, ,

(1.西北工業(yè)大學 電子信息學院，西安 710129; 2.西北工業(yè)大學 航空學院，西安 710072)

0 引言

卡爾曼濾波(Kalman filter, KF)是一種經(jīng)典高效的遞歸濾波方法，克服維納濾波的不足，被應(yīng)用在許多實際領(lǐng)域中。然而，實際中大部分系統(tǒng)都是非線性的，不滿足KF中模型為線性的假設(shè)。為此，學者們提出擴展卡爾曼濾波(extended Kalman filter, EKF)、無跡卡爾曼濾波[1](unscented Kalman filter, UKF)、容積卡爾曼濾波[2](cubature Kalman filter, CKF)等非線性濾波算法。UKF和CKF都是確定性采樣濾波算法，將采樣點進行傳遞后加權(quán)求和來近似后驗均值和協(xié)方差，采樣點數(shù)量由相關(guān)狀態(tài)向量維數(shù)確定，濾波的計算量也主要由采樣點的數(shù)量決定。

在實際應(yīng)用中，由于系統(tǒng)的高度復雜性和強非線性，一階泰勒展開并不能很好的近似實際系統(tǒng)，模型參數(shù)和過程參數(shù)存在較大差異，導致EKF的濾波精度極大下降，甚至發(fā)散。為此，周東華等人將用于線性系統(tǒng)的最佳漸消因子卡爾曼濾波推廣到EKF中，提出強跟蹤濾波器(Strong Tracking Filter，STF)[3]。基于正交原理，STF在預測協(xié)方差陣中引入漸消因子，充分利用殘差序列中的有效信息，增強了EKF應(yīng)對模型不準確性、狀態(tài)突變的魯棒性。STF目前仍被廣泛的用于諸多領(lǐng)域[4-6]，文獻[4]提出了一種對稱STF用于感應(yīng)電機無線傳感器驅(qū)動，將多漸消因子引入到預測協(xié)方差陣，采用Cholesky分解來保證預測協(xié)方差陣在迭代中的對稱性，以獲得更好的穩(wěn)定性。文獻[6]認為STF相對于EKF的優(yōu)越性通常是基于仿真和以前的實驗，缺少對應(yīng)的理論分析，進而基于均方誤差、濾波增益等方面對比分析STF和EKF，最后認為傳統(tǒng)卡爾曼濾波理論的可用性受到嚴重限制，其結(jié)構(gòu)易被破壞，導致濾波性能下降，在工程應(yīng)用中研究使用強跟蹤類濾波器是有重大意義的。

UKF和CKF是現(xiàn)在最具有代表性的非線性濾波方法。與EKF相比，UKF和CKF不需要求解雅克比矩陣，具有更高的泰勒展開逼近精度，逐漸替代EKF，應(yīng)用于各個領(lǐng)域[7-9]。CKF采用三階向徑容積規(guī)則，數(shù)學推導嚴謹，設(shè)計簡潔，調(diào)節(jié)參數(shù)少，有效克服了UKF中高階非線性時不穩(wěn)定的問題[10]。同樣地，UKF和CKF也延續(xù)了傳統(tǒng)卡爾曼濾波理論思想的不足，當理論模型和實際模型不匹配時，會導致濾波性能下降，故強跟蹤濾波思想在非線性濾波方法中法中同樣適用，引起了眾多學者的關(guān)注[11-14]。文獻[11]基于預測協(xié)方差和互協(xié)方差的理論關(guān)系，得到雅克比矩陣在UKF中的等價求解方法，建立漸消因子在非線性濾波方法中的等效求解方法，避免了強跟蹤UKF在使用中對雅克比矩陣的依賴，擴大了應(yīng)用范圍。這些研究均證明與UKF/CKF相比，強跟蹤UKF/CKF具有更好的魯棒性，獲得更好的濾波性能。文獻[12]基于飛行器姿態(tài)估計模型中量測函數(shù)的特性，建立新的多重漸消因子求解方法，獲得了比單漸消因子強跟蹤UKF更好的魯棒性和濾波性能。

然而，現(xiàn)有研究雖然嘗試對多漸消因子的求解方法進行提高完善， 總的來說仍然沿用了傳統(tǒng)多重漸消因子的引入方法，只利用了協(xié)方差矩陣中對角線的信息，即各個狀態(tài)本身的方差，而沒有考慮各個變量之間的相關(guān)性。為此，本文提出漸消因子矩陣，建立新的多漸消因子強跟蹤CKF(multiple fading factors strong tracking cubature Kalman filter,，MSTCKF)，克服原來方法的不足，充分提取協(xié)方差矩陣中的信息，提高漸消因子對各個變量保持良好跟蹤的能力。仿真表明，MSTCKF在魯棒性和濾波精度方面均明顯優(yōu)于CKF，具有良好應(yīng)對狀態(tài)突變的能力。

