基于优化与数据驱动方法的动态系统非线性未知输入估计Sigma点卡尔曼滤波器
系统与控制
2024-11-12 v3 机器学习
系统与控制
摘要
大多数关于状态与未知输入(UI)联合估计的研究都要求UI为线性的假设；这一假设具有潜在局限性，因为在许多智能自主系统中并不成立。为克服该限制并避免对系统进行线性化，我们提出了一种无导数的未知输入Sigma点卡尔曼滤波器(SPKF-nUI)，其中SPKF与一个通用的非线性UI估计器互联，该估计器可通过非线性优化与数据驱动方法实现。该非线性UI估计器利用后验状态估计，其受状态预测误差的影响较小。此外，我们引入了一种联合Sigma点变换方案，以在SPKF-nUI的估计中同时纳入状态与UI的不确定性。深入的随机稳定性分析证明，在合理假设下所提出的SPKF-nUI可得到指数收敛的估计误差界。最后，在基于仿真的刚性机器人与物理软体机器人（即由具有复杂动力学的软材料制成的机器人）上进行了两个案例研究，以验证所提滤波器在非线性动态系统上的有效性。结果表明，与现有非线性状态-UI滤波器相比，所提SPKF-nUI实现了最低的状态与UI估计误差。
引用
@article{arxiv.2306.12361,
title = {Sigma-point Kalman Filter with Nonlinear Unknown Input Estimation via Optimization and Data-driven Approach for Dynamic Systems},
author = {Junn Yong Loo and Ze Yang Ding and Vishnu Monn Baskaran and Surya Girinatha Nurzaman and Chee Pin Tan},
journal= {arXiv preprint arXiv:2306.12361},
year = {2024}
}
备注
Accepted at the IEEE Transactions on Systems, Man, and Cybernetics: Systems