本文题为李浩的《状态估计》，本质上是一份指南，教导如何在无法直接窥见全貌的情况下，推导出系统的“真实情况”。文章指出，在现实世界中，我们很少能完美地掌握机器或过程（如汽车、机器人，甚至病人）的全部信息。相反，我们必须基于有限的线索进行猜测、推断和计算，以还原真相。
以下通过日常类比来解释论文的核心概念。
1. 核心问题：“盲”系统
想象你在浓雾中驾驶汽车。你知道自己在开车，但看不见道路、速度或确切位置。你有一个仪表盘（传感器），但也许速度表坏了，或者 GPS 有延迟。
- 状态：这是汽车的“真相”（它在哪里、行驶多快、以什么角度转弯）。
- 问题：你无法完美地测量“状态”。你可能只能看到速度，或者只能看到与某个路标的距离。
- 解决方案（估计）：你利用大脑（数学）将你所知道的（速度表读数）与你所知道的关于汽车如何运行的知识（物理规律）结合起来，从而推测你的位置。这个过程被称为状态估计。
2. 估计的三大支柱
为了做出准确的推测，论文指出你需要三样东西：
- 系统模型（剧本）：这是你对世界运行规律的知识。如果你知道踩油门汽车就会加速，这就是你的“剧本”。这就像知道推一下球，球就会滚动。如果没有这个剧本，你的猜测就只是盲目的乱猜。
- 测量模型（线索）：这是传感器与真相对话的方式。如果 GPS 显示“你在第 40 街”，测量模型就会将该信号转换为地图上的位置。有时传感器会有噪声（像收音机里的杂音），或者只提供部分信息（温度计能告诉你温度，但无法告诉你湿度）。
- 可观测性（侦探工作）：这提出了一个问题：“仅凭我手中的线索，是否有可能拼凑出完整的故事？”
- 类比：如果你有一辆没有速度表和 GPS 的车，但你有一个能看到道路的摄像头，你可以通过观察道路移动的速度来推算车速。这就是可观测的。如果你有一辆车在漆黑一团的房间里，且没有任何传感器，你永远无法知道自己在哪。这就是不可观测的。
3. 主角：卡尔曼滤波
论文介绍了卡尔曼滤波作为执行这项任务最著名的工具。把它想象成一个超级聪明、不断更新的推测者。
- 工作原理：它使用“预测 - 更新”循环。
- 预测：基于你的“剧本”（系统模型），你推测汽车在一秒后会在哪里。
- 更新：你查看你的“线索”（测量值）。如果 GPS 显示你在另一个地方，你就调整你的推测。
- 加权的魔力：卡尔曼滤波很懂得该信任谁。
- 类比：想象有两个温度计。一个是廉价、不稳定的；另一个是高端实验室仪器。如果廉价的那个显示 20°C，而昂贵的显示 22°C，卡尔曼滤波不会简单地将它们平均为 21°C。它会更多地信任昂贵的那个，推测出一个更接近 22°C 的数值。它会对每份数据的“置信度”进行加权。
4. 应对混乱的现实世界
现实生活并不完美。论文讨论了当情况变得复杂时会发生什么：
- 非线性（弯曲的道路）：卡尔曼滤波在直线上表现最好。如果你的汽车正在急转弯，或者机器人在旋转，数学就会变得混乱。论文介绍了扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）。
- 类比：想象试图在弯曲的气球上画一条直线。EKF 就像眯起眼睛，假装在极短的一瞬间曲线是直的，以便让数学成立。UKF 则像是从不同角度拍摄气球的多张照片，以便在不强行将其拉直的情况下更好地理解曲线。
- 多种可能性（“也许”的情景）：有时机器人不知道自己是快是慢。它可能处于任何一种状态。
- 类比：想象你听到一个声音。它可能是一只猫、一只狗或一个人。**交互多模型（IMM）**方法就像同时运行三个不同的侦探：一个假设是猫，一个是狗，一个是人。他们共享笔记，最终的答案是这三种可能性的加权混合。
- 坏数据（谣言工厂）：如果两个传感器互相交流并无意中重复了同一个错误，这被称为“相关性”。
