理论教育 卡尔曼滤波算法在自主水下航行器导航与控制技术中的应用

卡尔曼滤波算法在自主水下航行器导航与控制技术中的应用

时间:2023-08-26 理论教育 版权反馈
【摘要】:维纳滤波属于整段滤波,是把整个一段时间内所获取到的量测数据储存起来,然后同时进行处理,估计出系统的状态[4];卡尔曼滤波属于递推滤波,是由递推方程随时间给出新的状态估计,相对来说计算量和存储量较小,工程实践较容易。卡尔曼滤波适用于线性系统,其基本思想是线性最小方差估计,通过对系统输入输出数据的观测,完成对系统状态的最优估计。

卡尔曼滤波算法在自主水下航行器导航与控制技术中的应用

维纳滤波属于整段滤波,是把整个一段时间内所获取到的量测数据储存起来,然后同时进行处理,估计出系统的状态[4]卡尔曼滤波属于递推滤波,是由递推方程随时间给出新的状态估计,相对来说计算量和存储量较小,工程实践较容易。卡尔曼滤波适用于线性系统,其基本思想是线性最小方差估计,通过对系统输入输出数据的观测,完成对系统状态的最优估计。由于观测数据中存在系统噪声和干扰的影响,所以最优估计过程也可看作是滤波过程。

假设AUV导航系统为线性系统

状态方程为:

观测方程为:

其中,X(k)为系统在k时刻的状态量;Φ为状态转移矩阵;Γ为噪声驱动矩阵;W(k)为输入噪声;Z(k)为k时刻对应状态的输出量;H为观测矩阵;V(k)为观测噪声。

假设W(k)和V(k)是均值为零的不相关白噪声,方差分别为Qk和Rk,且初始状态X(0)不相关于W(k)和V(k):

初始值:(www.daowen.com)

状态的一步预测为:

一步预测协方差为:

滤波增益矩阵为:

状态更新为:

协方差更新:

在一个滤波周期内,卡尔曼滤波完成了时间更新过程和观测更新过程,完成了对系统状态的预测和修正。首先,根据k时刻的最优状态估计为准,依据状态方程递推,预测k+1时刻的状态,并对这种预测的质量做了定量描述P(k+1|k);其次,针对预测的质量完成对最优增益矩阵的更新K(k+1);再次,对状态进行观测,当k+1时刻量测到来时,根据新息、增益矩阵,依靠数学方法自动定量分析在预测和量测之间进行折中,或者说是根据量测对预测进行修正从而得到k+1时刻的最优状态估计完成对状态预测的修正;最后,完成k+1时刻预测质量的更新P(k+1|k+1)。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