kalman滤波基础及matlab仿真_电机控制：滤波篇之RLS、KF (1)

目录

引言
滤波篇之三种方法介绍
仿真分析
总结
参考文献

---

一、引言

在线性控制中，RLS、KF都是常用的最优估计方法之一，RLS、KF常用来估测被控对象参数，KF在电机控制中也可以扩展成EKF来做position Sensorless。首先，这里用自己的理解和参考文献来介绍RLS和KF，并利用Matlab仿真验证算法的正确性及KF中参数的选取问题；其次，为了进一步了解本质，对RLS的基础版本LS进行简要介绍，以便读者理解，如有问题，欢迎指正。

二、滤波篇之三种方法介绍

• 最小二乘（LS）

假设仅对一个被控对象的参数变量进行估计，其可以利用模型已知参数（被控对象的模型参数及输入量）及系统观测的输出量来表示为如下所示：

(1)

其中

代表输出量（已知观测得到的值），

代表被控对象模型中的已知参数值，

表示需要估计的变量值。

从上式，很容易地，我们可以在每一次测量中获得一次

：

(2)

由于实际系统为离散的，在每一次采样时刻都可以获得一组数据，用矩阵表示即：

（3）

其中，

,

,

；

下标数字表示第1,2...采样时刻。

然而由于实际系统中存在误差，例如传感器的测量误差，采样精度，系统不确定性扰动及白噪声影响等原因，估计量

都存在一定的误差。

为了解决这个问题，常见的处理方法有高阶或低阶滤波等方法。其中一种获得最优估计值的方法被称为最小二乘法（LS）。即所有估计值与已知观测量误差的绝对值和的平方（二乘）最小。由于绝对值在计算中不方便，因此利用平方和来进行等效代替。

根据上述原则：估计值与已知观测量误差的平方和

可以表示为如下：

(4)

其中，

代表估计值与已知观测量值的误差, 可表示为

。

在Eq. (4)中，为了使

最小，我们可以根据下述原则，及对

求

偏导数：

(5)

根据上述式子，进一步求解，获得

如下所示：

(6)

然而这种对于实时控制需求比较高的场合不是很实用：由于

矩阵随着时间推移，数据量持续增加，系统计算量持续增大。

• 递推最小二乘法（RLS）

为了解决上述LS的存在的计算量持续增大问题，RLS被提出。

RLS核心在于递推思想，把数据量集中在了上一时刻，大大降低了复杂度。RLS也有很多种类型，如加权RLS，变加权RLS，遗忘因子RLS等，这里介绍一种常用的带有遗忘因子的RLS ：

由于遗忘因子的引入，Eq. (4) 变为：

(7)

其中,

表示n-1行的矩阵

估计值；

表示遗忘因子。

(8)

在第n采样时刻的估计值

可以表示为：

(9)

详细推导已经被介绍很多次了，这里省略，大家可以参考如下：

东林钟声：递推最小二乘推导(RLS)​zhuanlan.zhihu.com

http://www.cs.tut.fi/~tabus/course/ASP/LectureNew10.pdf​www.cs.tut.fi recursive least squares -- 递推最小二乘法​blog.csdn.net

利用矩阵变换等公式，最终获得带有遗忘因子的RLS的计算公式如下所示:

(10)

其中，下标

表示系统在上一时刻历史值。遗忘因子

越大，RLS对历史数据权重越大；反之，RLS对当前时刻的数据权重越大，这里遗忘因子

为零时，相当于系统仅利用当前数据来进行预测，唯一的优点在于收敛性带宽高，然而由于间接的滤波效果的不存在，其估计值会由于系统的不确定因素存在一定的估计扰动，并恶化估计精度。

• 卡尔曼滤波（KF）

Rudolf E Kalman(1930-2016) 提出了卡尔曼滤波器（KF），入门可以看以下视频1-5 Parts：

Understanding Kalman Filters, Part 1: Why Use Kalman Filters? Video​www.mathworks.com

为了对高斯噪声进行量化，不同于RLS利用LS,KF运用最小均方误差（LMSE）方法来获取最优估计值。笔者认为KF主要的贡献在于利用状态空间方程来获取最优值，而不是LMSE，LMSE也在FIR中应用到。

详情可以参考MIT中 James L. Kirtley Jr 的教学课程：

http://web.mit.edu/kirtley/kirtley/binlustuff/literature/control/Kalman%20filter.pdf​web.mit.edu

那么LS与LMSE的区别是？

引用一句话：最小二乘法基于矩阵求解，最小均方误差基于概率统计求解。

均方误差可以表示为如下：

(11)

相比于RLS，KF考虑了被控对象中的过程噪声

和测量噪声

，默认为高斯噪声，即

，

，过程噪声

和测量噪声

的协方差分别为

和

。从Eq. (11),也可以发现，具有概率统计特性的这种高斯噪声用均方误差表示再好不过了。

假设被控对象为线性系统，考虑两种高斯噪声的被控对象数学模型可以表示为如下所示：

(12)

