一類廣義連續(xù)-離散系統(tǒng)量測丟失情況下魯棒濾波算法

梁天添，王 茂

（哈爾濱工業(yè)大學 空間控制與慣性技術研究中心，哈爾濱 150001）

廣義系統(tǒng)，又稱描述系統(tǒng)或奇異系統(tǒng)，首先由著名學者H. H. Rosenbrock于20世紀70年代提出[1]，該系統(tǒng)的顯著特征是在系統(tǒng)動態(tài)空間方程中可能存在奇異矩陣E。對于一些實際系統(tǒng)，諸如電氣網(wǎng)絡系統(tǒng)[2]、約束機械系統(tǒng)[3]、飛行器模型系統(tǒng)[4-5]，由于廣義系統(tǒng)比空間描述方法具有更好的表述特性，該系統(tǒng)模型已得到越來越多的關注。針對廣義系統(tǒng)的狀態(tài)估計問題，先前的學者研究提出了諸如觀測器設計等的有效解決方法[6-11]。但對于實際系統(tǒng)而言，噪聲的存在是一個不可避免的挑戰(zhàn)性問題。由于眾所周知的原因，卡爾曼濾波方法能夠有效解決有噪聲系統(tǒng)的狀態(tài)估計問題。但當系統(tǒng)量測發(fā)生異常時，卡爾曼濾波誤差協(xié)方差矩陣可能發(fā)生變化，導致狀態(tài)估計值與動態(tài)模型值產(chǎn)生較大偏差。目前，針對量測丟失情況下的廣義連續(xù)-離散系統(tǒng)狀態(tài)估計問題，現(xiàn)有解決方法仍然較少，本文正是基于該背景提出了一種研究方法。

基于卡爾曼濾波的有噪聲廣義系統(tǒng)狀態(tài)估計問題，已有的研究工作能夠保證該方法在廣義系統(tǒng)上的可行性[12-17]。對于一般的廣義系統(tǒng)模型，文獻[12]提出了一種“雙重方法”（dual approach），以推導出最優(yōu)濾波器和相應的Riccati方程的“3塊”（3-block）形式。文獻[13]進一步提出基于遞歸重構算法的離散時間廣義系統(tǒng)狀態(tài)估計方法，該方法通過將估計問題轉(zhuǎn)化為未來動態(tài)模型不影響當前狀態(tài)的新的估計問題以實現(xiàn)一般離散時間廣義系統(tǒng)的狀態(tài)估計。文獻[14]針對衛(wèi)星姿態(tài)控制模型執(zhí)行器故障診斷問題，設計了故障診斷廣義卡爾曼濾波器，具體做法為：將衛(wèi)星執(zhí)行器故障視為增廣廣義系統(tǒng)中新增狀態(tài)向量，并設計卡爾曼濾波器觀測其狀態(tài)，其實質(zhì)仍是廣義系統(tǒng)的卡爾曼濾波問題。文獻[15]基于H∞濾波，針對含有未知輸入的矩形廣義系統(tǒng)（rectangular descriptor systems）設計了H∞廣義卡爾曼觀測器(HDKE)。文獻[16]針對含有未知噪聲協(xié)防差的廣義系統(tǒng)設計了自校正全階卡爾曼濾波器（self-tuning full-order Kalman filter）并推導其相應的廣義 Riccati方程。進一步，文獻[17]針對含有未知量測噪聲協(xié)防差的多傳感器廣義系統(tǒng)設計了自校正全階加權量測數(shù)據(jù)融合卡爾曼濾波器（self-tuning full-order weighted measurement fusion Kalman filter）。但是，已有的研究方法均無法避免在 Riccati方程中求解奇異矩陣E，導致后續(xù)求解過程非常繁瑣。

對于轉(zhuǎn)化得到的非奇異離散系統(tǒng)，當觀測量出現(xiàn)異常時，由于量測殘差發(fā)生變化，將導致卡爾曼濾波估計誤差協(xié)方差矩陣發(fā)生變化，進而影響狀態(tài)估計效果。文獻[17]針對量測丟失情況下的不確定線性離散時間系統(tǒng)，提出了基于最優(yōu)上界的魯棒濾波方法，該上界能夠確保卡爾曼濾波增益矩陣的收斂。本文在文獻[18]已有研究基礎上，針對量測丟失情況下的一類非線性廣義連續(xù)-離散系統(tǒng)狀態(tài)估計問題，提出了基于最優(yōu)上界的魯棒擴展卡爾曼濾波（REKF）方法，提出的最優(yōu)上界用以保證轉(zhuǎn)換得到的非線性一般離散時間系統(tǒng)動態(tài)模型新增不確定性在卡爾曼濾波誤差協(xié)方差矩陣中有效收斂。