1 容積卡爾曼濾波

考慮如下非線性離散系統(tǒng)：

xk=f(xk-1)+wk-1

(1)

yk=h(xk)+vk

(2)

其中:xk∈Rn為系統(tǒng)狀態(tài)向量，yk∈Rm為量測向量，n和m為對應(yīng)維數(shù)；f(·)和h(·)分別為非線性系統(tǒng)的狀態(tài)轉(zhuǎn)移函數(shù)和量測函數(shù)；wk-1∈Rn為系統(tǒng)噪聲，vk∈Rm為量測噪聲，二者均為高斯白噪聲，且互不相關(guān)，協(xié)方差矩陣為Qk和Rk。

CKF算法流程如下：

2)時間更新

①選取容積點i=(1,2,…l)

(3)

其中:l=2n，其中Sk-1為Pk-1平方根。

②計算傳遞后容積點

(4)

③計算k時刻狀態(tài)預測值

(5)

④計算k時刻未引入漸消因子的預測誤差協(xié)方差陣平方根

(6)

3)量測更新

①選取容積點i=(1,2,…l)

(7)

②計算傳遞后容積點

yi,k/k-1=h(Xi,k/k-1)

(8)

③計算k時刻觀測預測值

(9)

④計算互相關(guān)協(xié)方差陣

Pxy,k/k-1=χk/k-1(Yk/k-1)T

(10)

其中:

(11)

(12)

⑤計算k時刻新息協(xié)方差陣

(13)

⑥計算k時刻濾波增益陣

Kk=Pxy,k/k-1/Pyy,k/k-1

(14)

⑦計算k時刻狀態(tài)估計值

(15)

⑧計算k時刻狀態(tài)誤差協(xié)方差陣

(16)

2 多漸消因子容積卡爾曼濾波

2.1 多漸消因子計算方法分析

與通常濾波器相比，STF具有以下優(yōu)良的特性：

1)較強的關(guān)于模型不確定性的魯棒性。

2)極強的關(guān)于突變狀態(tài)的跟蹤能力，甚至在系統(tǒng)達到平穩(wěn)狀態(tài)時，仍保持對緩變狀態(tài)與突變狀態(tài)的跟蹤。

3)適中的計算復雜度。

STF基于正交原理，在線選取一個適當?shù)臅r變增益矩陣Kk，使得以下條件成立

(17)

(18)

其中:ek為k時刻的殘差。式(17)是濾波器性能指標，式(18)要求濾波器中不同時刻的殘差序列保持處處正交，也是正交性原理這一名稱的由來。

為此，STF利用衰減記憶濾波思想，將漸消因子引入預測誤差協(xié)方差矩陣，進而實時調(diào)整增益矩陣，強迫濾波殘差滿足式。多漸消因子引入位置具體如下：

(19)

其中:LMDk=diag[λ1,k,λ2,k,…,λn,k]為多重漸消因子，F(xiàn)k為雅可比矩陣。

目前對LMDk的計算主要有兩種方法：

(1)基于先驗知識的比例系數(shù)[15]

當系統(tǒng)的先驗知識可以大致確定λ1,k:λ2,k:…:λn,k=a1:a2:…:an時，多重漸消因子計算方法如下：

(20)

其中:

λ1,k=aiCk

(21)

(22)

(23)

(24)

其中:tr(·)為矩陣求跡運算，Hk和Fk分別為對應(yīng)雅克比矩陣，Vk為實際輸出殘差序列的協(xié)方差矩陣，估算如下：

(25)

其中是ρ遺忘因子，0<ρ≤1，通常取ρ=0.95。

從式(22)可以看出，該多漸消因子計算方法實際上只計算一個標量漸消因子，然后通過提前設(shè)定的好的比例因子，得出最后的多漸消因子。

該方法的優(yōu)點是計算簡潔，與單漸消因子類似，不需要對雅克比矩陣Hk進行求逆等運算。不足是：

1) 基于先驗知識的比例系數(shù)在實際應(yīng)用中難以確定，局限了它的使用范圍；

2) 提前確定的比例系數(shù)，實際上只能對應(yīng)特定類型的故障，不能很好處理實際應(yīng)用中可能出現(xiàn)復雜多變的故障。例如：

λ1,k:λ2,k:…:λn,k=5:1:…:1時，則與第一個狀態(tài)相關(guān)的故障更容易被檢測到，而與第一個狀態(tài)無關(guān)的故障，一定程度上會被弱化，且求得其他的漸消因子分量也會小于λ1,k，不符合實際。

