文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.190501
中文引用格式： 劉美紅，高山鳳，李偉，等. 基于狀態增廣的修正迭代擴展卡爾曼濾波[J].電子技術應用，2020，46(4)：79-81，88.
英文引用格式： Liu Meihong，Gao Shanfeng，Li Wei，et al. State augmentation-based modified iterated extended Kalman filtering[J]. Application of Electronic Technique，2020，46(4)：79-81，88.
0 引言
擴展卡爾曼濾波(Extended Kalman Filter，EKF)是解決非線性系統狀態估計問題的最經典濾波技術[1-3]。然而，EKF濾波存在一些缺點，例如系統動力學模型和測量模型需可微；狀態估計對偏差比較敏感甚至會濾波發散[4]。另外，由于EKF的測量更新不能使濾波結果達到最大似然值，研究者們提出了擴展卡爾曼濾波的迭代形式(Iterated Extended Kalman Filter，IEKF)[5-7]。在狀態預測之后，IEKF測量更新會進行迭代，從而得到優于EKF的估計結果，且在廣泛的應用中已經得到驗證[8-9]。為了減少狀態預測對最終估計的影響，提出了修正迭代擴展卡爾曼濾波(Modified Iterated Extended Kalman Filter，MIEKF)算法[10-11]，該方法在迭代過程中使用測量更新的狀態估計代替狀態預測，然后利用與IEKF中相同的高斯-牛頓方法求解。然而，進一步研究發現，在第一次迭代之后，測量噪聲信息已被包含到估計的狀態中，因此系統狀態和估計的狀態將不與測量噪聲之間保持相互獨立。綜上，為了應用于更高精度的估計場合中，有必要研究新的濾波技術來解決上述問題。
受CHANG L B等人[12-13]和文獻[14]中思想的啟發，本文提出一種基于狀態增廣的修正迭代擴展卡爾曼濾波(State augmentation-based Modified Iterated Extended Kalman Filtering，SMIEKF)算法，即在迭代時將測量噪聲直接增廣到系統狀態中，與經典的EKF和MIEKF相比，該濾波算法在收斂速度和估計精度方面均更優。
1 非線性濾波問題
一般的非線性離散時間濾波問題可描述為：
其中，xk代表狀態向量；wk代表tk時刻的隨機輸入，且wk的均值為0，協方差為Qk。
測量模型可表示為：
其中，yk代表tk時刻的測量值；vk代表tk時刻的測量噪聲，且vk的均值為0，協方差為Rk。
2 基于狀態增廣的修正迭代擴展卡爾曼濾波
2.1 修正迭代擴展卡爾曼濾波
在非線性測量情況下，當局部線性化能無條件滿足時，與EKF相比，IEKF具有優越的性能。但是，當初始估計誤差較大時，IEKF的性能將會降低甚至低于EKF的濾波精度。另外，在IEKF的測量更新迭代過程，直接將EKF的狀態預測作為迭代步驟的初始值，而該值對最終估計的狀態具有直接且巨大的影響。當系統狀態能完全被測量數據觀測時，最終狀態估計比狀態預測值更接近真實值[15]。如果將最終狀態估計用于非線性迭代更新的初始值并利用高斯-牛頓方法解決該問題，則該算法稱為修正迭代擴展卡爾曼濾波(MIEKF)，且MIEKF修正的測量更新等式為[10-11]：
顯然，當進行一步迭代后測量噪聲信息被包含到估計的狀態中，從而導致系統狀態和測量噪聲之間不再滿足正交性，式(3)便不再成立，因此，仍然采用式(3)使得濾波算法的精度大大降低?；诖?，本文提出了基于狀態增廣的修正迭代擴展卡爾曼濾波來解決此問題。
2.2 基于狀態增廣的修正迭代擴展卡爾曼濾波算法
本文提出基于狀態增廣的修正迭代擴展卡爾曼濾波(SMIEKF)的狀態估計算法，SMIEKF算法的偽碼運行過程如下：
由于測量噪聲已被包含到系統狀態中，使得新測量噪聲相對于增廣的系統狀態為零，而零向量與所有向量均正交。因此，保證了狀態和測量噪聲之間的正交性。
3 算法仿真
在本節中，通過使用從雷達地面站記錄的距離測量數據再現彈道目標的軌跡來驗證所提SMIEKF濾波方法的性能，目的是估計彈道目標在重新進入具有恒定但未知的阻力系數大氣層時的軌跡。在系統動態模型中不考慮作用在目標上的重力加速度，原因在于這種改進的模型對于高初始速度是有效的，這使得空氣動力加速度較重力加速度占主導地位。另外，從雷達跟蹤站記錄距離測量數據。由于其在動態和測量模型中具有顯著的非線性，因此該示例在濾波算法研究工作中被廣泛引用。
3.1 動力學與測量模型
上述問題的動力學模型為：
其中vk指具有零均值的測量噪聲向量，且它的概率密度函數為p(vk)；a是雷達的高度；b是雷達和彈道目標間的水平距離。測距信息從頻率為1 Hz的雷達跟蹤站獲得。仿真參數和初始條件見表1和表2[16]。
3.2 仿真結果分析
在該仿真中，使用四階龍格-庫塔方法對連續時間動態方程離散化，且將時間步長設置為1 s。兩種迭代濾波算法均執行三次迭代，共進行100次蒙特卡羅模擬仿真，每次運行過程都使用不同的噪聲樣本，以便計算出濾波誤差的中值估計的絕對值，從而對三種濾波算法的性能進行公平地比較。蒙特卡羅仿真的結果如圖1~圖3所示。
仿真結果表明，與標準的EKF和MIEKF相比，SMIEKF具有最好的性能；且MIEKF比標準EKF性能更優。原因在于：在MIEKF測量更新過程中，系統狀態與測量噪聲相互獨立，但在執行第一次迭代后，這將不再成立。相比之下，在所提出的SMIEKF算法中，將測量噪聲增廣到狀態變量中，則對應于增廣后狀態的新測量噪聲為零，且零向量在統計學上與任何向量均正交，使得增廣后的狀態與測量噪聲仍保持相互獨立，因此SMIEKF可得到比MIEKF更精確的預測測量誤差協方差，從而在三種濾波算法中呈現出最優的狀態估計性能。
4 結論
本文基于狀態增廣方法提出了一種性能增強的SMIEKF濾波算法，該方法主要是在測量更新的迭代過程中，將測量噪聲增廣到系統狀態中，使得新的系統狀態獨立于迭代過程中相應的測量噪聲，從而得到更好的濾波結果。仿真結果也表明，與MIEKF和傳統的EKF相比，所提出的濾波方法具有更優的性能。
