基于Huber M估计的鲁棒立方容积卡尔曼滤波算法

简介：
本研究提出了一种结合Huber M估计与立方容积卡尔曼滤波的新型鲁棒算法，有效提升了状态估计在异常值影响下的稳定性与精度。 Cubature 卡尔曼滤波器（CKF）在处理非高斯噪声或统计特性未知的情况时，其滤波精度会下降甚至导致发散问题。为此，提出了一种基于统计回归估计的鲁棒CKF算法。文中推导出了线性化近似回归和直接非线性回归两种形式的鲁棒CKF算法，并指出直接非线性回归能够克服观测方程线性化近似的不足之处。 通过一个具有混合高斯噪声的实际仿真案例，比较了三种Cubature卡尔曼滤波器（包括原始CKF、基于线性化近似回归和直接非线性回归的鲁棒CKF）之间的滤波性能。实验结果表明，这两种新的鲁棒CKF算法在滤波精度及估计一致性方面明显优于传统CKF方法，并且使用直接非线性回归的CKF具有更强的鲁棒性和更优的滤波效果。