基于UKF的非线性系统状态与参数联合估计

资 源 简 介

本项目致力于构建一个基于无迹卡尔曼滤波（Unscented Kalman Filter, UKF）的高精度估计算法框架，旨在解决强非线性动态系统中的状态监测与模型参数辨识难题。该项目通过引入扩维状态向量技术，将待估计的未知系统参数（如阻尼系数、刚度、电池内阻等）视为增广状态变量的一部分，从而将参数估计问题转化为统一的非线性状态估计问题。核心功能模块包括：1. 模型构建模块，支持用户通过MATLAB函数句柄自定义复杂的非线性状态转移方程和观测方程；2. 无迹变换（UT）实现，利用Merwe或Julier采样策略生成Sigma点，以二阶以上的精度逼近非线性函数的后验均值和协方差，克服了扩展卡尔曼滤波（EKF）线性化误差大及需计算雅可比矩阵的局限性；3. 滤波迭代引擎，执行完整的时间更新（预测）与量测更新（校正）流程，同时输出状态变量与参数的估计值；4. 仿真与分析模块，能够生成含有高斯白噪声的模拟观测数据，实时绘制真实轨迹与估计轨迹的对比图、参数收敛曲线及误差协方差界限图，并自动计算均方根误差（RMSE）以量化评估算法性能。该系统适用于目标跟踪、电池管理系统（BMS）以及机器人控制等领域的算法验证与开发。

详 情 说 明

基于UKF的非线性系统状态与参数联合估计

项目简介

本项目实现了一个基于无迹卡尔曼滤波（Unscented Kalman Filter, UKF）的高精度估计算法框架。该项目针对强非线性动力学系统，通过引入扩维状态向量技术，将未知的模型参数（非线性刚度系数和阻尼系数）视为增广状态变量的一部分，实现了在估计系统状态（位置、速度）的同时，在线辨识模型参数。

该算法主要用于解决非线性弹簧-阻尼-质量系统中的状态监测与参数辨识问题，通过仿真验证了算法在存在过程噪声和量测噪声环境下的鲁棒性与收敛性。

功能特性

• 联合估计架构：采用扩维状态向量策略，同步估计系统的动态状态（位置、速度）和静态参数（非线性刚度、阻尼），无需将参数辨识作为独立过程。
• 非线性动力学模型：内置高阶非线性系统模型（含立方刚度项），能够模拟复杂的物理响应。
• 高精度无迹变换（UT）：

* 采用Van der Merwe比例修正策略生成Sigma点，精确逼近非线性函数的后验分布。 * 利用奇异值分解（SVD）替代传统的Cholesky分解计算协方差矩阵平方根，显著提升了数值计算的稳定性。

• 闭环仿真验证：集成了数据生成、滤波器运行、误差分析的全流程，能够生成含噪观测数据并与真实值进行对比。
• 多维度可视化分析：自动生成包含轨迹跟踪、误差界限（3-Sigma）、参数收敛曲线及RMSE统计的综合分析图表。

系统模型与数学原理

1. 物理模型

本项目模拟了一个受受迫振动的非线性弹簧-阻尼-质量系统。其动力学方程如下：

m * x'' + c * x' + k * x^3 = u

其中：

• u：外部控制输入（正弦激励）。
• m：质量块质量（已知）。
• c：阻尼系数（未知，待估计）。
• k：非线性刚度系数（未知，待估计）。
• x^3：体现了系统的强非线性特征。

2. 状态扩维

为了实现联合估计，滤波器定义了如下扩维状态向量 Xa： Xa = [位置; 速度; 刚度k; 阻尼c]

在状态转移过程中，参数被建模为随机游走过程（或常数模型），允许滤波器根据观测数据的残差实时调整参数估计值。

代码实现逻辑详解

主要逻辑封装在单一入口函数中，包含了从环境初始化到结果展示的完整链路。

第一部分：系统配置与初始化

• 设置随机数种子以确保仿真结果的可复现性。
• 定义仿真时间参数（总时长50秒，步长0.05秒）。
• 设定真实的物理参数（质量、真实刚度、真实阻尼）和初始状态。
• 定义过程噪声（针对状态积分）和量测噪声（针对传感器）的协方差矩阵。

