CAR-EnKF：一种协方差自适应和重校准的Ensemble Kalman滤波框架

Ensemble Kalman滤波（EnKF）因其用简单ensemble统计取代复杂协方差传播的特性而广泛用于非线性和高维状态估计。然而，常规EnKF实现在测量非线性存在时常会显得过于自信。常用的协方差膨胀技术只能部分缓解这一问题。本文提出了一种协方差自适应和重校准的ensemble Kalman滤波（CAR-EnKF）框架，用于非线性状态估计。该框架在非线性测量下引入两个改进，而在线性情况下则退化为常规的无协方差膨胀EnKF框架：（i）一种重校准机制，在更新ensemble均值后重新评估所选Kalman增益的影响；（ii）一种用于 accounts for 测量非线性的正半定协方差补偿项。基于归一化创新平方进一步调谐补偿幅度的自适应更新法则。该框架在算法上具有通用性，此处特别针对随机EnKF和ensemble transform Kalman滤波（ETKF）进行了专业化。针对基于特征的SLAM和Lorenz-96系统进行实验，表明CAR-EnKF在相对于常规EnKF基线的情况下始终减少了RMSE，特别是在低测量噪声水平下改进尤为显著。相关代码可在\href{https://github.com/Shida-Jiang/CAR-EnKF-A-Covariance-Adaptive-and-Recalibrated-Ensemble-Kalman-Filter-Framework}获取。