- 类比：如果两个朋友都告诉你一个谣言，但他们都是从同一个人那里听来的，你不应该将其视为两条独立的证据。论文讨论了分裂协方差交集，这是一种防止系统因意识到某些数据只是其他数据的复制品而变得“过度自信”的方法。
5. “分裂”与“融合”
论文还讨论了数据关联。
- 类比：想象雷达屏幕上有 10 个光点和 10 辆车。哪个光点属于哪辆车？如果你把它们搞混了，你的估计就是错的。论文解释了如何确定哪个“线索”属于哪个“故事”的方法。
最后，论文触及了模拟估计。
- 类比：当今大多数计算机是数字的（0 和 1）。但论文提到，你也可以使用连续电子电路（如老式模拟收音机）来进行这种估计。这就像通过在桌子上移动物理拼图块（模拟）来解谜，与在电子表格中输入数字（数字）相对。两者都有效，但论文侧重于数学如何在它们之间转换。
核心启示
作者的主要信息简单而深刻：在现实世界中，你永远无法知道“地面真值”（完美的现实）。 你拥有的只是估计值。
- 不要盲目信任传感器：它们是有噪声的。
- 不要盲目信任数学：世界是混乱的。
- 将它们结合起来：使用“剧本”（物理规律）和“线索”（传感器）相结合，并根据你对每一方的信任程度进行加权。
论文最后展示了一个平衡杆（倒立摆）的模拟。即使控制杆的计算机不知道杆的确切位置，它也能利用这些估计技巧足够准确地推测出位置，从而防止杆倒下。这证明了估计是连接混乱、不确定的世界与运作良好、受控的系统之间的桥梁。
技术摘要：状态估计
问题陈述
在控制科学中，虽然系统的状态常被假定为已知以进行理论分析，但实际应用面临一个根本性挑战：状态很少能被完全直接观测。由于传感器限制、噪声或仅能获得部分观测值，直接测量往往是不可能的。此外，即使存在测量值，它们也受误差和随机不确定性的影响。核心问题在于：如何利用可用测量值、系统模型和测量模型来推断系统状态的“真实”情况——即定义表征系统运行本质属性的状态——特别是在系统受到非确定性、非线性、多模态或数据相关性影响时。
方法论
本文提出了一个全面的状态估计框架，从基本概念逐步推进到处理特定复杂性的先进算法。
1. 基本概念
- 状态定义：状态并非由严格的通用定义界定，而是由其表征目标过程的作用来定义。它必须是确定性的（能够确定其自身动态）且完备的（包含特定操作所需的所有感兴趣属性）。
- 系统与测量模型：估计依赖于系统模型（描述状态演化）和测量模型（描述状态与测量之间的因果关系）。本文强调，模型是对客观世界的近似，必须是“合理的”且“可处理的”。
- 可观测性：若目标过程的初始状态能从有限时间内的测量值中推断出来，则该过程是可观测的。对于线性系统，这由可观测性矩阵 OH,A 的秩决定。
2. 递归估计与卡尔曼滤波
本文介绍了递归估计作为一种基于贝叶斯推断的方法，用于利用新测量值更新状态估计，而无需重新处理所有历史数据。
- 线性 - 高斯假设：在假设线性动态和高斯噪声下，**卡尔曼滤波（KF）**被推导为最优递归估计器。它分两步运行：
- 预测：利用系统模型传播先验估计。
- 更新：将先验估计与新测量值融合，采用加权平均，其中权重由相对不确定性（协方差）决定。
- 数据融合视角：更新步骤被解释为融合两个信息源（预测和测量），其中卡尔曼增益作为通过最小化估计误差协方差推导出的最优加权因子。
3. 处理特殊系统方面
本文详细阐述了针对偏离理想线性 - 高斯情况的具体方法：
- 非确定性（交互多模型 - IMM）：针对运动模式未知的系统（例如具有未知加速度的目标跟踪），IMM 方法动态合并多个代表性系统模型（例如恒定位移、恒速、恒加速）。它维护并行估计轨迹，根据测量新息更新模型概率，并合成加权最终估计。
- 非线性（EKF, UKF, CKF）：
- 扩展卡尔曼滤波（EKF）：利用雅可比矩阵对非线性模型进行局部线性化。
- 无迹卡尔曼滤波（UKF）：利用无迹变换将 Sigma 点通过非线性函数传播，避免线性化误差。
