[论文解读] State estimation under non-Gaussian Levy noise: A modified Kalman filtering method

Xu Sun, Jinqiao Duan+2 more|arXiv (Cornell University)|Mar 10, 2013

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用 5

一句话总结

本文提出了一种针对具有无限方差的非高斯 Lévy 噪声的改进型卡尔曼滤波器，该噪声使传统卡尔曼滤波器失效。该方法对观测值实施截断操作，并采用改进的增益计算方式，在保持较低计算成本的同时，显著提升了重尾噪声下的状态估计精度。

ABSTRACT

The Kalman filter is extensively used for state estimation for linear systems under Gaussian noise. When non-Gaussian Lévy noise is present, the conventional Kalman filter may fail to be effective due to the fact that the non-Gaussian Lévy noise may have infinite variance. A modified Kalman filter for linear systems with non-Gaussian Lévy noise is devised. It works effectively with reasonable computational cost. Simulation results are presented to illustrate this non-Gaussian filtering method.

研究动机与目标

• 解决传统卡尔曼滤波器在受非高斯 Lévy 噪声（具有无限方差）影响的系统中的局限性。
• 开发一种滤波方法，在计算效率与标准卡尔曼滤波器相当的同时，能够在重尾测量噪声下保持有效性。
• 为测量误差服从对称 α 稳定 Lévy 分布的系统提供一种实用且适用于实时应用的状态估计解决方案。
• 通过在混合高斯与 Lévy 噪声的现实条件下进行仿真，证明所提方法的有效性。

提出的方法

• 对观测向量引入截断操作，以限制由无限方差 Lévy 噪声引起的极端值。
• 通过用基于截断残差的经验估计替代标准测量噪声协方差，来修改卡尔曼增益的计算方式。
• 利用截断后观测值与预测测量值之间的残差，计算修正后的测量噪声协方差矩阵，记为 $\tilde{\tilde{\mathbf{R}}}_k$。
• 推导出修正后的卡尔曼增益公式为 $\mathbf{K}_k = \bar{\mathbf{P}}_k \mathbf{H}_k^T (2 \cdot \mathbf{H}_k \bar{\mathbf{P}}_k \mathbf{H}_k^T + \tilde{\tilde{\mathbf{R}}}_k)^{-1}$，以考虑非高斯噪声的影响。
• 保留标准的时间更新与测量更新结构，确保计算开销最小化。
• 递归应用该滤波器，使用修正后的增益和截断后的观测值更新先验与后验状态估计。

实验结果

研究问题

• RQ1 能否设计一种改进的卡尔曼滤波器，以在测量噪声服从具有无限方差的非高斯 Lévy 分布的线性系统中有效估计状态？
• RQ2 所提方法是否在保持与标准卡尔曼滤波器相当的计算效率的同时，提升了重尾噪声下的估计精度？
• RQ3 改进滤波器的性能对截断阈值 $C$ 的选择有多敏感？
• RQ4 当测量噪声包含对称 α 稳定 Lévy 分量时，改进滤波器能否在估计误差方面优于传统卡尔曼滤波器？

主要发现

• 在存在无限方差 Lévy 噪声的情况下，改进的卡尔曼滤波器相比传统卡尔曼滤波器显著降低了位置估计误差。
• 仿真结果表明，改进滤波器在估计精度方面实现了显著提升，表现为在 10,000 次蒙特卡洛试验中平均估计误差明显减小。
• 截断操作的阈值 $C$ 并不十分敏感；在较宽范围（$C = 30$ 至 $100$）内性能保持稳定，表明对参数选择具有鲁棒性。
• 改进滤波器的计算成本仅比标准卡尔曼滤波器适度增加，这是由于引入了截断操作以及 $\tilde{\tilde{\mathbf{R}}}_k$ 的外积计算，使其适用于实时应用。
• 该方法通过抑制测量中大跳跃的影响，有效处理了混合噪声（高斯与对称 α 稳定 Lévy 噪声），而无需完全掌握跳跃分量的信息。
• 即使测量噪声具有无限方差（使经典卡尔曼滤波框架失效），所提滤波器仍能保持稳定性和准确性。