|
|
★
小木虫: 金币+0.5, 给个红包，谢谢回帖
状态观测器与Kalman滤波器在结构上一致, 区别"不大".
1, Kalman滤波器增益是在驱动噪声或观测噪声存在的情况下使状态误差方差最小的观测器增益. 也就是说它是有性能指标为指导的. 重点是滤波器的预测输出与系统观测值之差是innovation, 是白的, 这是极点配置状态观测器"做不到的"(因为它没有明确的性能指标指导, 而事实上它也不需要做到, 因为它不考虑噪声).
在考虑稳态情况, 滤波器增益由一个代数Riccati方程的镇定解确定. 情况再特殊一点, 如果系统稳定且不存在噪声, 那么这个Riccati方程的镇定解是0 (这里的0指的是矩阵或向量或纯量), 那么增益也为0. 这和状态观测器理论是一致的, 也就是说, 在系统稳定的情况下状态误差"自动"趋于0, 不需要配置任何极点, 当然为了快速趋于0我们还是会配置观测器极点到"较远"的地方.
2, 状态观测器其实没有什么可以多说的, 观测器利用与系统输出的差值进行修正, 而这个差值没有innovation的含义 (但是它对控制器参数化是有帮助的). 而普通的观测器配置到的极点位置没有任何性能指标的指导 (若讨论H2, Hinf就另说了), 因此只要使得闭环系统稳定即可. 如果把它作为滤波器显然是对性能指标(最小化状态误差方差)的挑衅.
3, 附加一点就是Kalman滤波器并不一定只能由Bayes理论推导, 因此我觉得推导方法不是它和状态观测器的本质区别, 本质可能在于innovation的概念和性能指标导向.
说得不到位, 仅希望相互讨论, 共同进步. |
|
回复此楼