一种基于H∞-GMMC-UKF的双鲁棒无人机位置估计方法

《Scientific Reports》：Dual-robust unscented Kalman filter for UAV state estimation under simultaneous model and measurement uncertainties

　　无人机的高精度位置估计至关重要，然而当模型失配与非高斯测量扰动同时出现时，传统滤波器性能可能退化。本研究提出一种双鲁棒无迹卡尔曼滤波器，称为H∞-GMMC-UKF，它将H∞动机的先验协方差修正与广义最大混合相关熵测量更新相结合。前者增强了对模型不确定性引起的预测误差的容忍度，后者则降低了非对称、重尾及脉冲式测量误差的影响。通过四个递进式仿真场景和两个EuRoC真实轨迹压力测试，并采用100组配对蒙特卡洛试验，辅以消融分析、敏感性分析和统计诊断，对该方法进行了评估。结果表明，所提滤波器在良性条件下仍具竞争力，且在模型与测量不确定性并存时，相较于标准UKF其优势最为明显。在受控双重不确定性仿真中，平均位置均方根误差降低了18.0%，而在受污染的EuRoC压力测试中，该误差降低了57.3%。消融与敏感性分析进一步表明，两个鲁棒阶段通过互补机制发挥作用：GMMC直接衰减受污染的测量值，而H∞协方差修正则提供了预测端的额外鲁棒裕度，其效果在测试的恶劣测量更新场景中最为显著。这些发现证明了所提架构在挑战性运行条件下实现可靠无人机状态估计的潜力。