基于高斯隨機(jī)向量統(tǒng)計(jì)特性的卡爾曼濾波器推導(dǎo)方法

唐子奇 謝嵐 張玉萍

摘 要：為幫助需要深入了解卡爾曼濾波器的研究人員或使用卡爾曼濾波器的工程人員深入學(xué)習(xí)這一非常有用的工具，利用高斯隨機(jī)向量及其統(tǒng)計(jì)學(xué)特性，尤其是概率密度函數(shù)對(duì)卡爾曼濾波遞歸方程進(jìn)行推導(dǎo)。在推導(dǎo)過(guò)程中，給出了卡爾曼濾波器推導(dǎo)所需的相關(guān)理論依據(jù)及數(shù)學(xué)工具。該推導(dǎo)方法簡(jiǎn)單、直觀，更便于人們理解卡爾曼濾波器工作機(jī)理，并根據(jù)實(shí)際應(yīng)用過(guò)程進(jìn)一步開(kāi)展更深層次的研究。

關(guān)鍵詞：高斯隨機(jī)向量；概率密度函數(shù)；卡爾曼濾波器

DOI：10. 11907/rjdk. 191361

中圖分類號(hào)：TP3-0 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）005-0058-04

Abstract：To help researchers to have in-depth study of Kalman filter or engineers using Kalman filters to learn this very useful tool， the Gaussian random vector and its statistical properties， especially the probability density function， the recursive equation of Kalman filter was derived. In the process of derivation， all the mathematical tools needed for the Kalman filter derivation and the corresponding literature are given. The working mechanism of the Kalman filter can be understood without additional query of other data. In addition， specific references are given for the extension part of the Kalman filter for researchers to conduct further research.

Key Words： Gaussian random vector； probability density function； Kalman filter

0 引言

為了克服維納濾波器工程實(shí)現(xiàn)較為困難的缺點(diǎn)，1960年匈牙利數(shù)學(xué)家Rudolf Emil Kalman提出了卡爾曼濾波器[1-2]。卡爾曼濾波器提出至今已將近60年，并被廣泛應(yīng)用于各個(gè)領(lǐng)域[3-9]，但其依然是目標(biāo)跟蹤與數(shù)據(jù)融合等領(lǐng)域最有效且常用的工具之一。因此，有必要對(duì)其遞推方程進(jìn)行推導(dǎo)，從基本數(shù)學(xué)公式深入理解卡爾曼濾波器的每條方程，以便能更加靈活地加以應(yīng)用，或根據(jù)具體應(yīng)用情況對(duì)其性能進(jìn)行改進(jìn)完善。

卡爾曼濾波是離散時(shí)間狀態(tài)空間線性模型下的最小均方誤差估計(jì)[10-11]，而在卡爾曼濾波遞歸過(guò)程中傳遞的是目標(biāo)狀態(tài)估計(jì)均值與誤差協(xié)方差矩陣。因此，典型的卡爾曼濾波器推導(dǎo)方法是利用線性最小均方誤差估計(jì)準(zhǔn)則尋找使誤差最小的目標(biāo)狀態(tài)估計(jì)[12-13]。該方法中涉及許多向量與矩陣的數(shù)學(xué)計(jì)算，計(jì)算過(guò)程較為復(fù)雜。因此，該推導(dǎo)方式適合數(shù)學(xué)功底（特別是隨機(jī)過(guò)程相關(guān)知識(shí)）比較深厚的研究人員。文獻(xiàn)[14]從一列火車沿鐵路運(yùn)動(dòng)這一簡(jiǎn)單跟蹤問(wèn)題出發(fā)，利用兩個(gè)高斯概率密度函數(shù)乘積依然服從高斯分布的性質(zhì)推導(dǎo)了卡爾曼濾波。

為了尋求一種簡(jiǎn)單、直觀且系統(tǒng)的卡爾曼濾波推導(dǎo)方法，使僅有基本代數(shù)運(yùn)算能力的研究者也能較為容易地理解卡爾曼濾波器，本文從卡爾曼濾波器估計(jì)對(duì)象（目標(biāo)狀態(tài)）在統(tǒng)計(jì)學(xué)中的表示（高斯隨機(jī)向量）出發(fā)，利用高斯隨機(jī)向量的概率密度函數(shù)及其性質(zhì)對(duì)卡爾曼濾波器進(jìn)行推導(dǎo)，推導(dǎo)過(guò)程中給出所有用到的理論依據(jù)和數(shù)學(xué)工具，并且對(duì)卡爾曼濾波器每個(gè)公式的推導(dǎo)都盡量在兩三步之內(nèi)完成，使得推導(dǎo)過(guò)程自成體系。

1 高斯隨機(jī)向量

凡是卡爾曼濾波器所應(yīng)用的動(dòng)態(tài)系統(tǒng)，其在任意離散時(shí)刻的輸入與輸出必然為高斯隨機(jī)向量，即其概率密度函數(shù)為高斯分布?？柭鼮V波采用高斯隨機(jī)向量的原因是：高斯密度用其前兩階矩即可完整表示。因此，對(duì)于高斯過(guò)程而言，前兩階矩的遞歸傳播估計(jì)是最優(yōu)估計(jì)方法。

3 結(jié)語(yǔ)

