- 基于 Huber M 估计的鲁棒 Cubature 卡尔曼滤波算法(2014)
本文针对非高斯噪声或者统计特性未知的情况下,基于Huber M估计的方法,提出了统计回归估计的鲁棒CKF算法,推导出线性化近似回归和直接非线性回归的鲁棒CKF算法。本文利用 Huber M 估计对观测信息进行重新构建, 然后采用 CKF 的观测更新算法对非线性观测方程进行滤波, 无需对非线性观测方程进行线性化近似, 从而构成非线性鲁棒滤波算法。通过仿真证明:该算法在鲁棒性、滤波精度及一致性等方面都明显优于传统 CKF 和基于统计线性化近似模型的 CKF 方法.
- 基于 Huber 的高阶容积卡尔曼跟踪算法(2016)(未仔细看,还存在一些问题)
本文提出了基于Huber估计的高阶容积卡尔曼滤波算法(HHCKF),在增加一定计算复杂度的前提下, 高阶容积准则和统计线性回归模型的结合, 能够进一步提高算法的滤波精度; 同 时, HHCKF由于避免了直接求量测协方差,因此,具有一定的鲁棒性. 仿真结果表明, 将 HHCKF 应用于目标跟踪, 能够较好地实现轨迹跟踪.
- 基于Huber的鲁棒广义高阶容积卡尔曼滤波算法(2018)
本文提出一种基于Huber的鲁棒广义高阶容积卡尔曼滤波(GHCKF)。Huber方法的本质是对新息进行截断平均,即在新息前加一个权矩阵,动态地调节预测值和预测协方差矩阵,用于提高算法的鲁棒性。本文提出的鲁棒GHCKF算法没有对观测方程进行线性化近似。最后通过仿真表明:这种新的GHCKF算法所提出方法兼具 Huber 方法鲁棒性强以及 GHCKF 方法滤波精度高的特点, 滤波性能优于标准的GHCKF算法以及基于观测方程线性化近似的鲁 棒GHCKF.