⚡ electrical engineering

LMI Optimization Based Multirate Steady-State Kalman Filter Design

本文提出了一种基于线性矩阵不等式（LMI）的框架，用于设计多速率稳态卡尔曼滤波器，通过引入对偶 LQR 方法有效解决了因测量噪声协方差半正定而导致的传统 Riccati 方程无法直接应用的问题，并实现了包含极点配置和 $l_2$ 范数约束的多目标优化，在汽车导航系统的数值验证中显著提升了多传感器融合的定位精度。

原作者： Hiroshi Okajima

发布于 2026-03-20

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hiroshi Okajima

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种更聪明的“多传感器融合”方法，专门用于解决当不同传感器“说话速度”不一样时，如何精准判断物体状态（比如汽车的位置和速度）的问题。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“指挥一场由不同节奏乐手组成的交响乐团”**。

1. 背景：混乱的乐团（多速率传感器问题）

想象你在指挥一个乐团：

GPS 传感器像是一个大提琴手，他动作很慢，每 1 秒才拉一次琴（1Hz）。
车轮速度传感器像是一个鼓手，他动作很快，每 0.1 秒就敲一下鼓（10Hz）。

在传统的“卡尔曼滤波”（一种经典的估计算法）里，指挥家（算法）习惯所有乐手都按同样的节奏演奏。如果鼓手敲得太快，指挥家可能会不知所措，或者为了迁就大提琴手而让鼓手停下来，导致信息浪费。

以前的方法通常有两种：

强行同步：让鼓手等到大提琴手，或者把鼓声“插值”填补到大提琴的空白里。但这就像让鼓手假装在没敲的时候也在敲，会引入虚假的信息，导致判断不准。
分段处理：把时间切块，但这会让计算变得非常复杂，而且容易出错。

2. 核心创新：把“时间”变成“空间”（循环重构）

这篇论文的作者提出了一种巧妙的**“循环重构”**（Cyclic Reformulation）方法。

比喻：
想象指挥家不再盯着每一秒，而是把10 秒钟看作一个完整的“乐章”。
在这个乐章里，大提琴手只在第 1 秒出现，鼓手在 10 秒里都出现。
作者把这个“乐章”里的所有乐手（状态）一次性排成一列长队。

原本随时间变化的“快慢节奏”，现在变成了队伍里不同位置的“固定站位”。
这样，原本“随时间变化”的复杂问题，就变成了一个“固定不变”的简单问题。

3. 遇到的难题：缺失的乐谱（半正定噪声）

在把鼓手和大提琴手排成一队后，作者发现了一个大问题：

当大提琴手（GPS）没在拉琴的时候（比如第 2 秒到第 10 秒），队伍里对应的位置是空白的。
在数学上，这意味着“噪声协方差矩阵”不再是完美的（正定），而是**“半正定”**的。
通俗解释：就像乐谱里有些小节是空的，传统的数学公式（叫 DARE 方程）要求乐谱必须每一行都有音符才能计算，遇到空白就“卡死”或算不出来了。

4. 解决方案：LMI 优化（灵活的指挥棒）

作者没有强行去修补乐谱，而是换了一种**“线性矩阵不等式”（LMI）**的指挥方法。

比喻：
传统的算法像是一个死板的计算器，遇到空白的乐谱就报错。
作者提出的 LMI 方法像是一个灵活的 AI 指挥家。

它不要求乐谱必须填满，它允许某些位置是空的（半正定）。
它通过一种叫“对偶 LQR"的技巧，把“怎么消除误差”的问题，转化成了“怎么设计控制”的问题。
这种方法不仅能处理空白，还能顺便解决其他复杂要求。

5. 额外功能：多目标设计（既要快，又要稳）

这个新框架最厉害的地方在于，它不仅能算出结果，还能听指挥家的“额外指令”：

极点配置（Pole Placement）：
- 比喻：如果你希望乐团反应更快（比如汽车急转弯时立刻修正位置），你可以给指挥家一个指令：“所有乐手的反应速度必须比平时快 20%"。
- 代价：反应快了，可能会稍微牺牲一点音质的纯净度（误差稍微大一点点），但整体更稳。
L2 诱导范数约束：
- 比喻：如果你担心突发噪音（比如突然的强风干扰），你可以给指挥家一个指令：“不管外界多吵，我们的输出音量不能超过某个上限”。
- 作用：这保证了即使在最坏的情况下，系统也不会崩溃或产生巨大的误差。