本文內(nèi)容安排如下：第1節(jié)提出一類廣義非線性連續(xù)-離散系統(tǒng)模型，引入?yún)?shù)并使用歐拉離散方法，將該廣義系統(tǒng)轉(zhuǎn)換為非奇異一般系統(tǒng)；第2節(jié)針對轉(zhuǎn)換得到的非線性一般系統(tǒng)，當系統(tǒng)慣性測量元件的量測丟失時，提出擴展卡爾曼濾波（EKF）方法以實現(xiàn)非線性系統(tǒng)的線性化；由于第1節(jié)中的轉(zhuǎn)換方式，導致在得到的非線性一般離散系統(tǒng)動態(tài)模型中存在新增不確定性，為解決該問題，第3節(jié)提出基于有限上界的REKF算法，以保證該不確定項不影響卡爾曼濾波增益矩陣收斂性，并能有效實現(xiàn)非線性廣義連續(xù)-離散系統(tǒng)在慣性測量元件在量測丟失情況下的系統(tǒng)狀態(tài)估計；第 4節(jié)提出仿真算例以驗證該方法有效性；第5節(jié)得出結(jié)論。

1 問題描述

首先考慮正常情況下一類非線性廣義連續(xù)-離散系統(tǒng)：

本文中，系統(tǒng)狀態(tài)x假定滿足如下關系式：

對于系統(tǒng)(1)，由于在動態(tài)模型中可能有奇異矩陣E，在卡爾曼濾波誤差協(xié)方差計算時處理非常困難。為解決該問題，本文引入?yún)?shù)，將系統(tǒng)(1)轉(zhuǎn)化為非奇異一般矩陣進行處理。

其中，T和N的通解[T N]可由式(4)求解得到：S為任意矩陣，代表設計自由度。

考慮本文提出的連續(xù)-離散系統(tǒng)模型，由于系統(tǒng)動態(tài)模型為連續(xù)變量，量測方程為離散變量，方程(3)不能直接使用。所以首先考慮將廣義連續(xù)-離散系統(tǒng)轉(zhuǎn)換為非奇異一般離散系統(tǒng)模型。

對于任意x(t)，基于式(3)，存在如下關系：

對式(5)使用歐拉離散化方法，則式(5)可重新表示為：

Ck為量測矩陣C在tk時刻采樣值。采樣間隔值τ取值充分小，以保證高階項O(τ2) 忽略不計。

量測方程可表示為：

經(jīng)以上處理，系統(tǒng)(1)可重新表示為：

式(7)可重新表示為：

考慮式(9)，式(8)可重新表示為：

式中，wk、vk分別為均值為 0且相互獨立的高斯白噪聲，其誤差協(xié)方差矩陣分別表示為：

定義：

將式(11)代入式(10)中，式(10)可重新表示為：

以下假設用以保證廣義系統(tǒng)卡爾曼濾波可行性。

2 觀測量丟失時擴展卡爾曼濾波

當系統(tǒng)(1)觀測量丟失時，其等價系統(tǒng)(12)可重新表示為：

其中，kδ∈R為已知正標量，kη、wk、vk相互獨立。

為實現(xiàn)系統(tǒng)(13)的狀態(tài)估計，本節(jié)提出魯棒擴展卡爾曼濾波（REKF）算法，其中，擴展卡爾曼濾波算法（EKF）的形式同樣適用于REKF算法。

系統(tǒng)(13)存在如下形式濾波器：

估計誤差和誤差協(xié)方差矩陣可表示為：

為找到最優(yōu)上界Pk，使式(20)成立：

預測誤差和預測誤差協(xié)方差可表示為：

將系統(tǒng)(13)中動態(tài)模型方程代入(21)可得：

G∈Rn×n用以調(diào)節(jié)濾波器參數(shù)。

考慮式(24)和式(25)，式(23)可重新表示為：

ΔEk可進一步處理為：

其中，kα與kβ類似，假設kα滿足如下不等式：

將式(28)代入式(27)可得：

將式(30)代入式(22)可得：

考慮系統(tǒng)(13)中量測方程， 并將式(17)代入式(18)可得：

將式(32)代入式(19)可進一步得到：

考慮式(2)，式(33)可進一步表示為：

當Kk取得極值時∑k取得最大值，則有：

由式(35)可得：

盡管從推導可以得到卡爾曼濾波誤差協(xié)方差矩陣，由于式(25)與式(28)存在，kβ、kα未知，很難直接求解∑k。為解決該問題，提出引理1。

引理1[18]：已知矩陣其中TD D≤I，X是正定矩陣，如果存在任意α＞0使得：

成立，則以下不等式成立：

基于引理1，式(31)可重新表示為：

其中，μ和λ為已知的設計參數(shù)。

從REKF算法推導過程可知，對于量測丟失情況下的廣義連續(xù)離散系統(tǒng)(1)，其等價系統(tǒng)(13)的狀態(tài)估計REKF算法濾波流程如下：

