[论文解读] Desensitized Kalman Filtering with Analytical Gain

Taishan Lou|arXiv (Cornell University)|Apr 20, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用 7

一句话总结

本文提出一种具有解析增益的去敏感化卡尔曼滤波器，以降低状态估计中对不确定参数的敏感性。通过最小化一种新型代价函数（结合后验协方差迹和加权状态误差敏感性），该方法推导出闭式解增益矩阵，在无需迭代优化的情况下提升了鲁棒性，且在离散与连续线性系统中均得到验证，展现出良好的数值稳定性和性能提升。

ABSTRACT

The possible methodologies to handle the uncertain parameter are reviewed. The core idea of the desensitized Kalman filter is introduced. A new cost function consisting of a posterior covariance trace and trace of a weighted norm of the state error sensitivities matrix is minimizing to obtain a well-known analytical gain matrix, which is different from the gain of the desensitized Kalman filter. The pre-estimated uncertain parameter covariance is set as a referential sensitivity-weighting matrix in the new framework, and the rationality and validity of the covariance are tested. Then, these results are extended to the linear continuous system.

研究动机与目标

• 通过最小化对估计误差的敏感性，解决卡尔曼滤波中的参数不确定性问题。
• 开发一种无需迭代计算的闭式解析增益矩阵，以降低状态误差敏感性。
• 验证使用预估参数协方差作为敏感性加权矩阵的合理性和有效性。
• 将去敏感化滤波框架扩展至连续时间线性系统。
• 在系统参数不确定条件下，提升卡尔曼滤波的鲁棒性和稳定性。

提出的方法

• 提出一种新型代价函数，结合后验协方差的迹与状态误差敏感性矩阵的加权范数迹。
• 通过最小化所提出的代价函数，推导出解析增益矩阵，避免迭代优化。
• 在代价函数中使用预估的参数协方差矩阵作为敏感性加权矩阵。
• 将该框架应用于离散时间线性系统，并通过数学变换将其扩展至连续时间系统。
• 采用矩阵微积分与优化技术，获得增益矩阵的闭式解。
• 通过数值分析与标准卡尔曼滤波在参数不确定性下的对比，验证该方法的有效性。

实验结果

研究问题

• RQ1 能否为去敏感化卡尔曼滤波推导出闭式解析增益，以降低计算成本？
• RQ2 使用预估参数协方差作为敏感性权重，对滤波器鲁棒性有何影响？
• RQ3 在参数不确定性下，所提方法相较于标准卡尔曼滤波的性能提升如何？
• RQ4 去敏感化滤波器在连续时间线性系统中的表现如何？
• RQ5 所提代价函数是否能有效同时最小化估计误差与对参数不确定性的敏感性？

主要发现

• 所提出的解析增益矩阵显著降低了状态估计对不确定参数的敏感性，相较于标准卡尔曼滤波有明显优势。
• 该方法在无需迭代优化的情况下实现鲁棒性提升，适用于实时应用。
• 结果表明，使用预估参数协方差作为敏感性权重具有合理性与有效性，可稳定滤波器性能。
• 数值结果表明，在参数不确定性下，所提滤波器能保持更低的估计误差方差。
• 向连续时间系统的扩展在数学上是严谨的，且保持了离散版本的去敏感化特性。
• 该框架通过代价函数设计，为估计精度与对参数不确定性的敏感性之间提供了系统化的权衡方法。