新型自适应Kalman滤波算法及其应用
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
合导航,既可保证滤波的自适应性,又有利于提高系 统的实时性。
2 自适应Kalman滤波算法的应用
通过在惯导/双星组合导航系统中应用,对本文 提出的自适应Kalman滤波算法与常规Kalman滤
波和Sage-Husa自适应滤波作了进一步比较。 2.1惯导/双星组合系统数学模型
1.2简化的Sage--Husa自适应Kaiman滤波
针对式(1)、(2),简化的Sage-Husa自适应滤
波算法的数学模型Ⅲ 又(愚)一西(志,k一1)完(惫一1)+K(五)可(量) (3)
口(尼)=Z(点)一H(忌)X(志I惫一1)
(4)
K(愚)=P(志Ik一1)日T(是)I-H(k)P(惫I志一1)×
1 自适应Kalman滤波的理论
1.1 问题的提出
考虑一时变离散系统模型嘲
Xt=蛾I卜1X卜l+n—lWt一1
(1)
Z(志)=日(惫)X(忌)+y(志)
(2)
式中 墨∈R”为k时刻的系统状态;饥忙。∈R一×一
为从k一1到k时刻的一步状态转移矩阵;n一。∈
Pn为五时刻的系统噪声矩阵;H(愚)∈R“。“为系统
量测矩阵;y(愚)”为量测噪声向量;Ⅳ。一,∈Rr为k
时刻的系统噪声;Z(忌)∈R4为系统k时刻的观测
收稿日期:2008—06—16 基金项目:航空基础科学基金资助项目(20070851010;20090818004) 作者简介:赵龙(1976一),男(满族)·内蒙古赤峰市人。副教授·博士,研究方向:精确导航、图形图像匹配导航和视觉导航。
由于我国自主研发的北斗双星定位系统的定位 信息是由地面中心站解算并通过卫星转发给用户, 所以无法得到准确的噪声及误差模型。因此,采用 常规Kalman滤波实现惯导/双星组合导航系统时, 其滤波效果较差,甚至有发散的趋势[1]。Sage和 Husa提出了一种自适应滤波算法,可在线计算系统 噪声Q和量测噪声R[2]。但实际上,Sage-Husa自 适应滤波算法并不能同时将Q和R估计出来,且文 献E3]已证明了该算法只能在Q已知时估计出R, 或R已知时估计出Q。文献[4-I提出了一种简化的
Key words:adaptive filtering;Kalman filtering;integrated navigation system
在动态系统的数学模型和噪声统计特性已知 的情况下,利用Kalman滤波进行多种导航传感器 信息融合可实现飞行器的精确导航/制导。但在实 际应用中很难得到系统精确的数学模型和噪声的统 计特性,使滤波精度降低甚至产生滤波发散现象。 为了解决此问题,通常采用自适应滤波技术,在滤波 的同时,利用观测数据的信息不断地在线估计和修 正模型参数、噪声统计特性以提高滤波的精度。
Sage-Husa自适应滤波算法,在已知Q的情况下,对 R进行估计,该算法仍具有良好的自适应性。但由 于每次滤波都估计R,滤波的复杂度增加,实际应用 时,将无法保证系统的实时性。本文利用文献[5]中 判断滤波异常的判据,提出了一种新的自适应Kal— man滤波算法,并将其应用在惯导/双星组合导航 系统中。
1
t
e=击∑口i口j
(11)
lok--M十1
由式(9)~(11)可得滤波严格收敛判据为
万方数据
口(志)VT(志)一H(k)P(kI五一1)H7(志)+袁(惫~1)
(12)
式(12)进一步整理得
%r(愚)=tr(C。)/tr(P。)=1
(13)
式中Var(正)为判断滤波状态的因子(简称滤波状态
因子),Var(愚)=1为滤波严格收敛,Var(愚)≠1为 滤波异常。
小;当Var(愚)一1时,C(点)=1,此时变为常规Kal-
man滤波。 1.4 自适应滤波与常规Kalman滤波的比较
在噪声统计特性未知时,与常规Kalman滤波
相比,简化的Sage.Husa自适应滤波和本文的自适
应Kalman滤波的精度和可靠性更高;两者的计算 复杂度也比常规Kalman滤波的高。这是因为两种
航系统阶数较高时,计算量增加更多。这在系统采
样周期较短的情况下,无法满足系统对实时性的要
求。
1.3自适应Kalman滤波算法
文献[5]中的基本思想是:实际的余项应与其理
论特性“相匹配”,即在滤波的同时检验实际的余项,
并判断滤波是否出现异常。当实际的余项在原假设
Q(足一1)、R(k一1)下不相容时,则对Q(k)、R(走)进
(18) (19)
式中c(忌)>o为在线调整的实数。 当Var(矗)>1或Var(志)<l时,为使Vat(愚)
值很快回到1附近,本文选用指数函数构造c(k)的
值:
C(最)一ew7(‘’~1
(20)
式中 当Var(最)>1时,且Var(志)越大时,c(k)也 越大;当Var(愚)<1时,且Var(点)越小时,c(k)也越
2 m2+2m
减法/次
2m2+3
1
Biblioteka Baidu
指数函数/次0
1
从表l可见,在每一滤波周期内,本文提出的 自适应Kalman滤波比常规Kalman滤波增加了
m2+优次乘法运算、2次除法运算、m2+2m次加法 运算、1次减法运算和1次指数函数运算。而该算 法和简化Sage—Husa自适应滤波相比,减少了m3+ 3m2卵+3m2+722m—m次乘法运算、m3+3m2咒+
K(忌一1)]7十日(志)P(k--1)HT(忌)} (8)
式中d。一(1—6)/(1一bk+1),O<6<1为遗忘因
子,通常在0.95~0.99问选取;R(点)为系统量测噪
声的方差矩阵;K(是)为增益矩阵。
简化的Sage_Husa自适应滤波在每次滤波过
程中都要计算R(惫),计算量较大,特别是当组合导
对于式(13),当War(k)>1或Var(志)<1时,
表明系统的量测噪声增大或减小,通过调节食(志),
使其增大或减小,保持Var(志)在1附近变化,进而 实现滤波的适应性。因此,在常规Kalman滤波算 法的基础上,可得量测噪声在线调整的自适应Kal—
man滤波算法的公式为
X(k)一西(k,k一1)X(忌一1)+K(惫)v(k) (14)
第31卷第6期 2009年12月
