非線性觀測器有幾種?哪些用的比較多?分別有什麼優缺點?

運動控制。


非線性系統狀態觀測器,按照鎮定機理劃分,以熱門程度為序:

  • 高增益觀測器(High-gain observer)

1992年起出現在非線性系統狀態估計中(在線性系統中可以追溯到七十年代),是目前研究最為廣泛的一類非線性觀測器,一般用於能觀標準型與下三角結構的兩類系統中(非下三角結構的系統近五年亦有研究)。比較常見的應用場景是「dirty derivative」的估計,如速度、加速度等。

鎮定機理:high-gain injection 或 domination

優點:結構簡單,設計方便,魯棒性強,只要系統可以變換成標準型,便可套用。

缺點:對測量雜訊極為敏感。

  • KKL觀測器(Kazantizis-Kravaris-Luenberger observer)

也稱非線性Luenberger觀測器,兩個名稱源於學術界對此的爭議。核心思想出現在D. Luenberger在六十年代最早提出觀測器的論文中的一種特殊坐標變換,後證明該坐標變換對於線性系統取單位變換即可,該思想被學術界逐漸淡忘,線性系統教材中一般亦不提及。在1998年Kazantizis和Kravaris的論文中,這個思想在非線性系統領域被」重新發現「。之後的20年里,持續被關注,但設計難度較高,相關文獻較高增益觀測器少很多。

鎮定機理:坐標變換得線性誤差動力學

優點:對測量雜訊不敏感,構造的dynamic extension為線性,可以從頻率角度有效抑制特定頻段雜訊;對於能觀自治非線性系統,很弱的假設即可保證存在性,其PDE總存在解析解;理論比較優美,且可以得到系統化的數值演算法。

缺點:非自治系統,KKL存在性目前仍懸而未決。

  • II觀測器(Immersion and Invariance observer)

出現於2008年,在機械系統和機電系統中比較流行,針對一般非線性系統研究相對較少,它是KKL的推廣結果。印象中,關於非完整約束機械系統全局漸近收斂觀測器問題,是首次由該方法解決。

鎮定機理:設計吸引的不變流形

優點:框架比較大,」理論上「應用範圍廣,對雜訊一般不敏感

缺點:PDE求解難度高,需要對物理系統有一定的洞察能力。

  • 滾動時域觀測器(Moving horizon observer)

MPC的對偶問題,不多說。貌似研究的人挺多的,和做MPC的學者高度重合。

鎮定機理:在線優化

優點:數值化演算法,對理論要求不高?

缺點:可解釋性不強,計算量大

  • 基於參數估計觀測器(Parameter Estimation-Based Observer, PEBO)

提出於2015年,屬於從應用到理論的代表,發軔於電機狀態估計,後來形成的一套系統化的狀態估計方法。核心思想是把時變的狀態估計問題,轉化為在線的常數辨識,通常配合著DREM參數估計一起使用。

鎮定機理:在線參數辨識

優點:參數辨識比狀態估計要容易很多,靈活性強,在機電、電力系統中,對應的PDE很容易求解。

缺點:參數估計中一般需要類似於PE條件,純積分環節會積累測量雜訊(但測量雜訊問題不會像高增益和滑模觀測器那樣強烈)

  • 滑模觀測器(Sliding mode observer)

SMC的對偶問題,適用對象和高增益觀測器基本一致。貌似研究的人挺多的,比較容易上手。

鎮定機理:high-gain injection/ domination

優點:結構簡單、魯棒性強。

缺點:基本和高增益觀測器一致,對測量雜訊極為敏感。

  • 無源觀測器(Passivity based observer)

出現在十幾年前,屬於PBC的對偶問題,目的是重新定義的輸入(一般是測量雜訊通道)對於設計的不變流形無源。關注比較少,十幾年裡只有零星的幾篇文獻。

鎮定機理:無源化

優點:對測量雜訊非常魯棒,該魯棒性也易於整定。

缺點:設計難度高,其中的PDE比II方法的PDE更難處理。

  • 單調性觀測器(Montonicity-based observer)

這個是一個不清晰的概念,沒有文獻系統定義和分析,在應用類的文獻中經常可以看到,利用動力學中的非線性映射的一些單調性特點,從而避免使用高增益。

  • 通過輸出映射來線性化的觀測器(Linearization by output injection)

沒有想出來什麼好的翻譯,該方法由Krener和Isidori在1983年提出,方法非常複雜,需要求解的PDE對於絕大多數的物理系統都是無法滿足的。但是這確是非線性系統觀測器問題的鼻祖,三十多年裡的研究或多或少都受到它的影響。

總的來說,在做實際物理系統狀態估計時,總是覺得相應的理論比較匱乏。


EKF最簡單,但誤差大,而且只限於高斯雜訊求最小方差,就是找單峰的最大似然估計。

Particle Filter最精確,但計算量大。不過有摩爾定律,應該是大趨勢。

UKF精度不如PF,但計算量比PF低。以今天的現狀來說,在線實用。

歡迎補充~


同志,這個問題你應該去cnki和web of science上搜索綜述文獻……


全維觀測器,缺點:毫無亮點。優點:簡單易用

降維觀測器,缺點:需要已知輸出。優點:結構簡單、可靠。

區間觀測器,還沒研究

自適應觀測器,缺點:多一個限定條件。優點:系統更具有一般性。

滑模觀測器,優點:應用廣泛。


推薦閱讀:

如何看待Ninebot想做家用機器人?
如何理解SLAM中的First-Estimates Jacobian?
你讀過哪些機器人、無人機、自動控制等方面的,讓你眼前一亮的論文?
作為一個控制人、機器人人,你曾經頓悟過哪些知識點?
有哪些關於 Kalman Filter 的不拘一格的論文或書?

TAG:機器人 | 自動化 | 自動控制 | 無人機Drone | 卡爾曼濾波KalmanFilter |