6. 实际效果：汽车导航的测试

作者用汽车导航做了实验：

场景：GPS（慢，1 秒 1 次）+ 车轮速度（快，10 秒 10 次）。
结果：
- 传统的 GPS 误差大约是 1 米。
- 用了这个新算法后，汽车位置的误差降到了0.56 米！
- 这意味着，虽然 GPS 本身不准，但通过聪明地融合快慢两种传感器，系统“脑补”出了比 GPS 本身更精准的位置。
- 而且，数学证明了这个算法给出的误差上限是真实可靠的（就像给误差画了一个安全的“围栏”，实际误差永远在围栏里）。

总结

这篇论文就像发明了一种**“万能乐谱翻译器”**：

它能把不同节奏的传感器（快鼓、慢琴）统一到一个框架里。
它解决了传统方法遇到“数据空白”就死机的难题。
它允许工程师像调音一样，在**“反应速度”和“抗干扰能力”**之间自由调节。

最终，它让自动驾驶汽车、机器人等系统，在传感器参差不齐的情况下，也能像拥有“上帝视角”一样精准地感知世界。

这是一份关于论文《基于 LMI 优化的多速率稳态卡尔曼滤波器设计》（LMI Optimization Based Multirate Steady-State Kalman Filter Design）的详细技术总结。

1. 研究背景与问题定义 (Problem)

在现代控制与信号处理中（如自动驾驶、工业过程控制、机器人等），系统通常配备多个以不同采样率运行的传感器（例如：GPS 为 1-10 Hz，轮速传感器为 50-100 Hz）。这种多速率环境导致测量方程呈现周期性时变特性。

核心挑战：

标准方法的局限性： 传统的卡尔曼滤波器假设所有测量以统一速率到达。当传感器速率不同时，即使被控对象是时不变的，测量方程也是周期时变的。
半正定噪声协方差问题： 现有的周期性系统处理方法（如提升技术或标准离散代数 Riccati 方程 DARE）通常假设测量噪声协方差矩阵是正定的（Positive Definite, $R \succ 0$ ）。然而，在多速率系统中，由于某些时刻部分传感器未提供数据（即测量矩阵 $S_k$ 包含零行），经过循环重构（Cyclic Reformulation）后的等效测量噪声协方差矩阵 $\check{R}$ 变为半正定（Positive Semidefinite, $\check{R} \succeq 0$ ）而非正定。
计算失效： 当 $\check{R}$ 奇异时，标准 DARE 方法中涉及的逆矩阵 $(\check{C}\check{P}\check{C}^T + \check{R})^{-1}$ 无法计算或导致数值不稳定，使得传统最优滤波器设计失效。

2. 方法论 (Methodology)

本文提出了一种基于**循环重构（Cyclic Reformulation）和线性矩阵不等式（LMI）**的滤波器设计框架，主要步骤如下：

2.1 循环重构 (Cyclic Reformulation)

将多速率周期系统转化为一个增广的时不变系统。

定义周期 $N$ 为各传感器采样率的最小公倍数。
将状态、输入、输出信号在时间轴上按周期 $N$ 进行“循环”堆叠（Cycling），形成增广状态向量 $\check{x}(k) \in \mathbb{R}^{Nn}$ 。
通过这种变换，原周期性时变系统被转化为一个维度为 $Nn $的时不变系统，其系统矩阵$ \check{A} $和测量矩阵$ \check{C}$ 具有特定的块循环结构。

2.2 识别半正定特性

在循环重构后，等效测量噪声协方差矩阵 $\check{R}$ 被证明是半正定的（ $\check{R} \succeq 0$ ），因为在一个周期内，某些时间步长对应的传感器测量缺失，导致 $\check{R}$ 的某些对角块秩亏。这直接排除了标准 DARE 方法的直接应用。