压电与声光 PIEZOEI。ECTRICS 8L ACOUST00PTICS
文章编号:1004—2474(2009)06—0908—04
V01.31 No.6 Dec.2009
新型自适应Kalman滤波算法及其应用
赵 龙,吴 康
(北京航空航天大学控制一体化技术国家级重点实验室。北京100191)
自适应滤波需在线估计或调整量测噪声的方差阵, 即在每个滤波周期内都对量测噪声方差阵进行调
整,简化的滤波要计算式(8)和d。,本文的滤波要计 算式(10)、(11)、(13)和(20)(其中式(10)在常规
Kalman和简化的Sage_Husa自适应滤波中也进行 计算,因此在比较时将其忽略)。
针对式(1)、(2)的系统方程(系统状态x(五)为
Abstract:In order to avoid the divergence and improve the real—time property of the filter,an adaptive Kalman Filtering(AKF)algorithm is presented。which obtained a factor of filtering state by using the criterion of filtering a— nomalies,and the measurement noise covariance matrix is confirmed by using this factor.AFK is realized by chan— ging the measurement noise covariance according to the state of the filtering.AKF is applied to the INS/DS(Inertial Navigation System/Double-star System)integrated navigation system,and compared it with the conventional Kal— man filtering and simplified Sage-Husa filtering.The simulation results showed that the AKF simplified the compu· tation and improved the real—time property with the same accuracy of simplified Sage-Husa filtering.
以维向量,量测量为m维向量),与常规Kalman滤 波相比,两种自适应滤波算法在每一滤波周期内增
加的计算量如表1所示。
910
压电与声光
表1 两种自适应滤波算法增加的计算量
法则 乘法/次
言裟象
∥+3m2九+4m2+n2m
本文的自适 应滤波算法
m2+m
除法/次 加法/次
l m3+3m2,z+竹2仇一m行一m
关键词:自适应滤波IKalman滤波;组合导航系统
中图分类号iV249.32+8
文献标识码:A
A New Type of Adaptive Kalman Filtering Algorithm and Its Application
ZHAO Long,WU Kang
(National Key Lab.of Science and Technology on Integrated Control Technology。Beijing University of Aeronautics and Astronautics。Beijing 100191,China)
摘要:为防止滤波发散和提高系统的实时性,提出了一种新的自适应Kalman滤波算法。该算法利用滤波异 常判据获得一个滤波状态因子,通过滤波状态因子确定量测噪声协方差阵的值,在线调整噪声的统计特性实现自 适应滤波。将该算法应用到惯导/gg星组合导航系统中,并和常规Kalman滤波和简化的Sage-Husa自适应滤波算 法进行仿真比较。仿真结果表明,在滤波精度与简化Sage-Husa自适应滤波相当的情况下,新算法简化了运算,提 高了实时性。
豫2m一优2一mn一3m次加法运算和2m2+2次减法 运算;增加了1次除法和1次指数函数的运算。因 此,文本的自适应Kalman滤波算法再增加了一定
的计算量后即可实现滤波的自适应,比简化Sage- Husa自适应滤波的计算量小,特别是系统维数越
高,节省的计算量也越多。在组合系统误差模型和 噪声统计特性未知时,利用本文提出的算法进行组
万方数据
第6期
赵龙等:新型自适应Kalman滤波算法及其应用
909
值。
当系统是时变的且噪声的统计信息未知时,此
时常规Kalman滤波的滤波精度会降低,甚至可能
发散。为克服此问题,在对Sage-Husa自适应滤波
研究的基础上,利用文献r-5]中的滤波异常判据给出
一种量测噪声在线调整的自适应Kalman滤波。
行估计来取代原来假设的Q(k一1)、R(忌一1)。其
常用判据为
u1(愚)口(愚)>y£r([-E(v(k)vT(愚)])
(9)
式中y>1为储备系数;tr为矩阵的迹;臼(愚)为信
息序列。
口(忌)方差的理论值为
P。=E[口(志)可T(点)]=日(忌)P(忌I南一1)x
H1(惫)+袁(五一1)
(10)
。(忌)的实测方差为
H1(足)+R(忌)]一1
(5)
P(五Ik一1)一面(矗,点一1)P(愚一1)咖T(忌,k一1)+
F(k,k一1)Q(忌)rT(忌,k一1) (6) P(愚)=[1--K(k)H(k)]P(klk一1)×
[J—K(志)H(志)]T
(7)
R(愚)一(1一d^)R(是一1)+巩{[J—H(五)×
K(忌一1)]u(愚)VT(足)[J—H(是)×
口(忌)一Z(忌)一H(愚)叉(足I愚一1)
(15)
K(愚)=P(kI k一1)HT(志)[H(矗)P(志Ik一1)×
HT(忌)+袁(忌一1)]一1
(16)
P(kI愚一1)一西(五,k一1)P(k一1)07(最,忌一1)+
r(是,忌一1)Q(七),(志。k一1)(17)
p(志)=(J—K(志)日(最))P(志I七一1) 袁(忌)一c(愚)袁(忌——1)