0 阅读文章
《Adaptive Adjustment of Noise Covariance in Kalman Filter for Dynamic State Estimation》
1 主要内容
一般情况下，kalman中的Q、R都是根据经验、实验或数据手册得到的，但是有些参数是无法获得的，尤其是过程噪声，就需要通过不断试凑确定参数，显然是不靠谱的。
这个文章提供一种自适应调整Q、R的方法，不需要精确的初值，就可以获得较高的滤波精度。
2 思路
2.1 状态方程
2.2 预测
2.3 校正
2.4 Q、R的估计
1）R 的估计
为了使R平滑变化，使用低通滤波。
[16] Online Stochastic Modelling for Network-Based GPS Real-Time Kinematic Positioning
2）Q的估计
2.5 算法流程图
下图中，划红线地方是相对于常规的EKF增加的部分，也就是测量协方差和过程协方差的更新。
3 仿真实验验证
MSE：mean squared error，计算估计值误差的均方差，用于评定滤波器效果好坏的指标。
下面给出了2个表，第一个是常规的EKF( CEKF)，第二个是本文中提到的自适应AEKF。
这个表怎么看呢。Qtrue和Rtrue 分别是Q、R的真值，仿真中把Q、R进行不同比例的缩放，验证不同组合条件下滤波器的精度。
从第1个表，可以得出：
只要Q、R的比值和Qtrue、Rtrue相等，就能获得最优的性能，并不需要保证Q、R和真实值接近。
比如，对角线上的值都是相同的。
比如0.1Rtrue、Qtrue和0.01Rtrue、0.1Qtrue的MSE相同，都是0.083。
比如10Rtrue、10Qtrue和Rtrue、Qtrue的MSE相同，都是0.051。
从第2个表，可以看出：
不管Q、R的初值是多少，最终的MSE都能取得比较好的效果。相对于CEKF，即使用Q、R的真值，MSE也略大于CEKF中的MSE，这是正常的，因为R、Q会存在波动，并能保证在所有时间都保持和Rtrue、Qtrue比值保持一致。
