高斯混合无迹平滑框架

非高斯噪声下显著更准

将非高斯非线性状态估计问题转化为非线性高斯问题，在非高斯噪声下轨迹重建精度显著优于现有方法。

He, Jiacheng · 彭倍 · Feng, Zhenyu · 钟山 · Bo, He · 王刚

IEEE Transactions on Industrial Informatics 2024

技术优势

非高斯噪声下精度显著提升

将非高斯测量噪声分解为多个高斯分布的组合，并利用交互多模型加权融合状态，使原本非高斯非线性问题转化为多个非线性高斯子问题，从而在非高斯噪声下获得比现有算法更高的重建精度。

无需高斯噪声假设

该方法不再依赖传统滤波和平滑器对测量噪声的高斯假设，而是显式地对非高斯噪声进行建模，从而更贴合实际环境中的噪声特性。

可平滑处理完整轨迹

不仅提出无迹卡尔曼滤波器用于在线状态估计，还开发了对应的无迹 Rauch-Tung-Striebel 平滑器，利用整个时间序列信息进一步提升轨迹重建精度。

应用场景

• 水下无人航行器轨迹重建：为水下航行器在非高斯噪声环境中提供精准航迹，支撑导航与任务执行。
• 非高斯噪声状态估计：以高斯混合模型分解非高斯噪声，使状态估计不再受高斯假设限制。
• 非线性滤波与平滑：提供无迹卡尔曼滤波与平滑器实现，用于非线性系统的高精度状态估计。
• 无人机航迹重建：同样适用于无人机在非高斯噪声下的航迹重建，提升定位与规划可靠性。
• 机器人定位与建图：可集成到机器人定位与建图框架中，在非高斯传感器噪声下仍保持高精度估计。