第二部分：Ground Truth 数据生成

• 利用欧拉积分法模拟连续非线性动力学方程。
• 根据正弦输入信号计算每一时刻的加速度、速度和位置。
• 在真实轨迹上叠加高斯白噪声生成模拟观测数据（仅观测位置信息），作为滤波器的输入。

第三部分：UKF 滤波器初始化

• 状态初始化：构建4维扩维状态向量。初始猜测中，特意给出了错误的参数值（刚度设为1.0，阻尼设为0.1），以测试算法将参数收敛至真值（刚度3.5，阻尼0.8）的能力。
• 协方差配置：

* P矩阵：初始化误差协方差，给予参数部分较大的初始不确定性。 * Q矩阵：过程噪声协方差。特别为参数（k, c）设置了微小的过程噪声（1e-4），这允许参数在滤波过程中具备一定的“适应性”，而非完全固定。 * UT参数：配置alpha、beta、kappa等无迹变换参数，计算均值权重（Wm）和协方差权重（Wc）。

第四部分：滤波迭代引擎（核心算法）

算法在时间步长上循环执行以下步骤：

1. Sigma点生成：基于当前时刻的估计状态和协方差，利用SVD分解生成 2L+1 个Sigma点。
2. 时间更新（预测）：

* 将所有Sigma点代入非线性状态方程（nonlinear_dynamics函数）。 * 利用加权平均计算先验状态估计值和先验协方差矩阵。

1. 重新采样与观测预测：

* 基于先验分布重新生成Sigma点（提升精度）。 * 将Sigma点代入观测模型（measurement_model函数），预测观测值。 * 计算预测观测均值、观测自协方差（S）以及状态-观测互协方差（P_xz）。

1. 量测更新（校正）：

* 计算卡尔曼增益 K。 * 利用观测残差（Innovation）更新系统状态（含位置、速度及参数）和协方差矩阵。 * 记录每一时刻的协方差对角线元素，用于后续的不确定性分析。

第五部分：性能评估与可视化

仿真结束后，代码会自动输出和绘制以下内容：

• 统计数据：在控制台打印位置、速度的均方根误差（RMSE），以及参数k和c的最终估计值对比。
• 图形化报表（单一窗口包含5个子图）：

1. 位置跟踪对比（真实值 vs 观测值 vs 估计值）。 2. 速度跟踪对比，包含3-Sigma置信区间。 3. 刚度系数 k 的收敛过程，展示参数如何从错误初值收敛至真值附近。 4. 阻尼系数 c 的收敛过程，同样包含不确定性界限。 5. 位置估计误差分析，验证误差是否落在理论协方差界限内。

辅助函数说明

• nonlinear_dynamics：实现系统的离散化状态转移。输入为扩维状态、控制量和质量，输出为下一时刻的扩维状态。参数（k, c）在此处参与动力学运算并被传递至下一时刻。
• measurement_model：描述观测方程，从扩维状态中提取观测变量（位置）。

运行环境与使用方法

系统要求

• MATLAB (R2016a 及以上版本推荐)
• 无需额外的工具箱（代码仅依赖基础数学库）。

使用方法

1. 直接在 MATLAB 环境中运行代码文件。
2. 程序将自动执行仿真，并在命令窗口输出 RMSE 误差统计。
3. 程序将弹出一个名为 "UKF_Joint_Estimation_Results" 的图形窗口，展示滤波效果。

预期结果

运行后，您应观察到：

• 位置和速度的估计轨迹紧密跟随真实轨迹。
• 参数 k 和 c 的估计曲线从初始的错误值（1.0, 0.1）逐渐收敛并稳定在真实值（3.5, 0.8）附近。
• 估计误差大部分时间处在红色虚线标示的 3-Sigma 理论边界内，表明滤波器工作正常且对自身精度的评估是可信的。