(13)

KF的最优设计思路在于同时考虑了预测值和测量值，即构建了状态预测和状态更新方程：

(14)---------------------

状态预测方程

其中，

为系统状态的在上一时刻的预测值；

为系统状态在当前时刻的预测值。

(15)------------

状态更新方程

其中

为卡尔曼增益，代表模型预测误差与测量误差的权重系数。当K=0时，完全由状态预测方程获得，反正K=1，KF类似于LS。

在建立了KF模型方程Eqs. (14-15)后，利用LMSE原则Eq. (11)，真实值与最优估计值之间的均方误差（也就是协方差）

可以表示为：

(16)

代入Eq.(13、15)于Eq. (16),得：

(17)

令真实值与预测值之间的协方差

表示如下：

(18)

代入Eq.(18)于Eq.(17):

(19)

为了使

最小，即对

求

的偏导数：

(20)

解得K为：

(21)

代入Eq. (21)于Eq.(19),求得：

(22)

根据Eq. (18)及Eq. (12）,进一步改写：

(23)

总结，KF的计算公式可以表示为如下所示：

(24)

(25)

(26)

(27)

(28)

当模型参数

且系统中假设不含有高斯噪声，即

，可以看出KF与RLS的计算公式是一致的。

如何选取合适的Q和R?

这个Q和R的选取是一个重要问题。

Q和R分别代表对模型预测值和实际测量值的权重，Q越大，KF越不利用模型预测值来估算参数；同理，R越大，KF越不利用实际测量值来估算参数。

同时引用秦永元结论《卡尔曼滤波与组合导航原理》：

Q、R无法精确获得，只知道可能的取值范围，则采用可能的较大值（保守）。如果不确切知道Q、R信息，应适当增大Q的取值，以增大对实时量测值的利用权重，俗称调谐。但是调谐存在盲目性，无法知道Q要调到多大才行。

三、仿真分析

首先建立SPMSM的模型，利用RLS与KF对SPMSM模型参数的电感，电阻进行同时辨识。

假设初始参数为：

(29)

采样时间为50us;电机转速为900rpm，负载转矩阶跃为10Nm-3Nm。

RLS与KF辨识结果如下所示：

默认不存在过程噪声

和测量噪声

，即R=I;Q=0：

图a:Te; 图b:Rs; 图c:Ls

上图中可以看出RLS与KF估算的SPMSM电机参数一致，验证了R=I；Q=0的KF等效于RLS。

默认系统仅含有测量噪声

，在测量电流端加入高斯噪声（Noise Power为0.000001，采样间隔为50us）即R=[1 0 ;0 1]*0.000054;Q=0：

图a:Rs; 图b:Ls

从上图可以看出KF估算参数高于RLS。

当进一步增大R=[1 0 ;0 1]*0.0054，可以看出下图的RLS与KF性能基本一致。

图a:Rs; 图b:Ls

由于在仿真中，不存在过程噪声，即模型准确，如果加入一定的的过程噪声，即Q协方差：Q=0.1*[1 0 ;0 1]; 再次建立KF模型，从下图可以看出，Rs和Ls都会受到较大的干扰。

图a:Rs; 图b:Ls

四、总结

RLS、LS、KF都是最优估计的一类方法，相对于LS,RLS, KF考虑了两种高斯噪声及预测模型。

用途：无论在离线或者在线的被控对象参数辨识中,RLS、KF都是常用的一种方法，在能准确求得两种噪声的Q和R情况下，更推荐用KF，反正RLS更有效；如果被控系统为非线性模型，可以考虑EKF（扩展卡尔曼滤波器），但由于雅克比矩阵的加入运算量相对较大。

三种方法优点：矩阵满秩情况下辨识精度较高，由于递推的加入后运算量适中。

缺点：收敛速度相对较慢，估测PMSM参数在ms级，被控对象的多参数估计会出现矩阵不满秩现象，导致估算存在误差。

五、参考文献

涅索斯衬衫：卡尔曼滤波（Kalman Filter）原理与公式推导

东林钟声：递推最小二乘推导(RLS)

http://www.cs.tut.fi/~tabus/course/ASP/LectureNew10.pdf

recursive least squares -- 递推最小二乘法

Understanding Kalman Filters, Part 1: Why Use Kalman Filters? Video

http://web.mit.edu/kirtley/kirtley/binlustuff/literature/control/Kalman%20filter.pdf

Xinyu Chen：如何直观地理解「协方差矩阵」？

https://zh.wikipedia.org/wiki/%E5%8D%8F%E6%96%B9%E5%B7%AE

卡尔曼滤波中的噪声协方差矩阵（R和Q）应该怎么取值,和噪声分布之间的关系是什么？