基于GPR模型的自适应平方根容积卡尔曼滤波算法

与传统算法一样,动态系统的参数化模型(含噪声统计特性)未知或不够准确易导致容积卡尔曼滤波(CKF)效果严重下降,甚至滤波结果发散。为此,利用高斯过程回归(GPR)方法对训练数据进行学习,得到动态系统的状态转移GPR模型和量测GPR模型以及噪声统计特性,用以替代或增强原有动态系统模型,并将其融入到平方根容积卡尔曼滤波(SRCKF)中,分别提出了无模型高斯过程SRCKF(MFGP-SRCKF)和模型增强高斯过程SRCKF(MEGP-SRCKF)两种算法。仿真结果表明:这两种新的自适应滤波算法提高了动态系统模型精度,且实时自适应调整噪声的协方差,克服了传统算法滤波性能易受系统模型限制的问题;与MFGP-SRCKF相比,在给定一个不够准确的参数化模型,且有限的训练数据未能遍布估计状态空间的情况下,MEGP-SRCKF具备更高的滤波精度。