稳健性优化的Kalman滤波方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术涉及一种稳健性优化的Kalman滤波方法、装置、电子设备和存储介质；方法包括：确定Kalman滤波的状态序列和观测序列；建立与状态序列和观测序列对应的Kalman滤波模型；采用建立的Kalman滤波模型进行滤波；在Kalman滤波过程中，采用Kalman增益矩阵采用Kalman增益矩阵用于提高Kalman滤波的稳健性；其中，为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；H

【技术实现步骤摘要】
稳健性优化的Kalman滤波方法、装置、电子设备和存储介质


[0001]本专利技术涉及Kalman滤波及导航
，尤其涉及一种稳健性优化的Kalman滤波方法、装置、电子设备和存储介质。

技术介绍

[0002]Kalman是一种利用线性系统状态方程，通过系统观测数据，对系统状态进行最优估计的算法。目前，卡尔曼滤波模型的鲁棒性提升方法主要基于对传感数据处理和信息融合环节。
[0003]在传感数据处理方面，主要通过检测传感数据的异常值来提升模型输出精度。基于传感器先验信息以及传感数据分布特性，对于其他传感数据具有显著差异或变化的数据进行挖掘和识别。
[0004]在信息融合方面，通过不同传感器采集的数据提升模型输出结果的精度。目前常用的数据融合方法包括集中式融合、分布式融合以及混合式融合。集中式融合旨在将各个传感器的原始数据直接并行输入到滤波模型中进行处理。分布式融合将各个传感器的数据先进行预处理，形成中间信息后输入到滤波模型中进行处理。混合式融合是将原始数据和预处理的数据输入到滤波模型中进行处理。
[0005]在目前的鲁棒性提升方法中，缺乏优化滤波算法步骤的机制，没有解决卡尔曼滤波模型与实际场景的差异性而产生未建模误差，从而导致滤波模型计算结果与真实值具有较大偏差问题。

