具有互相关噪声且与集中式滤波器完全等价的序贯滤波方法设计

《Sensors》：Design of a Sequential Filtering Method Fully Equivalent to the Centralized Filter with Cross-Correlated Noise

　　

研究人员针对一类多传感器系统的最优融合估计问题展开研究，其中不同传感器的量测噪声彼此互相关，且各量测噪声与前一时刻的系统过程噪声相关。首先，基于Gram–Schmidt正交化原理，将每个到达量测的创新（innovation）递归地投影到所有先前随机创新的张成空间上，并减去这些投影以获得相互正交的序贯创新序列。其次，利用该序贯创新序列建立序贯融合卡尔曼滤波器（Sequential Fusion Kalman Filter, SFKF）。研究人员严格证明所提序贯融合卡尔曼滤波器在估计性能上与集中式融合卡尔曼滤波器（Centralized Fusion Kalman Filter, CFKF）等价。最后，通过目标跟踪系统的仿真示例验证了所提算法的有效性。

研究背景与动机

在多传感器信息融合领域，集中式融合将所有原始量测送至融合中心，虽能获得最优估计但计算成本高且对实时性要求严苛；分布式融合先由本地传感器给出局部估计再融合，但多数现有方法采用批处理，需等待全部数据到达，在网络延迟或丢包场景下存在显著滞后。标准卡尔曼滤波（Kalman Filter, KF）假设过程噪声与量测噪声独立，而实际线性多传感器系统中常存在“双重相关噪声”——即过程噪声与各班量测噪声相关，且不同传感器量测噪声彼此互相关（如海洋蒸发波导环境、连续系统离散化所致）。已有序贯融合方法在双重相关噪声下失效的根本原因在于：过程-量测相关与量测间相关的共存破坏了序贯生成创新的正交性，导致无法严格等价于集中式滤波器。代表性文献（如Sun等）混淆了确定性创新与随机创新变量，使推导中出现非正交性与全局最优性证明不完整。因此，构建在双重相关噪声下与集中式完全等价的序贯融合卡尔曼滤波器，是亟待解决的理论空白。

主要关键技术方法

研究人员采用三项核心技术：其一，严格区分确定性创新ν_k^f（滤波执行中使用的已实现残差）与随机创新ν_k^r（理论推导中使用的随机变量），避免在正交化过程中概念误用；其二，借鉴Gram–Schmidt正交化原理，将第i个传感器到达的随机创新向先前所有正交化随机创新的张成空间投影并减除，递归构造互为正交的序贯随机创新序列；其三，基于数学归纳法，从单传感器退化情形、双传感器情形推广至N传感器情形，逐步证明序贯滤波器与集中式滤波器在形式、增益、估计误差协方差上完全一致。仿真部分采用三传感器均匀直线运动目标跟踪模型（位置、速度、加速度各由一个传感器观测），设置过程噪声与量测噪声互相关及量测间互相关矩阵，进行100步、100次蒙特卡洛实验。

研究结果

第1节 引言：阐明多传感器融合需求，指出集中式高复杂、批处理高延迟、现有序贯方法在双重相关噪声下非最优的缺陷，提出本文目标。

第2节 问题陈述：给出线性双重相关动态系统模型x_k+1=Φx_k+w_k，y_i,k=H_ix_k+v_i,k，列明过程噪声w_k与量测噪声v_i,k的互相关统计假设及初值无关假设。

第3节 集中式卡尔曼滤波融合：将N传感器量测堆叠为增广量测方程，推导集中式预测、创新协方差、增益K_k^c及估计误差协方差P_k^c，指出其需高维矩阵求逆且无法应对异步到达。

第4节 现有序贯方法对比与研究动机：辨析确定性创新与随机创新的二重性（Remark 1、Corollary 1）；以Sun等文献为例，论证其将ν_k^f与ν_k^r等同，导致序贯创新非正交（Corollary 2）、与集中式创新无可逆线性变换等价关系（Corollary 3）、归纳证明缺失关键递归步（4.2.3节），从而不具备全局最优性。

第5节 等价序贯融合卡尔曼滤波器设计：5.1节单传感器时SFKF退化为标准KF，与CFKF一致；5.1.2节双传感器时，对传感器2的随机创新ν_2,k^r施以类Gram–Schmidt投影得正交化创新\tilde{ν}_2,k^r，由Lagrange乘子矩阵A₂₁=Eν_2,k^rν_1,k^rT-1实现减除，推得集中式创新向量[ν_1,k^rT,ν_2,k^rT]^T与序贯正交创新[ν_1,k^rT,\tilde{ν}_2,k^rT]^T存可逆变换关系（式78-79），进而序贯增益K_i,k^s与集中式增益K_k^c等价（式80-81），P_k^s=P_k^c（式82）；5.2节归纳假设i传感器成立；5.3节由i推至i+1传感器，给出正交化创新\tilde{ν}_i+1,k^r递归式及协方差块，证明\hat{x}_k|k^s=\hat{x}_k|k^c、P_k|k^s=P_k|k^c（式104）；5.4节总括形式等价、性能等价、计算等价（仅需各传感器量测维数小矩阵求逆）三性质。

第6节 仿真研究：三传感器跟踪位置/速度/加速度，设Q=diag(0.01,0.01,0.01)，R_i=0.1，过程-量测互相关S_i=E[w_kv_i,k^T]=0.02I，量测间互相关E[v_i,kv_j,k^T]=0.01I(i≠j)。100次蒙特卡洛结果显示所提算法估计曲线与集中式完全重叠，RMSE与集中式一致，优于Sun等序贯滤波器（SF in Sun），验证Theorem 1。

第7节 结论：在双重相关噪声下，基于Gram–Schmidt类正交化构造互正交序贯创新序列，所建SFKF与CFKF估计性能严格相同，且避免量测方程增维、降低计算与内存开销，适于实时异步场景。论文发表于《Sensors》。

讨论与结论翻译

针对过程噪声与各异传感器量测噪声相关、且不同传感器量测噪声互相关的多传感器系统，研究人员基于Gram–Schmidt正交化原理构造了互为正交的序贯创新序列，据此提出一种与集中式融合滤波器性能等价的序贯融合滤波器。相较于集中式融合滤波器，所提序贯融合算法避免了量测方程增广，在保持估计精度一致的同时降低了计算代价。严格理论证明表明，所提序贯融合滤波器与集中式融合滤波器获得完全相同的估计性能；同时该序贯融合滤波器具递归结构，适用于实时应用。