第27卷第 1期
2 0 0 8年 3月
计 算 技 术 与 自 动 化
Computing Technology and Automation
Vo1.27.No.1
Mar.2 0 0 8
文章编号:1003—6199{2008)01—0136—04
卡 尔曼 滤 波 器及 其 工程 应 用
张满生 一,张学庄
(1.湖南工业大学 电气与信息工程学院,湖南 株洲 412008;2.中南大学 信息物理学院,湖南 长沙 410083)
摘 要:卡尔曼于 1960年提 出了离散 系统线性滤波的递推求解方法即卡 尔曼滤波算法。该滤波算法
是基于线性最小平方法的、进行有效递推计算的一组数学方程式,算法功能强大,支持对过去、现在和将来
状态的估算。本文旨在对离散系统的卡尔曼滤波作应用方面的介绍:包括对基本离散卡尔曼滤波器的描述
与讨论 ;对扩展型卡尔曼滤波的讨论 ;应用实例进行分析和仿真;讨论卡尔曼滤波在汽车定位与导航工程上
的应用。
关键词:卡尔曼滤波;随机变量;测量;导航定位
中图分类号:TP13:0 231.1 文献标识码:A
Kalman Filter and its Engineering Application
ZHANG Man—sheng 一.ZHANG Xue—zhuang
(1,Hunan university of technology,Zhuzhou 4 12000,China;
2,College of Information and Physics,Central south university,Changsha 410083,China)
Abstract:Kalman published his famous paper in 1960.Kalman filter is a set of mathematical equations that provides an effi—
cient computational(recursive)solution of the least—squares method.The filter is very powerful in several aspects:it supports es—
timations of past,present,and even future states,and it can do so even When the precise nature of the modeled system is un.
known.This paper is tO provide a practical introduction tO the discrete Kalman filter:including a description and some discussion of
the basic discrete Kalman filter,a derivation,description and some discussion of the extended Kalman filter,an analysing and simu·
lating a simple example.Fanally its some engineering applications were introduced.
Key words:kalman filtering;stochastic variable;measurement;locating and navigation
1 离散卡尔曼滤波器
1960年,卡尔曼发表了关于描述离散系统线
性滤波问题的递推算法的著名论文-1]。自那时
起,由于数字计算技术的巨大进步,卡尔曼滤波方
法得到了深人的研究和广泛的工程应用,特别是在
自主或辅助定位导航领域,在测量和信号处理及自
动控制领域。国内较早详细介绍卡尔曼滤波理论
的书籍是敬喜-2 J1973年的《卡尔曼滤波器及其应
用基础》。此外,Gelb,Grewa,Lewis,Jacobs 等
也分别对卡尔曼滤波作出了进一步深入的研究,至
今,各类改进型卡尔曼滤波方法,如:内模自适应卡
尔曼滤波-4 J、带随机遗忘因子的自适应卡尔曼滤
波、与各类传感器信息融合相结合的卡尔曼滤波方
法[5][ ]都是控制理论的研究热点。
1.1 卡尔曼滤波对象的数学模型
卡尔曼滤波对线性离散时间控制过程的状态
的估算的一般问题,用线性随机差分方程表示:
= Az 一1+Bu 一1+Wk一1 (1)
m 维的观测方程为:
22 =Hxk+Vk (2)
其中用随机变量 叫 和 分另4表示过程噪声
和测量噪声。设两者之间是彼此独立,且符合
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
正态分布的白噪声,即:
收稿 日期 :20(17—07—31
作者简介:张满生(1962一),男,湖南浏阳人,教授,研究方向:智能交通控制(E—mail:lymszhang@163,com);张学庄(1940一),男,江西
萍乡人,教授,博士生导师,研究方向:光电子测量仪器与系统。
维普资讯 http://www.cqvip.com
第 27卷第 1期 张满生等:卡尔曼滤波器及其工程应用 137
⋯ 1.3 离散卡尔曼滤波算法
一 卡尔曼滤波利用反馈控制思想对过程进行估
定义第 k步的状态先验估计为 :∈R ,即用
早于第 k步的过程辨识对第k步进行估计。而用
∈R 表示在第k步得到测量值 后的状态后验估
计。并且,定义先验与后验估计之误差为:
Pi= .27女一 i和 e女= .27女一 女 (4)
其中 .27 是真实状态。先验估计误差协方差和
后验估计误差的协方差分别为
Pi=E Eei~ek丁] (5)
Pk=E[eke ] (6)
在推导卡尔曼滤波方程时,首先寻求一个计算
后验估计 ^的: 程式。
2女=2i+K( 女一H2i) (7)
即以先验估计 i结合实际观测值 与测量
