[论文解读] Nonlinear Bayesian Estimation: From Kalman Filtering to a Broader Horizon

Huazhen Fang, Ning Tian+3 more|arXiv (Cornell University)|Dec 4, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 39被引用 3

一句话总结

本文系统性地介绍了非线性贝叶斯估计的全面教程，系统回顾了扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和集合卡尔曼滤波（EnKF）等变体，并进一步拓展到粒子滤波和移动有限时域估计等先进方法。该文建立了一个统一的贝叶斯框架，用于非线性系统中的状态估计，强调概率建模与不确定性量化。

ABSTRACT

This article presents an up-to-date tutorial review of nonlinear Bayesian estimation. State estimation for nonlinear systems has been a challenge encountered in a wide range of engineering fields, attracting decades of research effort. To date, one of the most promising and popular approaches is to view and address the problem from a Bayesian probabilistic perspective, which enables estimation of the unknown state variables by tracking their probabilistic distribution or statistics (e.g., mean and covariance) conditioned on the system's measurement data. This article offers a systematic introduction of the Bayesian state estimation framework and reviews various Kalman filtering (KF) techniques, progressively from the standard KF for linear systems to extended KF, unscented KF and ensemble KF for nonlinear systems. It also overviews other prominent or emerging Bayesian estimation methods including the Gaussian filtering, Gaussian-sum filtering, particle filtering and moving horizon estimation and extends the discussion of state estimation forward to more complicated problems such as simultaneous state and parameter/input estimation.

研究动机与目标

• 为非线性系统的贝叶斯状态估计提供一种系统化、自下而上的入门介绍。
• 在贝叶斯概率框架内，回顾并比较主要的卡尔曼滤波技术（EKF、UKF、EnKF）。
• 将讨论拓展至先进的贝叶斯估计器，如高斯滤波（GF）、高斯混合滤波（GSF）、粒子滤波（PF）以及移动有限时域估计（MHE）。
• 解决复杂估计挑战，包括同时进行状态与参数估计。
• 识别并讨论面向网络物理系统与数据密集型系统中非线性贝叶斯估计的未来研究方向。

提出的方法

• 将非线性状态估计建模为贝叶斯推断问题，将状态视为具有时变概率分布的随机向量。
• 应用贝叶斯定理，递归地更新基于测量数据的后验状态分布。
• 在EKF和UKF中，使用线性和非线性近似（如雅可比矩阵和无迹变换）将高斯分布通过非线性函数进行传播。
• 在集合卡尔曼滤波（EnKF）中，通过集合的蒙特卡洛采样来近似后验分布。
• 引入高斯滤波（GF）与高斯混合滤波（GSF），以处理非高斯和多模态的后验分布。
• 应用粒子滤波（PF）对非高斯、非线性系统进行估计，采用基于加权粒子的序列蒙特卡洛方法。
• 将框架扩展至移动有限时域估计（MHE），通过求解有限时域优化问题以提高估计精度。

实验结果

研究问题

• RQ1 如何系统性地将贝叶斯框架应用于非线性状态估计问题？
• RQ2 EKF、UKF和EnKF在近似概率分布非线性变换方面具有哪些优势与局限性？
• RQ3 在复杂场景中，粒子滤波与移动有限时域估计等先进方法如何优于传统卡尔曼滤波？
• RQ4 在准确表征概率分布非线性变换结果方面，面临哪些关键挑战？
• RQ5 如何将贝叶斯估计扩展至动态系统中同时进行状态与参数估计？

主要发现

• 贝叶斯框架为状态估计提供了一个统一且直观的方法，能够实现对非线性系统中不确定性的概率建模。
• 扩展卡尔曼滤波（EKF）在弱非线性系统中表现合理，但因雅可比矩阵近似而存在线性化误差。
• 无迹卡尔曼滤波（UKF）通过使用无迹点更有效地捕捉非线性变换后分布的均值与协方差，从而提升了精度。
• 集合卡尔曼滤波（EnKF）提供了一种稳健的基于采样的替代方案，适用于高维系统，尤其在数据同化场景中表现优异。
• 粒子滤波能够在非高斯和高度非线性系统中实现估计，但代价是计算复杂度较高，且存在粒子退化风险。
• 移动有限时域估计（MHE）通过求解有限时域优化问题提升了估计精度，适用于具有约束条件和噪声测量的系统。