為了實(shí)現(xiàn)一種系統(tǒng)且簡(jiǎn)單易懂的卡爾曼濾波器推導(dǎo)方法，從卡爾曼濾波器估計(jì)對(duì)象（目標(biāo)狀態(tài)）在統(tǒng)計(jì)學(xué)中的表示（高斯隨機(jī)向量）出發(fā)，首先給出了高斯隨機(jī)變量定義及其概率密度函數(shù)，并且給出了高斯分布引理，其中兩個(gè)引理在卡爾曼濾波器推導(dǎo)過(guò)程中起到了關(guān)鍵性作用；其次，給出卡爾曼濾波器需要滿足的假設(shè)條件，只有在這些條件下，卡爾曼濾波器才是最優(yōu)的；接下來(lái)進(jìn)一步介紹了推導(dǎo)過(guò)程中兩個(gè)必要的統(tǒng)計(jì)學(xué)工具；最后對(duì)卡爾曼濾波器進(jìn)行推導(dǎo)，推導(dǎo)過(guò)程中介紹了所有用到的數(shù)學(xué)工具，使整篇文章自成體系，并且對(duì)每一處關(guān)鍵理論都給出了參考文獻(xiàn)，以便研究人員對(duì)卡爾曼濾波算法開(kāi)展更深入的研究。

參考文獻(xiàn)：

[1] KALMAN R E. A new approach to linear filtering and prediction problems[J]. Journal of basic Engineering，1960，82（1）： 35-45.

[2] 彭丁聰. 卡爾曼濾波的基本原理及應(yīng)用[J]. 軟件導(dǎo)刊， 2009（11）：32-34.

[3] 孫海波，童紫原，唐守鋒，等. 基于卡爾曼濾波與粒子濾波的SLAM研究綜述[J]. 軟件導(dǎo)刊， 2018（12）：1-3.

[4] 徐嵩，王劍平，侯明. 基于卡爾曼濾波算法的智能鉛魚(yú)測(cè)深系統(tǒng)研究[J]. 軟件導(dǎo)刊， 2018 （5）：97-101，105.

[5] 陳丹，徐健銳. 基于GRNN并融合卡爾曼濾波實(shí)現(xiàn)短時(shí)交通流預(yù)測(cè)[J]. 軟件導(dǎo)刊， 2012， 11（8）：23-25.

[6] 余達(dá)清. 微粒群算法在改進(jìn)基于卡爾曼濾波的飛機(jī)航跡融合上的應(yīng)用[J]. 軟件導(dǎo)刊，2013，12（10）：51-53.

[7] 李莉.偽線性卡爾曼濾波在目標(biāo)被動(dòng)跟蹤中的應(yīng)用[J].軟件導(dǎo)刊，2009，8（11）：30-32.

[8] CHEN Z， ZOU H， JIANG H， et al. Fusion of WiFi， smartphone sensors and landmarks using the Kalman filter for indoor localization[J]. Sensors， 2015， 15（1）： 715-732.

[9] AZAM S E， CHATZI E， PAPADIMITRIOU C， et al. A dual Kalman filter approach for state estimation via output-only acceleration measurements[J]. Mechanical Systems and Signal Processing， 2015： 866-886.

[10] CHEN B， LIU X， ZHAO H， et al. Maximum correntropy Kalman filter[J]. Automatica， 2017， 76： 70-77.

[11] PAN J， YANG X， CAI H， et al. Image noise smoothing using a modified Kalman filter[J]. Neurocomputing， 2016： 1625-1629.

[12] BOARDMAN T J. Prediction and improved estimation in linear models[J]. Technometrics， 1979， 21（4）： 582-582.

[13] HERNANDEZ S， TEAL P D. Multi-target tracking with poisson processes observations[C]. Pacific-rim Symposium on Image and Video Technology， 2007： 474-483.

[14] FARAGHER R. Understanding the basis of the Kalman filter via a simple and intuitive derivation[J]. IEEE Signal Processing Magazine， 2012，29（5）：128-132.

[15] HO Y， LEE R C. A Bayesian approach to problems in stochastic estimation and control[J]. IEEE Transactions on Automatic Control， 1964， 9（4）： 382-387.

[16] HAUG A J. Bayesian estimation and tracking： a practical guide [M]. New York：Springer， 2012： 117-118.

[17] BARSHALOM Y，LI X. Estimation and tracking： principles， techniques， and software[J]. IEEE Antennas and Propagation Magazine， 1996.

[18] BAR-SHALOM Y. Cable， tracking and data association[J]. Journal of the Acoustical Society of America， 1988，87（2）： 918-919.

[19] BIERMAN G. Stochastic models， estimation， and control[J]. IEEE Transactions on Automatic Control， 1983， 28（8）： 868-869.

[20] SINGER R A. Estimating optimal tracking filter performance for manned maneuvering targets [J]. IEEE Transactions on Aerospace & Electronic Systems， 1970，6（4）： 473-483.

[21] KUMAR K S P，ZHOU H. A 'current' statistical model and adaptive algorithm for estimating maneuvering targets[J]. Journal of Guidance Control & Dynamics， 1984，7（5）： 596-602.

[22] BLOM H A， BARSHALOM Y. The interacting multiple model algorithm for systems with Markovian switching coefficients[J]. IEEE Transactions on Automatic Control， 1988， 33（8）： 780-783.

[23] GREWAL M S，ANDREWS A P. Kalman filtering： theory and practice using MATLAB[M]. New York：Wiley，2001：50-80.

（責(zé)任編輯：黃 ?。?/p>