基于统计相似度的野值鲁棒状态估计方法研究

In the information fusion application of target tracking, underwater integrated navigation, and underwater cooperative localization, the target maneuver interference and complex measurement environment will lead to the state and measurement outliers existing in state estimation, which degrades the state estimation accuracy. The existing M-estimate and maximum correntropy based outlier-robust Kalman filters fail to make full use of the statistical properties inherent in the system, which results in poor state estimation accuracy in practical applications. Also, the existing robust Student’s t based Kalman filter relies heavily on the prior distribution information of noises, which leads to poor environmental adaptability in practical applications. In order to solve the above problems, this project will perform research on outlier-robust state estimation method based on statistical similarity, and a novel outlier-robust Kalman filtering framework will be proposed based on statistical similarity, and the state estimation accuracy and environmental adaptability of state estimation method can be improved in the presence of outlier interferences by employing the expectation maximization method and maximum likelihood criterion to select the optimal similarity function adaptively. The project will complete the convergence and stability analysis of the proposed method and provide theoretical guidance for the practical application of the proposed filtering algorithm. The research results of this project will improve the state estimation accuracy in the presence of outlier interferences and enrich the basic theory of non-Gaussian filtering.

在目标跟踪、水下组合导航、水下协同定位等信息融合应用中，目标机动干扰、复杂测量环境等将导致状态估计中存在状态野值和量测野值，降低状态估计精度。现有的基于M估计和最大相关熵的野值鲁棒卡尔曼滤波器未能充分利用系统的统计特性，导致其实际应用中状态估计精度较低，而现有的基于学生t分布的鲁棒卡尔曼滤波器对噪声的先验分布信息依赖强，在实际应用中的环境适应性差。为了解决上述问题，本项目拟开展基于统计相似度的野值鲁棒状态估计方法研究，提出一种基于新型统计相似度的野值鲁棒卡尔曼滤波框架，并通过采用期望最大方法和极大似然判据来自适应选取最优的相似度函数，提高状态估计方法在野值干扰情况下的状态估计精度并改善其在实际应用中的环境适应性。项目将完成所提出方法的收敛性和稳定性分析，为滤波算法的实际应用提供理论指导。本项目的研究成果将提高在野值干扰条件下的状态估计精度，并丰富非高斯滤波基础理论。

在目标跟踪、水下组合导航、水下协同定位等状态估计应用中，受目标机动、环境干扰等因素影响，系统经常受到状态野值和量测野值干扰，导致状态估计精度下降甚至发散。传统基于M估计和基于最大熵的鲁棒状态估计方法存在未考虑噪声随机特性的问题，而现有的基于学生t噪声建模的鲁棒状态估计方法的估计性能受噪声分布建模精度影响较大。如何在鲁棒状态估计方法设计中充分利用噪声随机特性，同时不依赖于噪声分布建模，提高鲁棒状态估计方法的估计精度和环境适应性一直是状态估计领域的理论难题。针对该问题，本项目创新性地提出了基于统计相似度的野值鲁棒状态估计框架，在考虑噪声随机性的同时不依赖噪声分布假设，并实现了统计相似度函数的自适应选取，完成了算法的收敛性和稳定性分析。水下导航定位应用验证了所提出方法的卓越性能。本项目的主要科学意义和应用前景如下：. 1、本项目提出了一类基于统计相似度的野值鲁棒状态估计方法，在滤波器设计中充分考虑了噪声随机特性，同时不依赖任何噪声分布假设，提高了鲁棒状态估计方法的估计精度和环境适应性。. 2、本项目对水下组合导航、水下协同定位等应用中的鲁棒状态估计问题进行了深入研究，以所提出的鲁棒状态估计框架为基础，设计了新型导航定位方法，大大提高了导航定位对野值干扰的鲁棒性。. 依托本项目发表学术研究论文23 篇，其中SCI 检索期刊论文21篇，IEEE 顶级汇刊论文14篇，研究成果获得2021年度中国自动化学会自然科学奖一等奖，2021年度吴文俊人工智能优秀青年奖，2021年度IEEE Barry Carlton奖荣誉提名，2022年度 IEEE Barry Carlton奖。依托研究成果，申请人入选2022年度万人计划青年拔尖人才计划、第六届中国科协青年人才托举工程、黑龙江省向上向善好青年，受邀担任《IEEE宇航与电子汇刊》、《IEEE仪器与测量汇刊》、《IEEE传感器学报》等国际顶级期刊副主编和编委。本项目提出的方法可用于目标跟踪、导航定位等状态估计相关应用领域，具有重要的理论价值和应用前景。