KF滤波器参数分析

线性$Kalman$滤波器

考虑如下状态空间模型描述的动态系统：

$$x_k=A{x}_{k-1}+B{u}_{k-1}+{\omega }_{k-1}$$

$$y_k=H{x}_k+v_k$$

式中，$k$为离散时间，系统在时刻$k$的状态向量为$x_k\in {\mathbb{R}}^n$；假设系统满足可观性要求，$y_k\in {\mathbb{R}}^n$为对应状态的观测向量；随机信号$w_k$和$v_k$分别表示过程噪声和观测噪声。

假设1：$w_k$和$v_k$是均值为零，方差阵各为$Q$和$R$的不相关白噪声,即$w_k\backsim N(0,Q)$，$v_k\backsim N(0,R)$，实际过程中$Q$和$R$可能随着每次迭代计算而变化，这里假设为常数。

假设2：初始状态$x_0$不相关于$w_k$和$v_k$，$E[x_0]={\mu }_0$，$E[(x_0-{\mu }_0)(x_0-{\mu }_0{)}^T]=P_0$

$Kalman$滤波器递推算法如下：

预测更新方程：$\{\begin{array}{l}{\bar{x}}_k=A{x}_{k-1}+B{u}_{k-1}\\ {\bar{P}}_k=A{P}_{k-1}{A}^T+Q\end{array}$

卡尔曼增益矩阵：$K={\bar{P}}_k{H}^T(H{\bar{P}}_k{H}^T+R{)}^{-1}$

测量更新方程：$\{\begin{array}{l}{x}_k={\bar{x}}_k+K(y_k-H{\bar{x}}_k)\\ P_k=(I-KH){\bar{P}}_k\end{array}$

$RQP$不同取值对状态估计的影响

假设一个系统模型为：

$\begin{array}{rl}{x}_1(k+1)& =x_1(k)+x_2(k)+w(k)\\ x_2(k+1)& =x_2(k)+w(k)\end{array}$

观测模型为：

$\begin{array}{rl}{y}_1(k+1)& =x_1(k+1)+v_1(k+1)\\ y_2(k+1)& =x_2(k+1)+v_2(k+1)\end{array}$

将上述模型写成卡尔曼滤波器的公式表示形式：

$\{\begin{array}{ll}\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\end{array}\right]=\left[\begin{array}{cc}1& 1\\ 0& 1\end{array}\right]\left[\begin{array}{c}{x}_1(k)\\ x_2(k)\end{array}\right]+w(k)& \text{观测方程}\\ & \\ \left[\begin{array}{c}{y}_1(k+1)\\ y_2(k+1)\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\end{array}\right]+\left[\begin{array}{c}{v}_1(k+1)\\ v_2(k+1)\end{array}\right]& \text{测量方程}\end{array}$

$w{v}_1{v}_2$为相互独立的零均值白高斯序列。

$A=\left[\begin{array}{cc}1& 1\\ 0& 1\end{array}\right]$ $H=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$

预测更新方程：$\{\begin{array}{l}{\bar{x}}_k=A{x}_{k-1}\\ {\bar{P}}_k=A{P}_{k-1}{A}^T+Q\end{array}$

卡尔曼增益矩阵：$K={\bar{P}}_k{H}^T(H{\bar{P}}_k{H}^T+R{)}^{-1}$

测量更新方程：$\{\begin{array}{l}{x}_k={\bar{x}}_k+K(y_k-H{\bar{x}}_k)\\ P=(I-KH){\bar{P}}_k\end{array}$

结合$Kalman$算法和仿真结果分析：

当$R$趋于0时，${\lim }_{R\to 0}K=H^{-1}$，测量噪声$v=0$,系统表现为完全取测量值作为状态的后验估计，而系统的先验状态估计被完全抛弃；当${\bar{P}}_k=0$时，$Q=0$，此时系统完全抛弃测量值，取先验估计值。

过程噪声$Q$对滤波效果的影响：

$Q$为对模型的信任度。$Q$越大滤波后的曲线跟测量曲线跟的越紧密，滤波后稳态误差越大，但误差收敛速度会加快；$Q$值越小滤波效果越明显稳态误差越小，相应的误差收敛速度会变慢。

测量噪声$R$对滤波效果的影响：

$R$决定稳态噪声。$R$越小初始增益越大收敛越快，但是稳态容易引入噪声；$R$越大对噪声越不敏感，即滤波后的数据跳动越小，但$R$越大卡尔曼滤波输出误差收敛越慢。

协方差矩阵$P$对滤波效果的影响：

$P$决定初始增益的大小，影响初始时刻的收敛效果，不影响稳态误差。