全局鲁棒卡尔曼滤波器

对抗模型不确定性

一种在模型不确定下实现全局鲁棒估计的新状态估计策略，其脆弱性最小化以在名义模型下获得可接受损失。

Yang, Xu · 薛文超 · 尚超 · 方海涛

IEEE Transactions on Automatic Control 2024

技术优势

放宽不确定性刻画假设

它考虑所有可能的密度，而不是只针对某个特定最坏分布，因此对不同的不确定性有更好的适应性。

超参数更易指定

与经典极小极大估计中的最大半径相比，全局鲁棒估计问题中的超参数更容易设定，使方法更易落地。

应用场景

• 状态估计不确定性处理：替换假设严苛的传统卡尔曼滤波器，在模型失配下保持状态估计精度。
• 机器人鲁棒定位：在传感器模型不精确时改善机器人定位精度。
• 无人机导航系统：降低模型误差对无人机导航状态估计的影响。
• 工业机器人滤波：为工业机器人提供对模型偏差更鲁棒的滤波方案。