Desensitized Extended Kalman Filter with Stochastic Approach to Sensitivity Reduction and Adaptive Weights

Kód výsledku v IS VaVaI

RIV/68407700:21230/22:00359339 - isvavai.cz

Nalezeny alternativní kódy

RIV/68407700:21720/22:00359339

Výsledek na webu

https://doi.org/10.23919/FUSION49751.2022.9841381

DOI - Digital Object Identifier

10.23919/FUSION49751.2022.9841381

Jazyk výsledku

angličtina

Název v původním jazyce

Desensitized Extended Kalman Filter with Stochastic Approach to Sensitivity Reduction and Adaptive Weights

Popis výsledku v původním jazyce

The desensitized Kalman filter can robustly estimate the state of a system with uncertain parameters without knowledge about uncertainty type. In this paper, the desensitized Kalman filter for nonlinear systems is derived using Taylor series expansion and a stochastic approach to reduce estimation error sensitivity to uncertain parameters. Adaptively normalized weights tune the trade-off between the minimum uncertainty sensitivity and minimum mean square error. Among the main benefits of the algorithm are intuitive tuning concerning uncertainty and a form resembling the classical Riccati equation. The comparison to other robust state-of-the-art algorithms is discussed based on a numerical example.

Název v anglickém jazyce

Desensitized Extended Kalman Filter with Stochastic Approach to Sensitivity Reduction and Adaptive Weights

Popis výsledku anglicky

The desensitized Kalman filter can robustly estimate the state of a system with uncertain parameters without knowledge about uncertainty type. In this paper, the desensitized Kalman filter for nonlinear systems is derived using Taylor series expansion and a stochastic approach to reduce estimation error sensitivity to uncertain parameters. Adaptively normalized weights tune the trade-off between the minimum uncertainty sensitivity and minimum mean square error. Among the main benefits of the algorithm are intuitive tuning concerning uncertainty and a form resembling the classical Riccati equation. The comparison to other robust state-of-the-art algorithms is discussed based on a numerical example.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

CK03000269: Pokročilé metody zpracování palubních dat v systémech V2X

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2022 25th International Conference on Information Fusion (FUSION)

ISBN

978-1-7377497-2-1

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Linköping

Datum konání akce

4. 7. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000855689000151