[01144322]多传感器信息融合Kalman滤波理论的研究

多源信息融合技术也可以称为多传感器信息融合技术,又可以称为数据融合技术,它是在20世纪70年代初美国国防部因军事需求最先提出来的,多传感器信息融合技术自诞生起便受到了世界各国高度的重视,并且90年代以后形成了研究的高潮。目前,多传感器信息融合的研究领域非常广泛,而且它的研究分支也非常多,其中一个非常重要的研究领域是信息融合Kalman滤波理论,该滤波理论已经大量应用于国防、军事、制导、目标跟踪、信号处理等领域。多传感器最优信息融合滤波理论解决了当多传感器系统的模型参数和噪声统计精确已知时在某种融合准则下的最优融合状态估计问题。对于估计融合而言,Kalman 滤波已成为多传感器信息融合滤波重要方法之一,而且该滤波方法已经广泛应用于移动机器人定位、多目标识别与跟踪和组合导航等领域。如何从被噪声污染的观测信号中把噪声过滤掉,尽最大可能去消除噪声或减小噪声所带来的影响,进而得到状态或信号的最优估计这就是滤波问题。通常情况下,噪声、真实信号或状态均可视为随机过程。系统的状态或信号的最优估计问题可由最优滤波理论来解决,也就是通过被噪声污染的观测信号来求解最优估值器,即在某种特定性能指标和某种特定意义下求状态或信号的最优估值器,这也叫做最优滤波器。 信息融合滤波理论是多传感器信息融合的一个重要分支,目前主要集中在研究多传感器信息融合Kalman滤波问题。但在方法论上、在理论和应用上,目前该分支尚不完善,尚有许多重要问题有待进一步解决,甚至目前尚没有一个完整理论体系。近年来对信息融合Kalman滤波器报道较多,但是Kalman滤波方法的缺点和局限性是它要求精确已知系统的数学模型和噪声统计。在许多实际应用问题中,数学模型或噪声统计是完全、或部分未知的,或近似已知的。在这种情况下不能直接应用经典Kalman滤波方法。否则应用错误的数学模型参数或错误的噪声统计将引起Kalman滤波器性能变坏,甚至导致滤波发散。自校正信息融合滤波是多传感器信息融合滤波的一个全新的研究方向和领域,它是多传感器最最优信息融合与系统辨识理论相交叉的新的边缘学科,它主要处理当多传感器系统中含有未知模型参数/噪声统计时,系统的状态或信号信息融合滤波问题。因此,研究自校正信息融合滤波具有重要理论和应用意义。 主要论点： 本课题采用系统辨识方法（递推辅助变量（RIV）算法和递推增广最小二乘（RELS）算法）,Gevers-Wouters算法以及相关函数方法设计具有渐近最优性的信息融合滤波器,渐近最优性涉及到自校正融合器的收敛性问题,即在某种收敛性意义下自校正融合滤波器是否收敛于当系统模型参数或噪声方差完全已知时的最优信息融合滤波器。本项目主要研究的内容包括一下四个方面： （1）自校正融合滤波器的收敛性分析 （2）Riccati 方程的收敛性分析 （3）自校正融合滤波器的设计 （4）动态误差系统分析方法 创新点：针对并联系统,基于经典Kalman滤波方法,应用动态误差系统分析（DESA）方法提出自校正融合器的收敛性,严格的收敛性证明方法是本项目的创新点。