卡尔曼滤波器在多传感器融合中的应用

概述

卡尔曼滤波器在数据融合问题和轨迹融合问题中得到广泛应用。多传感器融合的核心挑战在于：不同传感器具有不同的采样率、精度、噪声特性和观测维度，需要在统一的数学框架下整合这些异构信息。卡尔曼滤波器凭借其递归结构和最优估计性质，成为处理此类问题的标准工具。

测量融合是集中式融合架构，所有传感器的原始测量被送到同一个处理节点进行联合估计。本质上有两种方法：

观测向量扩展法：将所有传感器的测量值合并到一个扩展的观测向量中，构建一个统一的大观测方程 $z_{a ug} = H_{a ug} x + v_{a ug}$ ，然后使用标准卡尔曼滤波进行更新。这种方法理论上最优，但要求所有传感器数据同步到达。
顺序更新法：各传感器的测量按到达顺序逐个进行卡尔曼更新，每次更新都基于当前最新的状态估计和协方差。在线性系统中，这与一次性使用所有测量做扩展更新是数学等价的，但更适合传感器异步到达的场景。
测量值组合法：通过最小均方估计等准则，先将多个传感器的测量值加权组合为一个等效测量，再送入卡尔曼滤波器更新。权重通常取各传感器噪声协方差的逆。

轨迹融合是分布式融合架构，每个传感器（或局部处理节点）独立运行各自的卡尔曼滤波器，得到局部的状态估计和协方差，然后在融合中心进行轨迹合并。

常用的轨迹融合方法包括：

协方差交集（Covariance Intersection, CI）：当局部估计之间的互相关未知时，CI 方法通过凸组合保证融合结果的一致性，虽然不是最优但避免了过于乐观的协方差估计
加权融合：如果局部估计之间的互协方差已知，可以通过 Bar-Shalom-Campo 公式进行最优加权融合

在实际系统中，传感器通常以不同频率异步采样。卡尔曼滤波器通过状态预测步骤自然地处理这种异步性：在没有测量到达时只执行预测，有测量到达时执行更新。这使得高频传感器（如 IMU，1000Hz）和低频传感器（如 GPS，1Hz）可以在同一个滤波框架中无缝融合。