具有多丢包的多传感器非线性系统信息融合UKF滤波算法刘济恺，孙书利（黑龙江大学自动化系，黑龙江，哈尔滨，150080）摘要：本文研究了具有观测数据丢包的多传感器非线性系统信息融合UKF(UnscentedKalmanFilter)滤波算法。针对网络系统中传感器数据传输中的丢包情况，本文采用在发生丢包的时刻，用上一时刻估值的预报值代替当前的滤波值，再对各传感器的局部估值进行矩阵加权融合。该方法不仅可用于单一时刻丢包，对于连续多丢包的情况同样适用。仿真结果表明，该算法可有效降低了丢包带来的误差影响并具有实时性好，计算简便，比各局部估计具有更高的滤波精度等优点。关键词：非线性滤波；丢包；无迹卡尔曼滤波；信息融合滤波；传感器网络中图分类号：O211.64文献标识码：AInformationFusionUKFFilteringAlgorithmforMulti-sensorNonlinearSystemswithMultiplePacketDropoutsLiuJikai,SunShuli（HeilongjiangUniversity,Heilongjiang,150080,HarbinChina）ABSTRACT：ThispaperstudiestheinformationfusionUKF(UnscentedKalmanFilter)filteringalgorithmformulti-sensornonlinearsystemswithmeasurementdatapacketdropouts.Forthecaseofpacketdropoutsinnetworkedsystems,theusedsolutioninthispaperistoadoptpredictionvalueoflastestimateasthecurrentfilter,andthenfusetheselocalestimatesofallsensorsbyweightingmatrices.Themethodcanbeusednotonlyforasinglepacketdropoutbutalsoforthecontinuousmultipleones.Theresultsofsimulationexperimentsshowthattheproposedalgorithmcaneffectivelyreducetheimpactoftheerrorcausedbypacketdropoutsandithasmanyadvantages,suchasgoodreal-timeproperty,simplecomputationandhigheraccuracythanlocalfilters.KEYWORDS：nonlinearfiltering;packetdropouts;unscentedKalmanfilter;informationfusionfiltering;sensornetworks1引言信息融合滤波理论是多传感器信息融合的一个重要分支，目前主要集中在研究多传感器信息融合Kalman滤波[1]。信息融合的主要思想是利用数学方法和技术工具综合不同源信息来得到高品质的有用信息[2]。文献[3]提出了基于加权最小二乘估计，最优线性无偏估计的统一最优融合规则；文献[4]提出了基于线性均方估计的最优融合规则，得出“利用的量测信息越多，最优融合估计的信息量越大、精度越高”的结论；文献[5]用Lagrange乘数法和矩阵微分运算，分别提出了按矩阵加权、按标量加权和各分量按标量加权的三种线性最小方差信息融合估计准则；文献[6]对多传感器的离散线性状态时滞随机系统，提出了非增广分布式加权融合最优Kalman滤波器。上述文献都没有考虑非线性系统融合问题。Kalman滤波方法适用于线性系统。而现代控制对象，往往是非线性系统，比如无人机飞行控制系统、惯性导航系统、目标跟踪系统以及各种非线性伺服系统等等，其中有些甚至是强非线性的。目前，对于非线性系统的滤波估计，使用最为普遍的是利用扩展卡尔曼滤波器EKF（ExtendedKalmanFilter）[7]。EKF是对于非线性系统方程或观测方程进行泰勒展开，并取其一阶近似项的滤波算法，所以EKF其实是一种次优滤波，其不可避免地引入了线性化误差。当线性化假设不成立或者说系统是强非线性系统时，采用EKF就会导致滤波器性能下降甚至产生发散。如果应用于跟踪控制调节系统中可能导致整个系统的安全性和可靠性大大降低。而且使用EKF时通常需要计算系统状态方程和观测方程的Jacobian矩阵或Hessians矩阵，这无疑是增加了该算法的计算量和计算复杂度，这在实时性要求较高的跟踪系统中也是不实用的。为了解决EKF中存在的问题，本文采用Julier和Uhlmann提出的一种适合于非线性系统的无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)[8]。UKF是通过确定性采样得到的一组sigma点，从而可以获得更多的观测假设，提高了对系统状态均值和协方差的估计精度。而且UKF不需对非线性系统进行线性化近似，这样就避免了线性化误差，并且减少了中间计算量。由于UKF对滤波参数不敏感，鲁棒性强，可靠性高等优点[9]。与EKF相比较，UKF滤波方法计算量更小估计精度更高。对于多传感器...