贝叶斯滤波下量测系统误差和状态联合估计方法研究

摘要

目标跟踪的主要任务是利用传感器量测信息和系统状态的先验建模信息对当前时刻运动目标状态进行预测与滤波。在一些复杂系统估计中，由于传感器自身和外界环境影响，量测误差难以避免，其误差特性可分为随机误差和系统误差，因系统误差较随机误差具有较大数量级，且无法用滤波消除，因此它是影响跟踪精度的主要因素。为此，本文分别面向以下两类环境背景，提出相对应的系统误差配准方法，进而提高目标跟踪精度。
　　针对单传感器量测背景下，非线性系统中系统误差配准问题，本文提出了一种基于Rao-Blackwellized扩展卡尔曼滤波的系统误差和状态联合估计算法。首先，通过状态扩维方法，建立目标参数和系统误差的状态模型；然后，利用Rao-Blackwellized建模思想，将其拆分为线性与非线性部分；进而，利用卡尔曼滤波与扩展卡尔曼滤波联合估计状态参数和系统误差。与传统扩展卡尔曼滤波相比，该算法降低了状态维度，减小了计算复杂度与滤波发散率。实验结果表明，相比于传统扩维扩展卡尔曼滤波，经系统误差配准后，Rao-Blackwellized扩展卡尔曼滤波在水平与竖直两个方向的状态估计均方根误差(RMSE)均明显降低。
　　针对多传感器量测背景下，线性系统中系统误差配准问题，本文提出了基于卡尔曼一致性滤波的系统误差和状态联合估计算法。首先，对目标运动状态和系统误差建模；进而，采用卡尔曼一致性滤波的多传感器信息交互特点优化上述模型结构；最后，采用状态向量增广方法联合估计状态参数和系统误差。此算法将卡尔曼一致性滤波算法推广至多传感器线性系统误差配准领域，在完成误差配准的同时提高目标跟踪精度，具有收敛速度快、鲁棒性强等特点。实验结果表明，经系统误差配准后，相比于传统卡尔曼一致性滤波，该算法在两个方向上的状态估计均方根误差都有所降低。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 文章研究内容和结构安排

2 状态估计与典型系统误差配准方法

2.1 引言

2.2 系统模型

2.3 典型滤波算法

2.4 典型系统误差配准算法

2.5 本章小结

3 基于Rao-Blackwellized扩展卡尔曼滤波的系统误差和状态联合估计

3.1 引言

3.2 问题描述

3.3 RB-EKF算法描述

3.4 RB-EKF框架下的系统误差和状态联合估计算法

3.5 仿真实验与分析

3.6 本章小结

4 基于卡尔曼一致性滤波的系统误差和状态联合估计

4.1 引言

4.2 问题描述

4.3 卡尔曼一致性滤波

4.4 联合估计算法描述

4.5 仿真实验与分析

4.6 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

攻读学位期间的科研成果