【笔记】自适应卡尔曼滤波 Adaptive Extended Kalman Filter

0 阅读文章

《Adaptive Adjustment of Noise Covariance in Kalman Filter for Dynamic State Estimation》

1 主要内容

一般情况下,kalman中的Q、R都是根据经验、实验或数据手册得到的,但是有些参数是无法获得的,尤其是过程噪声,就需要通过不断试凑确定参数,显然是不靠谱的。
这个文章提供一种自适应调整Q、R的方法,不需要精确的初值,就可以获得较高的滤波精度。

2 思路

2.1 状态方程

image.png

2.2 预测

image.png

2.3 校正

image.png

2.4 Q、R的估计

1)R 的估计
image.png
为了使R平滑变化,使用低通滤波。
image.png

[16] Online Stochastic Modelling for Network-Based GPS Real-Time Kinematic Positioning

2)Q的估计
image.png
image.png

2.5 算法流程图

下图中,划红线地方是相对于常规的EKF增加的部分,也就是测量协方差和过程协方差的更新。
image.png

3 仿真实验验证

MSE:mean squared error,计算估计值误差的均方差,用于评定滤波器效果好坏的指标。
下面给出了2个表,第一个是常规的EKF( CEKF),第二个是本文中提到的自适应AEKF。
image.png
这个表怎么看呢。Qtrue和Rtrue 分别是Q、R的真值,仿真中把Q、R进行不同比例的缩放,验证不同组合条件下滤波器的精度。

从第1个表,可以得出:

  • 只要Q、R的比值和Qtrue、Rtrue相等,就能获得最优的性能,并不需要保证Q、R和真实值接近。

比如,对角线上的值都是相同的。
比如0.1Rtrue、Qtrue和0.01Rtrue、0.1Qtrue的MSE相同,都是0.083。
比如10Rtrue、10Qtrue和Rtrue、Qtrue的MSE相同,都是0.051。

从第2个表,可以看出:

  • 不管Q、R的初值是多少,最终的MSE都能取得比较好的效果。
  • 相对于CEKF,即使用Q、R的真值,MSE也略大于CEKF中的MSE,这是正常的,因为R、Q会存在波动,并能保证在所有时间都保持和Rtrue、Qtrue比值保持一致。
  • 25
    点赞
  • 193
    收藏
    觉得还不错? 一键收藏
  • 21
    评论
自适应卡尔曼滤波算法(Adaptive Kalman Filter,AKF)是一种在估计系统状态时能够适应系统动态变化的滤波算法。 卡尔曼滤波算法是一种基于贝叶斯滤波理论的优化算法,用于估计线性系统的状态。它通过结合系统的观测和模型的预测来最优地估计系统的状态。 然而,传统的卡尔曼滤波算法假设系统的模型参数和观测噪声的统计特性是恒定不变的。在实际应用中,系统的模型参数和观测噪声往往是随时间动态变化的。这种动态变化可能导致传统卡尔曼滤波算法的估计结果不准确。 为了解决这个问题,自适应卡尔曼滤波算法引入了自适应因子和自适应测量噪声协方差矩阵。自适应因子用于调整卡尔曼增益,以适应系统模型参数的变化;自适应测量噪声协方差矩阵用于反映观测噪声的统计特性的变化。 具体实现上,自适应卡尔曼滤波算法使用递归最小二乘法(Recursive Least Squares,RLS)方法来估计系统模型参数和观测噪声的统计特性。通过递归地更新这些参数和特性,自适应卡尔曼滤波算法能够在保持较高准确性的同时适应系统的动态变化。 总之,自适应卡尔曼滤波算法是一种能够自适应估计系统状态的滤波算法,通过引入自适应因子和自适应测量噪声协方差矩阵,能够在系统模型参数和观测噪声统计特性动态变化的情况下保持较高的估计准确性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 21
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值