[论文解读] Kalman Filtering in the Presence of State Space Equality Constraints

Nachi Gupta|ArXiv.org|May 31, 2007

Target Tracking and Data Fusion in Sensor Networks参考文献 5被引用 10

一句话总结

本文提出并比较了两种在卡尔曼滤波中引入状态空间等式约束的数学等价方法：测量增强法与基于投影的估计法。证明了在特定条件下，两种方法均能产生相同的约束估计分布，为实践者提供了在计算效率与实现简便性之间进行选择的可能。

ABSTRACT

We discuss two separate techniques for Kalman Filtering in the presence of state space equality constraints. We then prove that despite the lack of similarity in their formulations, under certain conditions, the two methods result in mathematically equivalent constrained estimate structures. We conclude that the potential benefits of using equality constraints in Kalman Filtering often outweigh the computational costs, and as such, equality constraints, when present, should be enforced by way of one of these two methods.

研究动机与目标

• 为解决传统卡尔曼滤波中状态空间等式约束被低估利用的问题，该问题常导致次优估计。
• 形式化并对比两种不同的方法——测量增强法与投影法——以在卡尔曼滤波中强制执行等式约束。
• 在明确定义的条件下，建立两种方法的数学等价性，确保估计结果的一致性。
• 证明引入约束可通过缩小误差协方差来提高估计精度，从而证明计算成本的合理性。
• 为通过局部线性化或活动集法将约束滤波扩展至非线性及不等式约束问题提供基础。

提出的方法

• 第一种方法在每个时间步将表示等式约束的完美、无噪声测量加入测量模型。
• 第二种方法先计算无约束的卡尔曼估计，再利用伪逆或基于优化的投影方法将其投影到约束子空间。
• 本文使用标准卡尔曼滤波方程和矩阵代数，推导出两种方法下约束状态估计与误差协方差的解析表达式。
• 采用鞍点矩阵求逆与舒尔补恒等式，推导出增强方法中创新协方差矩阵的逆的闭式表达式。
• 等价性证明依赖于涉及卡尔曼增益、误差协方差与约束矩阵的矩阵恒等式，表明在非奇异条件下最终估计结果完全相同。
• 推荐使用约瑟夫形式的误差协方差，以在数值实现中保持对称性与正定性。

实验结果

研究问题

• RQ1 在何种条件下，测量增强法与基于投影的约束卡尔曼滤波方法在数学上是等价的？
• RQ2 在实际实现中，两种方法的计算成本与内存需求如何比较？
• RQ3 使用任一方法时，其数值稳定性影响如何，特别是对误差协方差矩阵对称性或正定性的破坏？
• RQ4 能否通过局部线性化将约束卡尔曼滤波框架扩展至处理非线性约束？
• RQ5 与无约束滤波相比，强制执行等式约束如何影响误差协方差结构？

主要发现

• 在创新协方差与舒尔补均非奇异的条件下，测量增强法与基于投影的方法在等式约束卡尔曼滤波中产生数学上完全相同的最优状态估计与误差协方差矩阵。
• 投影法在计算上更高效，所需内存更少，且避免了交叉相关项的计算，适用于大规模系统。
• 增强法更容易在现有卡尔曼滤波代码库中实现，因其无需算法修改；通过向约束测量添加噪声，还可自然扩展至软约束情形。
• 强制执行等式约束可降低误差协方差矩阵的方差，因为额外信息被纳入估计过程。
• 由于舍入误差导致的数值不稳定性是潜在问题，特别是误差协方差矩阵的对称性或正定性丧失，可通过使用约瑟夫形式加以缓解。
• 通过涉及卡尔曼增益、预测误差协方差与约束矩阵的矩阵恒等式，严格证明了两种方法的解析等价性，验证了该框架的鲁棒性。