技术实现思路

[0006]鉴于上述的分析，本专利技术旨在提供一种稳健性优化的Kalman滤波方法、装置、电子设备和存储介质，解决Kalman滤波模型计算结果偏差问题。
[0007]本专利技术提供的技术方案是：
[0008]本专利技术公开了一种稳健性优化的Kalman滤波方法，包括以下步骤：
[0009]确定Kalman滤波的状态序列和观测序列；
[0010]建立与状态序列和观测序列对应的Kalman滤波模型；
[0011]采用建立的Kalman滤波模型进行滤波；
[0012]在Kalman滤波过程中，
[0013]采用Kalman增益矩阵用于提高Kalman滤波的稳健性；其中，为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；H
k
为观测转移矩阵；V
k
为观测噪声矩阵；λ1为第一稳健性参数，λ2为第二稳健性参数。
[0014]进一步地，所述状态序列为所述观测序列为Kalman滤波模型为：
[0015]X
k+1
＝A
k
X
k
+G
k
W
k
；
[0016]Y
k
＝H
k
X
k
+V
k
；
[0017]其中N表示序列总长度，A
k
为状态转移矩阵，H
k
为观测转移矩阵；G
k
为系统噪声系数矩阵；系统噪声矩阵W
k
满足高斯分布N(0，I)；观测噪声矩阵V
k
满足高斯分布N(0，∑
k
)；∑
k
为协方差矩阵。
[0018]进一步地，所述Kalman滤波过程包括：
[0019]初始化状态向量的初始值X0和观测噪声的方差初始值∑0；
[0020]预测以及
[0021]计算Kalman增益矩阵
[0022]估计的
[0023]其中，为k时刻的先验状态估计值；为k时刻的后验状态估计值；为后验预测误差协方差矩阵。
[0024]进一步地，第一稳健性参数λ1的计算步骤：
[0025]计算剩余向量x
k
：
[0026]基于剩余向量x
k
，计算{x
k
}的协方差矩阵∑0：
[0027][0028]其中；
[0029]计算剩余矩阵R
k
：定义r
k
为R
k
的对角元素组成的向量；
[0030]计算第一稳健性参数λ1：
[0031]进一步地，第二稳健性参数λ2的计算步骤：
[0032]计算剩余向量x
′
k
：
[0033]基于剩余向量x
′
k
，计算{x
′
k
}的协方差矩阵∑
′0：
[0034][0035]其中
[0036]计算剩余矩阵R
′
k
：R
′
k
＝∑
′0‑
V
k
；定义r
′
k
为R
′
k
的对角元素组成的向量；
[0037]计算第二稳健性参数λ2：
[0038]进一步地，在进行多无人机相对导航滤波时，Kalman滤波模型中的状态序列的状态值X
k
表示第阶时间点的12维状态值向量，包括无人机A和无人机B的相对航向角速度、无人机A和无人机C的相对航向角加速度、无人机A和无人机B的相对位置矢量、无人机A和无人机C的相对位置矢量、无人机A、B和C的速度矢量。
[0039]进一步地，在进行多无人机相对导航滤波时，Kalman滤波模型中的观测序列中的Y
k
表示第阶时间点的6维观测值向量，包括无人机A和无人机B的相对距离长度，无人机B和无人机C的相对距离长度，无人机A和无人机C的相对距离长度，无人机A和无
人机B速度大小的差值，无人机B和无人机C速度大小的差值以及无人机A和无人机C速度大小的差值。
[0040]本专利技术还公开了一种稳健性优化的Kalman滤波装置，包括滤波接口模块和Kalman滤波模块；
[0041]滤波接口模块，用于获取Kalman滤波的输入数据，输出滤波结果；
[0042]所述Kalman滤波模块中采用如上所述的稳健性优化的Kalman滤波方法进行滤波。
[0043]本专利技术还公开了一种电子设备，包括：
[0044]一个或多个处理器；
[0045]存储装置，用于存储一个或多个程序；
[0046]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如如上所述的的稳健性优化的Kalman滤波方法。
[0047]本专利技术还公开了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的的稳健性优化的Kalman滤波方法。
[0048]本专利技术的有益效果：
[0049]本专利技术与传统的卡尔曼滤波算法相比，通过对Kalman滤波算法步骤中的增益矩阵进行稳健性优化，提升对量测数据误差的鲁棒性，解决了Kalman滤波模型与实际场景的差异性而产生未建模误差，减少了计算结果与真实值的偏差。
附图说明
[0050]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种稳健性优化的Kalman滤波方法，其特征在于，包括以下步骤：确定Kalman滤波的状态序列和观测序列；建立与状态序列和观测序列对应的Kalman滤波模型；采用建立的Kalman滤波模型进行滤波；在Kalman滤波过程中，采用Kalman增益矩阵用于提高Kalman滤波的稳健性；其中，为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；H
k
为观测转移矩阵；V
k
为观测噪声矩阵；λ1为第一稳健性参数，λ2为第二稳健性参数。2.根据权利要求1所述的Kalman滤波方法，其特征在于，所述状态序列为所述观测序列为Kalman滤波模型为：X
k+1
＝A
k
X
k
+G
k
W
k
；Y
k
＝H
k
X
k
+V
k
；其中N表示序列总长度，A
k
为状态转移矩阵，H
k
为观测转移矩阵；G
k
为系统噪声系数矩阵；系统噪声矩阵W
k
满足高斯分布N(0，I)；观测噪声矩阵V
k
满足高斯分布N(0，∑
k
)；∑
k
为协方差矩阵。3.根据权利要求2所述的Kalman滤波方法，其特征在于，所述Kalman滤波过程包括：初始化状态向量的初始值X0和观测噪声的协方差初始值∑0；预测以及计算Kalman增益矩阵估计的以及其中，为k时刻的先验状态估计值；为k时刻的后验状态估计值。4.根据权利要求3所述的Kalman滤波方法，其特征在于，第一稳健性参数λ1的计算步骤：计算剩余向量x
k
：基于剩余向量x
k
，计算{x
k
}的协方差矩阵∑0：其中；计算剩余矩阵R
k
：定义r
k
为R
k
的对角元素组成的向量；计算第一稳健性参数λ1：5.根据权利要求3所述的Kalman滤波方法，其特征在于，第二稳健性参数λ2的计算步骤：计算剩...

【专利技术属性】
技术研发人员：王础，陈浩，李娜，张彤，张依漪，王佳佳，侯健，马静，王凤敏，
申请(专利权)人：北京京航计算通讯研究所，
类型：发明
国别省市：