2.3 基于对偶 LQR 的 LMI 设计

为了解决 $\check{R}$ 半正定带来的问题，作者利用卡尔曼滤波与线性二次型调节器（LQR）之间的对偶性，提出了基于 LMI 的优化方法：

对偶系统构建： 将滤波问题转化为对偶系统的 LQR 控制问题。
LMI 公式化： 不直接求解 Riccati 方程，而是通过引入 Lyapunov 变量 $\check{X}$ $\overset{ˇ}{X}$ 和变换变量 $\check{Y} = -\check{X}\check{L}$ $\overset{ˇ}{Y} = - \overset{ˇ}{X} \overset{ˇ}{L}$ ，将滤波器增益设计转化为凸优化问题。
- 核心 LMI 约束确保了闭环矩阵 $\check{A} - \check{L}\check{C}$ 的 Schur 稳定性。
- 该方法不需要对 $\check{R}$ 求逆，因此天然支持半正定协方差。
目标函数： 最小化估计误差协方差上界 $\text{trace}(\check{W})$ ，其中 $\check{W} \succeq \check{X}^{-1} \succeq \check{P}_e$ 。

2.4 多目标扩展

LMI 框架的灵活性允许同时加入额外的性能约束：

极点配置（Pole Placement）： 约束闭环极点位于圆盘 $D_{\bar{r}}$ 内，保证最小收敛速率。
$l_2$ 诱导范数约束： 限制从扰动到估计误差的 $l_2$ 增益，以平衡平均性能（高斯噪声下）和最坏情况性能（鲁棒性）。

3. 主要贡献 (Key Contributions)

理论突破： 首次明确指出并形式化了多速率系统中循环测量噪声协方差 $\check{R}$ 的半正定特性，并证明了标准 DARE 方法在此场景下的不适用性。
LMI 设计框架： 提出了一种基于对偶 LQR 的 LMI 优化方法，能够自然处理半正定噪声协方差，无需正则化或近似，且保证了数值稳定性。
多目标设计能力： 扩展了框架以支持极点配置（保证收敛速度）和 $l_2$ 诱导范数约束（保证鲁棒性），实现了平均性能与最坏情况性能的权衡。
稳定性保证： 证明了 LMI 可行性直接等价于循环系统的 Schur 稳定性，并通过单模矩阵（Monodromy Matrix）建立了与原始周期系统稳定性的等价关系。
工程验证： 通过汽车导航系统的数值仿真（GPS + 轮速传感器），验证了该方法的有效性。

4. 实验结果 (Results)

作者构建了一个汽车导航仿真案例：

系统配置： 状态维度 $n=3$ （位置、速度、加速度），周期 $N=10$ 。GPS 以 1 Hz 运行（每 10 步一次），轮速传感器以 10 Hz 运行（每步都有）。
蒙特卡洛仿真： 进行了 500 次独立噪声实现仿真。
关键数据：
- 位置估计精度： 均方根误差（RMSE）为 0.561 m，远低于 GPS 传感器的噪声标准差（1.0 m），证明了多速率融合的有效性。
- 理论界验证： LMI 计算得到的理论协方差上界（Theory UB）与蒙特卡洛仿真结果的比值在 1.002 到 1.046 之间。这表明 LMI 提供的上界非常紧致（Low Conservatism），且严格大于实际误差，验证了理论界的可靠性。
- 多目标权衡：
  - 极点配置： 当要求更快的收敛速度（极点半径 $\bar{r}$ 从 0.975 降至 0.800）时，误差协方差上界（Trace）从 19.64 激增至 165.9，展示了性能与速度的非线性权衡。
  - $l_2$ 鲁棒性： 在限制最坏情况增益时，滤波器增益显著调整（例如位置增益从 0.283 增加到 1.000），以牺牲部分平均精度换取鲁棒性。

5. 意义与结论 (Significance)

解决工程痛点： 该方法为广泛存在的多速率传感器融合问题（如自动驾驶中的多源感知）提供了一种严谨且可计算的解决方案，填补了传统卡尔曼滤波在处理奇异测量噪声时的理论空白。
统一框架： LMI 框架将稳定性分析、最优估计、极点配置和鲁棒性设计统一在一个凸优化问题中，便于工程实现和参数整定。
实际应用价值： 仿真结果表明，该方法能显著降低定位误差，且理论误差界紧致，为安全关键系统（如自动驾驶）提供了可靠的误差界限保证。
未来方向： 论文指出该框架可进一步扩展至参数不确定性（多面体不确定性）、描述符系统、非线性系统（扩展卡尔曼滤波）以及非均匀采样间隔等更复杂的场景。

总结： 本文通过引入循环重构和 LMI 优化，成功解决了多速率系统中因测量噪声协方差半正定而导致传统卡尔曼滤波失效的难题，并提供了一个兼顾最优性、收敛速度和鲁棒性的通用设计工具。