(2)基于部分量測函數(shù)雅克比矩陣信息[12-14]

當n≠m時，若量測矩陣Hk的秩為:

rank(Hk)=min(n,m)

(26)

則有:

(27)

其中:Dk為Hk中不為0的行或者列組成的滿秩矩陣，Jk為LMDkPk/k-1中對應(yīng)行列形成的滿秩矩陣。則有:

(28)

Dk為滿秩矩陣，故Dk可逆，有:

(29)

令上式中兩邊矩陣對角線元素相等，則有:

(30)

從而求得:

(31)

該多漸消因子計算方法的優(yōu)點是避免了對先驗知識的依賴，降低應(yīng)用限制，使多漸消因子能適用于更多場景。

該方法的不足也很明顯，它能求得漸消因子個數(shù)為量測矩陣Hk的秩，即min(n,m)，顯然的，當n>m時，并不能為每一個狀態(tài)提供一個漸消因子，不能達到每個狀態(tài)單獨優(yōu)化的目的。另一方面，從Hk中選取不為0的行或者列組成的滿秩Dk時，并沒有給出合理的選取方法，僅當Hk中不為0的行或者列恰好為min(n,m)時，Dk是唯一的。當Hk中不為0的行或者列大于min(n,m)時，Dk并不唯一，不能分辨哪個Dk是最合理的，也就無法確定多漸消因子與各個狀態(tài)變量之間的對應(yīng)關(guān)系，導致不能使用。

(3)基于量測函數(shù)雅克比矩陣信息

與方法(2)相比，該方法不考慮量測矩陣Hk的秩，直接使用量測矩陣Hk的廣義逆，即:

(32)

令:

(33)

(34)

則LMDk計算如下:

(35)

其中:

(36)

與前面兩種方法相比，該方法即避免了對先驗知識的依賴，也不存在無法確定Dk的問題，具有更好的實用性。

綜上，3種多漸消因子求解方法均存在明顯的不足。從它們計算多漸消因子的過程中也可以看出，它們只利用了協(xié)方差矩陣中對角線上的信息，并沒有考慮協(xié)方差矩陣中其他元素對濾波精度和魯棒性的影響，即沒有充分考慮狀態(tài)之間的相關(guān)性，這一定程度上會導致降低強跟蹤濾波方法的魯棒性和濾波精度，不能充分發(fā)揮多漸消因子對各個變量分開修正的優(yōu)勢。

2.2 一種新的多漸消因子求解方法

自從強跟蹤思想提出以來，對于多漸消因子的定義一直為：

LMDk=diag[λ1,k,λ2,k,…,λn,k]

(37)

其中:LMDk是一個對角矩陣。

從LMDk定義可知，LMDk在一開始就沒有考慮各個狀態(tài)之間的相關(guān)性，認為各個變量是獨立的。從前面分析的LMDk計算方法看，均只利用了各個狀態(tài)本身的方差，而并沒有充分利用各個狀態(tài)之間的相關(guān)性。

為此，本文提出一種新的多漸消因子定義，將多漸消因子從向量擴展為漸消因子矩陣：

MDk=λi,j,i,j=1,2,…n

(38)

則CKF中引入漸消因子矩陣如下式：

(39)

對于式(18)，在CKF中有：

Fk+1,k(I-Kk+1Hk+1)Fk+1,k(Pxy,k/k-1-KkVk)=0

(40)

即有:

Pxy,k/k-1-KkVk=0

(41)

式成立的充要條件為:

Pyy,k=Vk

(42)

即理論殘差協(xié)方差矩陣和實際殘差協(xié)方差矩陣相等。將式(39)帶入上式，并進行簡化后得:

(43)

當Hk不是方陣時，(Hk)-1為廣義逆矩陣。令:

(44)

(45)

則MDk計算如下:

(46)

式中,Mk的計算比較復雜，結(jié)合式進一步簡化得:

(47)

其中:上標‘s’為引入漸消因子前的對應(yīng)變量。

在傳統(tǒng)多漸消因子方法中，需要對各個漸消因子的值進行判斷，保證漸消因子的值大于1，而在本文提出漸消因子矩陣MDk中，對角線元素的變化，也會影響和別的變量之間的相關(guān)系數(shù)，故不在做漸消因子大于1的要求，直接使用求解得到的漸消因子矩陣MDk。