预报H2i之差的加权值,两者作线性组合,用于计
算后验估计 。式中的差值项( 一H2i)称为观
测新值,或观测残差。该残差反映了预报观测值与
实际观测值的偏差。若残差为零则说明两者完全一
致。加权值 K,称为卡尔曼滤波增益,使(6)最小化
的 K值结果如下:
K ’(HP~H丁+R) =
(8)
算。滤波器在某些时间点上估算过程状态,然后应
用观测量进行反馈。估算算法如图 1所示。
时间更新方程如下:
土i= 触 一^1+Bu^一1 (9)
Pi=AP^ 一1A +Q (10)
注意在上两式中,都是用 k一1步估算 k步,
即作先验估计。
图 1 离散 卡 尔曼滤波迭代循 环
观测更新方程式如下:
K女= PiH丁(HPiH丁+R)一 (11)
女= i+K女( 一H2i) (12)
Pk= ( —KH^)Pi (13)
观测更新的第一步是计算卡尔曼增益 K ,然
后按实际测量以获得观测值 ,再按(12)计算后
验估计 ,最后用(13)计算后验误差协方差。图2则
更清晰地表明了卡尔曼滤波的全貌。
代入 一。和 一。的初始条件
图2 卡尔曼滤运运算的全过程
2 扩展型卡尔曼滤波器(EKF)[6]
2.1 估计过程
当估计过程与该过程的观测值是非线性关系
时,对当前的均值和协方差作线性化处理后的卡尔
曼滤波器称为扩展型卡尔曼滤波器 (EKF)。类似
于泰勒级数,围绕当前的估计点,应用对状态方程
和测量方程求偏微分,便实现了非线性关系的估计
过程的线性化处理。
设过程的非线性状态随机差分方程为:
.27 = f(.27 一1,M 一1,叫 一1) (1)
测量方程为 (量测量 ):
=h(.27 , ) (2)
维普资讯 http://www.cqvip.com
计算技术与自动化 2008年 3月
当然,实际上不可能了解到每一采样时刻的
^和 值,在将它们视为零值时,可近似地将状
态向量和观测向量表示为:
=f( 一1,U^一1,0) (3)
= h( ,0) (4)
其中 一1是上一步 k一1的状态后验估计。须指出
的是 EKF只是基于贝叶斯(Bayes)准则作线性化
后,所得到近似最优的一个特殊状态估计器。
2.2 EKF的计算起点(源点)
对方程(3)、(4)作线性化,并重写为以下控制
方程:
z点≈ 七+A(z七一1—2七一1)+Ww七一1 (5)
z点≈ 乏 +H(z七一 点)+Vv点 (6)
其中:z^ 和 是实际的状态向量和测量向量江 和^
是源自(3)和(4)近似的状态向量及测量向量;
2^ 是第k步的状态后验估计;随机变量 和^ ^ 是
过程噪声和测量噪声。A是非线性函数厂(⋯)关于
z的偏导数的雅可比(Jacobian)矩阵,即:
川 = 考 (ff2k_1,Uk_1,0) (7)
而 w,H,w,V均为相应的雅可比矩阵,同理
计算如下:
w (ff2k_1,Uk_1,0);
HI ]={ ( 0);
V );
完整的 EKF方程如下(推导略),为了与前述
方法一致,仍然用2i取代 ,并且用下标k标注在
雅可比阵 A,w ,H,V,以表明其随时间而变。
2i=f(2 一1,U^一1,0) (8)
Pi= A 一1A +w Q 一^1 V (9)
该两式构成 EKF的时问更新方程。而EKF的
测量更新如下:
K^= p~HT(HkP;HT+ R^ ) (10)
2^ = 2i+K (^ ^一h(2i,0)) (11)
= (J—K )Pi (12)
3 卡尔曼滤波实例
前面分别介绍了离散卡尔曼滤波器的基本型
及扩展型,下面介绍卡尔曼滤波在车辆定位导航系
统中的应用[7][8l,以帮助理解。
(1)车辆定位与导航系统的数学模型
豳
匡 ;]+I l + ]∞c c
式中为观测矩阵,且H(足)=[ ;:];
维普资讯 http://www.cqvip.com
第27卷第 1期 张满生等:卡尔曼滤波器及其工程应用 139
Sage自适应卡尔曼滤波,对提高定位精度均有较大
的作用。从标准滤波的35.35米提高到改进型自适
标准卡尔曼滤波
采样时间 (×5s)
图 3 标;隹卡尔曼滤波法滤波效果
参考文献
[1] Kalrnan,R.E.1960.“A New Approach to Linear Filtering
and Prediction Pml:}lems”[J].Transaction of the ASME—Jour.
nnl of Basic Engino.~ring,PP.35—45(March 1960).
[2] 敬 喜.卡尔曼滤波:器及其应用基础[M].北京:国防工业出版
社 ,1973.
[3] Lewis,Richard.1986.Optimal Estimation with an lntroduc-
tion Stochastic Control Theory.John Wiley& Sons.1nc.
[4] 徐寿宁、张建华.内模自适应卡尔曼滤波新方法及其在 GPS
应滤波的20.23米。
自适应卡 尔曼滤波
采样时间 (×5s)
图 4 改进型 自适应卡 尔曼滤波效果
信号估计中的应用[J].北京工业大学学报,2001,27(2):148
— 156.
秦永元,张洪钺,汪叔华.卡尔曼滤波与组合导航原理[M].
西安:西北工业大学出版社,1998.
张满生,张学庄.ABS传感器模型及多传感器信息融合在车
辆定位中的应用[J].传感技术学报,2006,4,(19),415—
418.
Greg W elch an d Gary Bishop ,An Introduction to the Kalman
Filter,Department of Co mputer ScienceUniversity of Noah
Carolina at Chapel Hil1.2003,5.
张满生,张学庄,等.新型GPS动态定位自适应卡尔曼滤波方
法[J].中南工业大学学报,2003,5(34),543—546.
(Ⅲv
(Ⅲv
维普资讯 http://www.cqvip.com