1.课题概述
基于迭代扩展卡尔曼滤波算法的倒立摆控制系统,对比UKF,EKF迭代UKF,迭代EKF四种卡尔曼滤波的控制效果。
2.系统仿真结果
3.核心程序与模型
版本:MATLAB2022a
4.系统原理简介
倒立摆控制系统是一种具有挑战性的非线性控制系统,常用于研究控制算法的性能。扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)是两种常用的非线性滤波方法,用于估计系统的状态。本文将详细介绍基于迭代扩展卡尔曼滤波算法的倒立摆控制系统,并对比UKF、EKF迭代UKF和迭代EKF的性能。
4.1、UKF(无迹卡尔曼滤波)
UKF是一种基于无迹变换(Unscented Transform,UT)的非线性滤波方法。它通过选择一组确定的sigma点来逼近非线性函数的概率密度函数,从而避免了EKF中对非线性函数进行泰勒级数展开带来的截断误差。
4.2 EKF(扩展卡尔曼滤波)
EKF是一种基于泰勒级数展开的非线性滤波方法。它通过在当前估计值附近对非线性函数进行泰勒级数展开,并保留一阶项来近似非线性函数。然后利用卡尔曼滤波的框架进行状态估计。
4.3iEKF(迭代扩展卡尔曼滤波)
iEKF是一种基于迭代思想的扩展卡尔曼滤波方法。它通过多次迭代来改进状态估计的精度。在每次迭代中,利用上一次迭代的估计值对非线性函数进行泰勒级数展开,并更新状态估计,IEKF 的核心思想就是想 提高观测方程的线性化精度,因为我们之前的 EKF 都是把观测方程在IMU得到的 先验状处进行线性化,此时线性化是观测方程为:
4.4 iUKF(迭代无迹卡尔曼滤波)
iUKF结合了无迹卡尔曼滤波和迭代思想,通过多次迭代来改进状态估计的精度。在每次迭代中,利用上一次迭代的估计值重新计算sigma点,并通过无迹变换传播sigma点来更新状态估计。
4.5优缺点比较
UKF和iUKF相较于EKF和iEKF,由于采用了无迹变换,对于非线性函数的逼近更为准确,因此在非线性较强的系统中表现更好。然而,UKF和iUKF的计算复杂度相对较高,对于维数较高的系统可能会面临计算上的挑战。