程，还有关于$Z_k$的量测方程。还记得我们在聊序贯处理时说过，量测量$Z_k$的每一个量如果都是不相关的，那么可以把高维$Z_k$看成多次独立的低维量测量。这样虽然计算的次数增加了，但是总体的计算量却下降了。那如果$X_k$里每个状态量也是独立的呢。说实话，这基本不可能。更有可能的是$X_k$里面可以分成几组，每组内部的状态量相互影响，但是不同组之间的关系却很小。这时就可以考虑解耦了。
       如果两组之间完全没有联系，那么问题就简单了，可以建立两个状态方程，分别设计滤波器就可以了。而如果还是有那么一点联系，但是联系很弱呢，那就要具体问题具体分析了。
       怎么来判断两组状态量之间的联系是紧密还是稀疏呢？方便讨论就按两组来讨论吧。状态方程和量测方程为：
$$\left(\begin{array}{c}{X}_{k+1}^1\\ X_{k+1}^2\end{array}\right)=\left(\begin{array}{cc}{\Phi }_{k+1,k}^{11}& {\Phi }_{k+1,k}^{12}\\ {\Phi }_{k+1,k}^{21}& {\Phi }_{k+1,k}^{22}\end{array}\right)\left(\begin{array}{c}{X}_k^1\\ X_k^2\end{array}\right)+\left(\begin{array}{cc}{\Gamma }_k^1& 0\\ 0& {\Gamma }_k^2\end{array}\right)\left(\begin{array}{c}{W}_k^1\\ W_k^2\end{array}\right)$$
$$\left(\begin{array}{c}{Z}_k^1\\ Z_k^2\end{array}\right)=\left(\begin{array}{cc}{H}_k^1& 0\\ 0& H_k^2\end{array}\right)\left(\begin{array}{c}{X}_k^1\\ X_k^2\end{array}\right)+\left(\begin{array}{c}{V}_k^1\\ V_k^2\end{array}\right)$$
       状态方程里面的${\Phi }_{k+1,k}^{12}$和${\Phi }_{k+1,k}^{21}$就是$X_k^1$和$X_k^2$之间的耦合矩阵。如果$X_k^1$和$X_k^2$完全不相关，那么${\Phi }_{k+1,k}^{12}$和${\Phi }_{k+1,k}^{21}$就等于0。如果${\Phi }_{k+1,k}^{12}$和${\Phi }_{k+1,k}^{21}$中的每个元素都非常小，那么就意味着$X_k^1$和$X_k^2$之间的耦合非常弱，可以忽略。这样原系统就会编程1和2两个系统，就可以分别针对两个系统设计两个独立的滤波器了。虽然滤波器数量多了，但是每个滤波器的阶数其实是降低了的。实际的计算量通常会降下来。
       耦合弱也是有耦合的，解耦就是忽略了弱耦合的状态量，这显然是做了近似的，所以这样处理的滤波方法不是最优，也只能是次优滤波器。
       最后要说的是，系统能否解耦成若干个子系统，以及如何解耦，不但与系统的结构和估计性能的要求有关，而且还要对系统物理过程有充分了解，并且还需要进行必要的误差分析和实际工程实践才能确定下来。