本节介绍H∞滤波器的基本原理以及具体实现方法

滤波(H-infinity Filtering)是一种基于**最坏情况性能优化(Worst-case Performance Optimization)**的鲁棒状态估计方法,主要用于存在模型不确定性、未知扰动以及噪声统计特性不准确的动态系统。

与 Kalman 滤波不同, 滤波并不要求准确知道过程噪声和测量噪声的概率分布及协方差,而是从最坏情况出发,研究外部扰动对状态估计误差的影响,并通过优化设计使估计误差相对于扰动能量保持一定的约束。

其核心思想是:

在给定扰动能量约束的条件下,设计滤波器,使系统状态估计误差的能量与外部扰动能量之比不超过给定的性能指标。

因此, 滤波强调的是最坏情况下的鲁棒性能,而不是特定噪声统计模型下的均方误差最小化。
2. 状态空间数学模型
考虑如下离散线性随机系统:

其中:

符号 含义
系统状态向量
已知控制输入
系统观测向量
状态转移矩阵
控制输入矩阵
观测矩阵
过程扰动作用矩阵
过程扰动
测量扰动
测量扰动作用矩阵

这里的 和 不一定需要满足高斯白噪声假设,可以将它们看作具有有限能量的未知外部扰动。

为了便于统一描述,将过程扰动和测量扰动组合为:

滤波器根据观测序列 ,构造状态估计:

定义状态估计误差:

滤波的设计目标就是约束扰动输入与估计误差之间的能量增益。
3. 核心性能指标
在有限时间区间内,定义扰动输入的总能量:

定义状态估计误差的总能量:

滤波要求:

其中, 为给定的性能水平(衰减水平)。

更严格地,对于零初始误差情形,常写为:

该式表明:无论外部扰动如何变化,只要扰动能量有限,估计误差能量与扰动能量的比值都必须受到 的约束。

注:上述公式是单位权重、零初始误差下的简化性能指标。一般形式可以引入状态误差加权矩阵、扰动加权矩阵以及初始状态不确定性项。

因此:

  • 越小,要求滤波器对扰动的抑制能力越强,设计难度通常越大。
  • 越大,允许的最坏情况误差增益越大,设计约束相对宽松。
  • 当给定的 过小时,可能不存在满足要求的滤波器。
    这里需要注意, 滤波并不是直接将估计误差变为零,而是保证扰动到估计误差的能量增益不超过给定界限。
    二、 滤波的核心计算方法
  1. 基本滤波结构
    为了推导滤波算法,考虑如下离散线性系统:

假设希望估计的目标变量为:

其中, 为目标状态提取矩阵。当需要估计完整状态时,取:

构造滤波器:

与 Kalman 滤波不同, 滤波通过求解一个带有性能约束的最优化问题,确定滤波器的参数,使估计误差对外部扰动具有足够的鲁棒性。
2. 离散 滤波递推公式
对于上述系统,一种常见的离散时间 滤波 Riccati 递推形式如下。

(1)预测阶段

首先预测状态:

构造预测误差相关矩阵:

这里的 可以作为过程扰动的权重矩阵或能量度量矩阵,而不一定是概率意义上的噪声协方差。

(2)测量更新阶段

首先定义:

其中, 为测量扰动的权重矩阵。

然后计算滤波增益:

利用观测残差修正状态估计:

更新 Riccati 矩阵:

上述递推公式是一种常用的、以目标状态加权矩阵为基础的离散 滤波形式。其成立需要相应的矩阵正定性和可逆性条件,尤其要求:

这意味着给定的性能指标 不能任意选取,需要满足滤波器的可行性条件。

需要注意: 不同文献对 滤波器的状态、目标变量、扰动权重及初始不确定性的定义可能不同,因此 Riccati 方程的具体形式也可能不同。上述公式对应的是一种特定的离散时间标准形式,不能不加区分地套用于所有 滤波问题。