- 容积卡尔曼滤波（CKF）：利用容积点近似积分，具有与 UKF 相似的精神，但采用不同的采样策略。
- 多模态（高斯混合与粒子滤波）：
- 高斯混合：将复杂的多模态分布近似为高斯分布的加权和。
- 粒子滤波（PF）：一种序贯蒙特卡洛方法，使用一组加权样本（粒子）表示后验分布。它处理任意分布和模型，利用重采样来缓解“退化问题”。
- 数据相关性（分裂协方差交集滤波 - Split CIF）：
- 标准融合（如 KF）假设数据独立。对相关性进行朴素处理会导致“过度自信”（不一致的估计）。
- 协方差交集（CI） 保证在未知相关性下的一致性，但过于悲观。
- Split CIF 通过将协方差分解为相关分量（Σd）和独立分量（Σi）来概括 KF 和 CI。它在利用已知独立信息的同时，保证对任意相关结构的一致性。
4. 数据关联
针对多目标跟踪，本文讨论了将测量值与特定目标关联的方法：
- 联合概率数据关联（JPDA）：利用所有潜在测量值的概率加权和来更新轨迹。
- 多假设跟踪（MHT）：推迟推断，将多个关联假设传播至未来。
- 概率假设密度（PHD）滤波：将多目标状态和测量值视为随机有限集，执行递归估计，同时隐式处理数据关联。文中提出了高斯混合 PHD（GM-PHD）滤波作为使用高斯混合的高效实现。
5. 模拟估计
本文对比了离散时间数字估计与连续时间模拟估计：
- 卡尔曼 - 布西滤波：KF 的连续时间对应物，由微分黎卡提方程控制。
- 卢恩伯格滤波：一种使用常数增益矩阵的简化观测器，要求系统可观测以确保稳定性。
- 集成控制：演示了状态估计器（如卢恩伯格滤波）如何与全状态反馈控制集成，证明了分离原理成立（控制器和估计器可独立设计）。
主要贡献
- 概念澄清：本文在控制理论背景下严格定义了“状态”，区分了客观确定性与主观完备性，并阐明了可观测性与随机不确定性之间的关系。
- 非理想情况的统一框架：它系统地分类并提供了针对估计中四大挑战的解决方案：非确定性（IMM）、非线性（EKF/UKF/CKF）、多模态（GMM/PF）和数据相关性（Split CIF）。
- 数据融合理论：它深入推导了卡尔曼滤波更新步骤作为最优加权平均的理论，并将其扩展至分裂协方差交集滤波，为相关数据融合提供了鲁棒解决方案。
- 实际实现：包含复杂场景的 MATLAB 代码（例如双倒立摆可观测性、带估计器的单倒立摆控制、Split CIF 实现），弥合了理论形式与工程应用之间的差距。
结果
- 理论验证：本文利用可观测性矩阵准则展示了复杂系统（例如双倒立摆、低速自动驾驶车辆）的可观测性。
- 仿真证据：通过卢恩伯格观测器和全状态反馈控制单倒立摆的仿真表明，估计状态渐近收敛于真实值，且闭环系统稳定。这验证了“分离原理”以及在反馈回路中使用估计值而非真实值的实用性。
- 算法有效性：为 Split CIF 提供的数学证明表明，无论相关结构如何，它都能保证“分裂一致性”（防止过度自信），统一了卡尔曼滤波和协方差交集的优势。
意义与主张
本文将状态估计定位为控制理论中对于实际应用“最为本质”的方面，强调若无可靠的状态推断，控制系统无法有效运行。
- 动机背景：作者认为，虽然控制理论的研究常假设状态已知，但该领域的“魅力”在于其与实际应用的融合，而其中的估计并非易事。
- 适度范围：本文明确指出，它不涉及获取理想测量值的难度（这取决于特定领域的知识），而是专注于一旦获得测量值后揭示状态的方法论。
- 教育作用：它作为“面向实际应用的先进控制理论”的全面介绍，旨在为读者提供处理现实世界估计问题复杂性的理论工具，从简单的线性系统到非确定性、非线性和相关多目标场景。作者指出，虽然估计在实践中无处不在，但在理论控制研究中常被省略以专注于控制律，但这种省略在现实工程实践中不应被视为理所当然。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。