2.3 算法流程

基于式(1)和式(2)所確定的非線性模型，MSTCKF算法流程如下：

3)計算漸消因子：由式(44)、(45)和(46)計算得到多漸消因子，帶入式(39)得到引入漸消因子后的預測誤差協(xié)方差矩陣Pk/k-1。

4)量測更新：由式(7)～式(16)求解得k時刻狀態(tài)估計值xk和k時刻引入漸消因子前的誤差協(xié)方差矩陣Pk。

3 仿真結(jié)果與分析

采用某一強耦合非線性隨機系統(tǒng)[16]來驗證MSTSCKF的有效性，并對量測方程做了相應(yīng)修改，具體如下：

為驗證本文提出的MSTSCKF處理狀態(tài)突變的能力，仿真中采用3種方法進行對比：SCKF、基于第3種多漸消因子求解方法的STSCKF和本文提出的MSTSCKF。

假設(shè)在k=70和k=140時，由于外部干擾，xk,1分別有+4和-3的突變。3種方法對4個狀態(tài)的估計如圖1～4所示。

從圖1中可知，在突變發(fā)生前，3種方法對各狀態(tài)的估計都相當準確，能完美跟蹤狀態(tài)。當k=70突變發(fā)生后，SCKF已經(jīng)處于穩(wěn)定狀態(tài)，增益矩陣趨于極小值，失去跟蹤突變狀態(tài)的能力，不能及時響應(yīng)狀態(tài)突變，需要很長一段時間才能對回到正常誤差區(qū)間，應(yīng)對干擾能力不足，魯棒性較差。STSCKF和MSTSCKF由于采用多漸消因子，對各個狀態(tài)分開修正，均能有效的從殘差中提取信息，實現(xiàn)對xk,1在k=70和k=140突變狀態(tài)的跟蹤，響應(yīng)速度快，魯棒性好，并沒有因為xk,1突變而導致濾波精度的下降。

圖1 3種方法對xk,1的狀態(tài)估計

圖2 3種方法對xk,2的狀態(tài)估計

圖3 3種方法對xk,3的狀態(tài)估計

圖4 3種方法對xk,4的狀態(tài)估計

從圖2、圖3和圖4可見，SCKF受xk,1的影響，對其他三個狀態(tài)的估計也很差，產(chǎn)生了一個明顯的偏差和跳變，且到仿真結(jié)束也沒有收斂到正常值。

在圖1和圖2中，STSCKF和MSTSCKF有近乎一樣的濾波性能，從圖上并不能明顯看出兩者的區(qū)別。而在圖3和圖4中，STSCKF僅考慮各個狀態(tài)的方差，沒有考慮狀態(tài)間相關(guān)性的不足凸顯出來。STSCKF在突變發(fā)生后，對xk,3和xk,4的估計值都產(chǎn)生了一個明顯的跳躍，且在剩下的時間里面，估計值一直沒有重新收斂到理論值。與STSCKF相反，MSTCKF，對xk,3和xk,4的估計值在突變前后一直都很穩(wěn)定，并沒有受xk,1狀態(tài)突變的影響。因此，采用漸消因子矩陣的MSTCKF能真正意義上實現(xiàn)了對各個狀態(tài)變量進行多通道優(yōu)化，互不影響，有效地保證了濾波器的最優(yōu)性，克服了現(xiàn)有多漸消因子方法沒有考慮狀態(tài)間相關(guān)性的不足。

4 結(jié)束語

通過分析當前常用的3種多漸消因子強跟蹤計算方法優(yōu)缺點，發(fā)現(xiàn)它們均只利用協(xié)方差矩陣中對角線元素，沒有考慮各個狀態(tài)之間的相關(guān)性。針對該問題，本文將多漸消因子從向量擴展為漸消因子矩陣，克服了當前方法的不足，并根據(jù)正交原理推導建立漸消因子矩陣的求解方法，提出MSTCKF。與傳統(tǒng)多漸消因子不同，漸消因子矩陣由于考慮狀態(tài)之間的相關(guān)性，修改對角線元素將會影響其他位置元素，故不再限制漸消因子取值必須大于1。仿真表明，在狀態(tài)突變情況下，MSTCKF的濾波性能和魯棒性優(yōu)于STCKF，能真正實現(xiàn)各個狀態(tài)分開估計，保證其他狀態(tài)的估計不受突變狀態(tài)的影響。MSTCKF也能被用于信號處理、目標跟蹤、故障檢測、捷聯(lián)慣導等領(lǐng)域中，提高定位跟蹤精度，具有一定的實際應(yīng)用價值。