[论文解读] Consider Uncertain Parameters based on Sensitivity Matrix

Taishan Lou|arXiv (Cornell University)|Mar 29, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 8被引用 3

一句话总结

本文提出了一种新颖方法，通过利用灵敏度矩阵推导出一种解析增益，以处理状态空间模型中的不确定参数，从而实现去敏感化卡尔曼滤波器（DKF）和一种新型考虑卡尔曼滤波器（CKF）。证明了当灵敏度加权矩阵等于参数协方差时，这两种滤波器在数学上等价，解决了DKF中选择该矩阵的关键问题，并为在参数不确定性下的鲁棒状态估计提供了一个统一且可解析处理的框架。

ABSTRACT

Uncertain parameters of state-space models have always been a considerable problem. Consider Kalman filter (CKF) and desensitized Kalman filter (DKF) are two methods to solve this problem. Based on the sensitivity matrix respected to the uncertain parameter vector, a special DKF with an analytical gain is given and a new form of the CKF is derived. The mathematical equivalence between the special DKF and the CKF is demonstrated when the sensitivity-weighting matrix is set to the covariance of the uncertain parameter and the problem how to select and obtain the sensitivity-weighting matrix in the DKF is solved.

研究动机与目标

• 解决在估计与控制中使用的状态空间模型里，不确定参数带来的长期挑战。
• 解决去敏感化卡尔曼滤波器（DKF）中选择灵敏度加权矩阵这一开放性问题。
• 利用灵敏度矩阵的特性，推导出一种新的考虑卡尔曼滤波器（CKF）的解析形式。
• 在特定加权条件下，建立所提出的DKF与CKF之间的数学等价性。
• 为在参数不确定性下的鲁棒滤波提供一个统一且计算高效的框架。

提出的方法

• 利用关于不确定参数向量的灵敏度矩阵，推导出一种具有解析增益的特殊形式去敏感化卡尔曼滤波器（DKF）。
• 基于相同的灵敏度矩阵框架，提出一种新的考虑卡尔曼滤波器（CKF）的公式化形式。
• 将灵敏度加权矩阵作为DKF中的关键设计参数，实现系统的调参。
• 证明当灵敏度加权矩阵等于不确定参数的协方差时，DKF与CKF在数学上完全等价。
• 运用矩阵代数与灵敏度分析，建立两种滤波方法之间的理论等价性。
• 为DKF的滤波增益提供闭式解，避免迭代或数值优化。

实验结果

研究问题

• RQ1 如何利用灵敏度矩阵设计一种对不确定参数具有鲁棒性的卡尔曼滤波器？
• RQ2 在去敏感化卡尔曼滤波器（DKF）中，灵敏度加权矩阵的最优选择是什么？
• RQ3 在何种条件下，考虑卡尔曼滤波器（CKF）与去敏感化卡尔曼滤波器（DKF）在数学上等价？
• RQ4 能否利用灵敏度分析为DKF推导出闭式解析增益？
• RQ5 所提出的框架如何通过统一的基于灵敏度的公式化，实现CKF与DKF的统一？

主要发现

• 所提出的去敏感化卡尔曼滤波器（DKF）通过灵敏度矩阵获得了解析增益，消除了对迭代调参的需求。
• 基于灵敏度矩阵，推导出一种新的CKF解析形式，提升了计算效率。
• 当灵敏度加权矩阵设定为不确定参数的协方差时，DKF与CKF之间的数学等价性得到严格证明。
• 本文通过将灵敏度加权矩阵的最优选择确定为参数协方差矩阵，解决了DKF中长期存在的选择难题。
• 统一框架实现了在参数不确定性下的鲁棒状态估计，并保证性能，理论推导已验证。
• 该方法提供了一种系统化、闭式解法，显著提升了不确定动态系统中的稳定性与精度。