[论文解读] On Kalman-Like Finite Impulse Response Filters

Lubin Chang|arXiv (Cornell University)|Jan 27, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 16被引用 3

一句话总结

本文建立了两种广泛使用的有限冲激响应（FIR）滤波器——类似卡尔曼的无偏FIR（UFIR）与移动时域卡尔曼FIR（RHKF）——之间的显式解析关系。研究揭示，二者唯一的区别在于对噪声统计特性的忽略以及初始条件的处理方式，从而可通过在两者之间转移设计洞见来实现性能提升，对状态估计的鲁棒性与精度具有重要意义，且无需依赖统计假设。

ABSTRACT

This note reveals an explicit relationship between two representative finite impulse response (FIR) filters, i.e. the newly derived and popularized Kalman-Like unbiased FIR filter (UFIR) and the receding horizon Kalman FIR filter (RHKF). It is pointed out that the only difference of the two algorithms lies in the noise statistics ignorance and appropriate initial condition construction strategy in UFIR. The revelation can benefit the performance improvement of one by drawing lessons from the other. Some interesting conclusions have also been drawn and discussed from this revelation.

研究动机与目标

• 阐明两种广泛使用的有限冲激响应（FIR）滤波器——无偏FIR（UFIR）与移动时域卡尔曼FIR（RHKF）——之间的理论关系。
• 识别UFIR与RHKF在噪声建模与初始条件构建方面的精确差异。
• 通过借鉴另一滤波器的设计原理，实现对某一滤波器性能的提升，尤其在噪声统计特性不确定或未知的情况下。
• 为FIR滤波方法固有的鲁棒性与最优性权衡提供洞见。

提出的方法

• 对UFIR与RHKF滤波器的状态估计方程进行解析推导。
• 在相同的系统动态与测量模型下对两种滤波器进行比较。
• 识别RHKF公式中噪声统计特性的作用，与UFIR中该特性的缺失。
• 考察UFIR中初始条件构建策略作为与RHKF区别的关键因素。
• 利用系统理论分析，证明当从UFIR中移除噪声假设时，两者在结构上具有等价性。
• 推导出UFIR可被解释为RHKF的无噪声版本的条件。

实验结果

研究问题

• RQ1 无偏FIR（UFIR）与移动时域卡尔曼FIR（RHKF）滤波器之间的根本区别是什么？
• RQ2 UFIR中缺乏噪声统计特性对其性能与RHKF相比有何影响？
• RQ3 能否通过RHKF的噪声感知设计洞见来提升UFIR的鲁棒性？
• RQ4 初始条件构建在区分UFIR与RHKF中起什么作用？
• RQ5 在何种条件下可将UFIR视为RHKF的一个特例？

主要发现

• UFIR与RHKF之间唯一的结构差异在于对过程与测量噪声统计特性的处理方式，以及初始条件构建策略。
• UFIR可被解释为RHKF的无噪声版本，即省略了统计假设。
• UFIR中的初始条件构建至关重要，尤其在瞬态阶段，直接影响估计精度。
• RHKF的性能对噪声统计特性的准确性更为敏感，而UFIR在不确定性下仍保持鲁棒性。
• 当RHKF中忽略噪声统计特性时，可建立两者之间的理论等价性，使UFIR成为RHKF的一个特例。
• 研究结果表明，可通过引入噪声统计特性来改进UFIR性能，或通过优化初始条件策略来提升RHKF性能，二者可相互借鉴。