1）一步預測及相應的誤差協(xié)方差矩陣由式(18)及式(31)得到；2）狀態(tài)估計值及相應的誤差協(xié)方差矩陣由式(19)及式(34)得到；3）基于最優(yōu)上界，卡爾曼濾波增益可由式(40)計算得到。

3 仿真分析

考慮如下廣義連續(xù)-離散系統(tǒng)模型：

其中，w、v為隨機分布白噪聲，為保證采樣精確，慣性測量元件的采樣間隔設為τ=0.1s。

仿真初始條件選擇如下：

式(3)的T和N值：

顯然，T為非奇異矩陣。

為保證REKF算法魯棒性，μ、F、G取值如下：

為保證ΔE在魯棒算法中收斂性，λ、H、L取值如下：

得到的系統(tǒng)狀態(tài)如圖1所示。

圖1 x1及x2狀態(tài)Fig.1 States ofx1andx2

如上文所述，魯棒濾波算法優(yōu)越性在于其能夠保證卡爾曼濾波誤差協(xié)方差矩陣收斂性。本文針對如式(41)所示的系統(tǒng)，通過傳統(tǒng)EKF算法與REKF算法得到的狀態(tài)估計誤差進行對比的方法，來驗證所提出的REKF算法的優(yōu)越性。

仿真平臺：Intel(R) Core(TM) i5-3210M CPU@2.50 GHz，8 GB 內(nèi)存IBM計算機；

仿真軟件：Matlab軟件。

仿真采用Monte Carlo仿真方法，EKF和REKF算法每百次運算時間如表1所示。

表1 每次運算計算時間Tab.1 Calculation time

針對式(41)所示系統(tǒng)，由EKF及REKF算法得到的狀態(tài)估計誤差如圖2及圖3所示。

使用 EKF及 REKF算法得到的均方根誤差（RMSE）如表2所示。

圖2 x1估計誤差（EKF與REKF對比圖）Fig.2 Estimation error ofx1(EKF versus REKF)

圖3 x2估計誤差（EKF與REKF對比圖）Fig.3 Estimation error ofx2(EKF versus REKF)

表2 EKF及REKF均方根誤差Tab.2 Root mean square errors of EKF and REKF

從圖2及圖3可知，本文提出的REKF算法保證了新增不確定性ΔE在濾波誤差協(xié)方差矩陣中的收斂性，相較于EKF算法，能夠更好地對系統(tǒng)狀態(tài)進行估計。通過對比可知，相較于EKF算法，REKF算法對范數(shù)有界的廣義連續(xù)-離散系統(tǒng)狀態(tài)估計更具精確性。分析表1可知，盡管REKF算法在仿真時間上更長，但與EKF算法相比，仿真時間增加量為超過13%，證明REKF算法在提高了仿真精度的同時，對仿真時間影響較小。分析表 2可知，通過 REKF算法得到的RMSE僅為EKF算法得到的RMSE的1/5，進一步證明了REKF算法對所提出的系統(tǒng)狀態(tài)估計的精確性。

4 結(jié) 論

針對慣性測量元件的量測丟失情況下的一類范數(shù)有界的有噪聲非線性廣義連續(xù)-離散系統(tǒng)，提出一種基于魯棒擴展卡爾曼濾波（REKF）算法的狀態(tài)估計方法。首先引入?yún)?shù)，使用歐拉離散化方法將理想狀態(tài)下的廣義連續(xù)-離散系統(tǒng)轉(zhuǎn)化為非線性非奇異一般離散時間系統(tǒng)。其次，當轉(zhuǎn)化的等價系統(tǒng)量測丟失時，提出擴展卡爾曼濾波（EKF）方法以解決非線性問題，針對使用的轉(zhuǎn)化方法所導致的新增不確定性，提出基于EKF算法的REKF算法，以保證新增不確定性不影響濾波誤差協(xié)方差矩陣收斂性。最后，提出仿真算例。仿真算例驗證了對于量測丟失情況下的非線性廣義連續(xù)-離散系統(tǒng)狀態(tài)估計問題，提出的REKF算法相較于EKF算法具有更高的精確度。

參考文獻（References）：

[1]周振華. 參數(shù)不確定廣義分段仿射系統(tǒng)的魯棒控制和濾波[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2016: 1-8.Zhou Z H. Robust control and filtering for singular piecewise-affine systems with norm-bounded uncertainties[D]. Harbin: Harbin Institute of Technology, 2016: 1-8.