參考文獻
[1] LERRO D，BAR-SHALOM Y.Tracking with debiased consistent converted measurements versus EKF[J].IEEE Transactions on Aerospace and Electronic Systems，1993，29(3)：1015-1022.
[2] 黃樹清，胡方強，包亞萍，等.抑制多徑的BD2/GPS雙模自適應擴展卡爾曼濾波算法[J].電子技術應用，2017，43(2)：77-80.
[3] 李敏濤.基于RAEKF的GPS/INS緊組合導航方法研究[J].電子技術應用，2019，45(2)：33-36.
[4] ATHANS M，WISHER R P，BERTOLINI A.Suboptimal state estimation for continuous-time nonlinear systems from discrete noise measurements[J].IEEE Transactions on Automatic Control，1968，13(5)：504-515.
[5] BELL，B M，CATHEY F W.The iterated Kalman filter update as a Gauss-Newton method[J].IEEE Transactions on Automatic Control，1993，38(2)：294-297
[6] GELB A.Applied optimal estimation[D].The Massachusetts Institute of Technology Press：Cambridge，MA，USA，1974.
[7] BAR-SHALOM Y，LI X R，KIRUBARAJAN T.Estimation with application to tracking and navigation：theory，algorithm，and software[M].New York：Wiley，2001.
[8] KARLGAARD C D.Nonlinear regression Huber-Kalman filtering and fixed-interval smoothing[J].Journal of Guidance，Control and Dynamics，2015，38(2)：322-330.
[9] LI W，LIU M H，DUAN D.Improved robust Huber-based divided difference filtering[J].Proceedings of the Institution of Mechanic Engineering，Part G：Journal of Aerospace Engineering，2014，228(11)：2123-2129.
[10] YANG Z，ZHONG D，GUO F，et al.Gauss-Newton iteration based algorithm for passive location by a single observer[J].Journal of Systems Engineering and Electronics，2007，29(12)：2006-2009.
[11] ZHANG J，JI H.Modified iterated extended Kalman filter based multi-observer fusion tracking for IRST[J].Journal of Systems Engineering and Electronics，2010，32(3)：504-507.
[12] CHANG L B，HU B Q，CHANG G B.Multiple outliers suppression derivative-free filter based on unscented transformation[J].Journal of Guidance，Control and Dynamics，2012，35：1902-1906.
[13] CHANG L B，HU B Q，CHANG G B.Marginalised iterated unscented Kalman filter[J].IET Control Theory and Applications，2012，6(6)：847-854.
[14] LIU M，ZHAN X，LI W.State augmentation-based iterated divided difference filtering[J].Proceedings of the Institution of Mechanic Engineering，Part G：Journal of Aerospace Engineering，2015，229(13)：2537-2544.
[15] LEFEBVRE T.，BRUYNINCKX H，SCHUTTER DE J.Kalman filters for non-linear systems：a comparison of performance[J].International Journal of Control，2004，77：639-653.
[16] KARLGAARD C D，SCHAUB H.Comparison of several nonlinear filters for a benchmark tracking problem[C].AIAA Paper，2006：2006-6243.
作者信息:
劉美紅1，高山鳳1，李 偉2, 謝 彬3
(1.山西大學 自動化系，山西 太原030006；2.太原理工大學 自動化系，山西 太原030024；
3.三菱重工海爾(青島)空調機有限公司，山東 青島266200)