时空学习驱动的混合重要性高斯滤波

作者：张宏伟

来源：电子学报, 2023, 1-8.

• 高斯截断误差
• 线性化误差
• 稀疏正则
• 时空学习
• 时空因果映射
• 瑞利熵

为消减由非线性动态系统与状态约束不一致引起的高斯截断误差和线性化误差，提出时空学习驱动的混合重要性高斯滤波（Mixed Importance Gaussian Filtering,MIGF）算法.该算法采用软约束和稀疏正则技术表征目标状态真实参数和当前时刻测量之间的时空因果映射，利用瑞利熵混合历史状态和最新测量构建次优建议分布，根据因果不变结构融合重要性高斯-埃尔米特积分进行预测和更新，从而平衡样本数目和滤波精度并自适应地修正Sigma点权值，提升约束动态系统建模的准确性和参数估计的鲁棒性.实验结果表明，在综合性非线性标量状态估计中，相比无迹粒子滤波（Unscented Particle Filtering,UPF）,MIGF的滤波状态协方差减小45.37%.在小型固定翼无人机纯方位跟踪实验中，相比混合截断无迹卡尔曼滤波（Mixture Truncated Unscented Kalman Filtering,MTUKF）、交互多模型无迹卡尔曼滤波（Interacting Multiple-model Unscented Kalman Filtering,IMMUKF）和多模型Rao-blackwell粒子滤波（Multimodel Rao-Blackwell particle filtering,MMRBPF）,MIGF算法在时空一致约束下优化动态模型结构，获得更为准确、鲁棒的状态参数估计，整体运行时间相比IMMUKF增加一个数量级，而相比MMRBPF以模型集数目成倍减小.

• 单位
  中山大学; 航天学院