[2]Wang Z H, Shen Y, Zhang X L, et al. Observer design for discrete-time descriptor systems: an LMI approach[J].Systems & Control Letters, 2012, 61(6): 683-687.

[3]王振華, 描述系統(tǒng)的故障診斷觀測器設計[D]. 哈爾濱,哈爾濱工業(yè)大學, 2013: 19-23.Wang Z H. Fault diagnosis observer design for descriptor systems[D]. Harbin: Harbin Institute of Technology, 2013:19-23.

[4]Lai Y B, Lu G P. A novel observer for nonlinear des-criptor jumping systems with communication time delay[C]//36th Chinese Control Conference. 2017: 482-487.

[5]陳誠, 王小剛, 秦武韜, 等. 基于魯棒濾波的無人機著陸相對導航方法[J]. 中國慣性技術學報, 2017, 25(3):415-420.Chen C, Wang X G, Qin W T, et al. Unmanned aerial vehicle landing navigation algorithm based on robust filter[J]. Journal of Chinese Inertial Technology, 2017,25(3): 415-420.

[6]Jia Q X, Li H Y, Zhang Y C, et al. Robust observer-based sensor fault reconstruction for discrete-time systems via a descriptor system approach[J]. International Journal of Control, Automation, and Systems, 2015, 13(2): 274-283.

[7]Aouaouda S, Chadli M, Shi P, et al. Discrete-timeH-/H∞sensor fault detection observer design for nonlinear systems with parameter uncertainty[J]. International Journal of Robust and Nonlinear Control, 2015, 25(3): 339-361.

[8]Kulan Z, Ma S P, Zhu L P, et al. RobustH∞filtering for nonlinear discrete time-delay Markov jump descriptor systems[C]//29th Chinese Control and Decision Conference. 2017: 985-990.

[9]Yan Y Y, Liu Y M, Yang M S, et al. Finite frequency fault detection observer design for uncertain descriptor systems[C]//36th Chinese Control Conference. 2017: 7351-7357.

[10]Wu Y K, Jiang B, Lu N Y. A descriptor system approach for estimation of incipient faults with application to high-speed railway traction devices[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2017,PP(99): 1-11.

[11]Yin S, Gao H J, Qiu J B, et al. Descriptor reduced-order sliding mode observers design for switched systems with sensor and actuator faults. Automatica, 2017, 76: 282-292.

[12]Nikoukhah R, Willsky A S, Levy B C. Kalman filtering and Riccati equations for descriptor systems[J]. IEEE Transactions on Automatic Control, 1992, 37(9): 1325-1342.

[13]Nikoukhah R, Campbell S L, Delebecque F. Kalman filtering for general discrete-time linear systems[J]. IEEE Transactions on Automatic Control, 1999, 44(10): 1548-1552.

[14]Wang Z H, Shen Y, Zhang X L. Attitude sensor fault diagnosis based on Kalman filter of discrete-time descryptor system[J]. Journal of Systems Engineering and Electronics, 2012, 23(6): 914-920.

[15]Hsieh C S. H-infinity Kalman estimation for rectangular descriptor systems with unknown inputs[J]. IEEE Transactions on Automatic Control, 2014, 59(3): 826-832.

[16]Ran C J, Dou Y F, Gao Y. Self-tuning full-order Kalman filter for descriptor system[C]//35th Chinese Control Conference. 2016: 1808-1813.

[17]Dou Y F, Sun S L, Ran C J. Self-tuning full-order WMF Kalman filter for multisensor descriptor systems[J]. IET Control Theory & Applications, 2016, 11(3): 359-368.

[18]Mohamed S M K, Nahavandi S. Robust finite-horizon Kalman filtering for uncertain discrete-time systems[J].IEEE Transactions on Automatic Control, 2012, 57(6):1548-1552.

[19]Kai X, Wei H L, Liu L D. Robust extended Kalman filtering for non-linear systems with stochastic uncertainties[J]. IEEE Transactions on systems, Man, and Cybernetics: Systems and Humans, 2010, 40(2): 399-405.