✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。

🍎完整代码获取 定制创新 论文复现私信

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

🔥 内容介绍

一、引言

在许多工程和科学领域，如机器人导航、目标跟踪、信号处理等，准确估计系统的状态至关重要。扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）和粒子滤波器（PF）是常用的状态估计算法。它们各自基于不同的原理，在处理非线性系统时具有不同的特性。本文旨在深入比较这三种算法的性能，帮助使用者根据具体应用场景选择最合适的算法。

二、算法原理概述

（一）扩展卡尔曼滤波器（EKF）

1. 线性化基础：EKF 基于卡尔曼滤波器，通过对非线性系统模型进行一阶泰勒展开线性化处理。对于非线性状态转移函数 f(xt,ut) 和观测函数 h(xt)，在当前估计值附近进行线性化，将非线性问题近似为线性问题，从而可以应用卡尔曼滤波器的框架进行状态估计。

2. 核心步骤：预测阶段，利用线性化后的状态转移方程预测下一时刻的状态和协方差；更新阶段，通过线性化的观测方程，结合实际观测值对预测状态进行修正，得到更准确的估计值。

（二）无迹卡尔曼滤波器（UKF）

1. Sigma 点采样：UKF 不依赖于线性化，而是通过采样一组 Sigma 点来近似系统的概率分布。这些 Sigma 点能够更准确地捕捉非线性函数的统计特性。通过将这些 Sigma 点通过非线性函数进行传递，然后根据加权统计计算预测状态和协方差。

2. 优势原理：相比于 EKF，UKF 避免了复杂的雅可比矩阵计算（线性化过程中的关键步骤），并且在处理非线性问题时通常能提供更准确的估计，因为它对概率分布的近似更精确。

（三）粒子滤波器（PF）

1. 蒙特卡罗模拟：PF 基于蒙特卡罗方法，通过大量的随机样本（粒子）来表示系统的状态分布。每个粒子都有一个权重，代表该粒子在当前状态估计中的可能性。随着新观测数据的到来，粒子的权重根据观测模型进行更新，同时粒子的位置也通过状态转移模型进行传播。

2. 灵活性优势：PF 能够处理高度非线性和非高斯的系统，因为它不依赖于对系统进行特定的数学近似，而是通过大量粒子的分布来逼近真实状态分布，具有很强的灵活性。

三、性能比较维度

（一）估计精度

1. 非线性程度影响：在弱非线性系统中，EKF 通常能提供较为准确的估计，因为线性化近似带来的误差较小。然而，随着系统非线性程度的增加，EKF 的线性化误差逐渐增大，估计精度显著下降。UKF 由于其 Sigma 点采样策略，能更好地捕捉非线性系统的特性，在中等非线性系统中表现优于 EKF。PF 在高度非线性系统中具有明显优势，通过大量粒子对状态空间的广泛覆盖，能更准确地估计状态。

2. 噪声特性影响：对于高斯噪声环境，三种滤波器理论上都能有效工作。但在非高斯噪声情况下，PF 的表现更为出色，因为它不依赖于噪声的特定分布假设，而 EKF 和 UKF 通常基于高斯噪声假设进行设计，在非高斯噪声下估计精度会受到较大影响。

（二）计算复杂度

1. EKF 计算量：EKF 需要计算非线性函数的雅可比矩阵，这在复杂系统中计算量较大。此外，每次迭代都涉及矩阵运算，包括矩阵乘法和求逆，随着系统维度的增加，计算复杂度呈指数增长。

2. UKF 计算量：UKF 虽然避免了雅可比矩阵的计算，但需要采样和传播 Sigma 点，每个 Sigma 点都要经过非线性函数运算，计算量也较大。不过，在一些情况下，UKF 的计算效率可能优于 EKF，特别是当非线性函数的雅可比矩阵计算非常复杂时。

3. PF 计算量：PF 的计算复杂度主要取决于粒子数量。为了获得准确的估计，通常需要大量的粒子，这导致计算量巨大，尤其是在高维状态空间中。随着粒子数量的增加，计算时间和内存需求都会显著上升。

（三）收敛速度

1. 初始状态依赖：EKF 和 UKF 的收敛速度在一定程度上依赖于初始状态估计的准确性。如果初始估计与真实状态相差较大，可能需要较长时间才能收敛到准确估计。PF 相对来说对初始状态的依赖性较小，因为大量粒子可以在状态空间中广泛搜索，更快地接近真实状态分布。

2. 系统动态影响：在系统状态变化较快的情况下，EKF 和 UKF 可能由于线性化或 Sigma 点采样的局限性，难以快速跟踪状态变化，导致收敛速度变慢。PF 能够通过不断更新粒子权重和位置，更灵活地适应系统动态变化，在快速变化的系统中可能具有更快的收敛速度。

⛳️ 运行结果

📣 部分代码

%本例子从百度文库中得到， 稍加注释clearN=200;%取200个数​%% 生成噪声数据 计算噪声方差w=randn(1,N); %产生一个1×N的行向量，第一个数为0，w为过程噪声（其和后边的v在卡尔曼理论里均为高斯白噪声）w(1)=0;Q=var(w); % R、Q分别为过程噪声和测量噪声的协方差(此方程的状态只有一维，方差与协方差相同) ​v=randn(1,N);%测量噪声R=var(v);​%% 计算真实状态x_true(1)=0;%状态x_true初始值A=1;%a为状态转移阵，此程序简单起见取1for k=2:N    x_true(k)=A*x_true(k-1)+w(k-1);  %系统状态方程，k时刻的状态等于k-1时刻状态乘以状态转移阵加噪声（此处忽略了系统的控制量）end​​%% 由真实状态得到测量数据， 测量数据才是能被用来计算的数据， 其他都是不可见的H=0.2;z=H*x_true+v;%量测方差，c为量测矩阵，同a简化取为一个数​​%% 开始 预测-更新过程​% x_predict: 预测过程得到的x% x_update:更新过程得到的x% P_predict:预测过程得到的P% P_update:更新过程得到的P​%初始化误差 和 初始位置x_update(1)=x_true(1);%s(1)表示为初始最优化估计P_update(1)=0;%初始最优化估计协方差​%% plot%作图，红色为卡尔曼滤波，绿色为量测，蓝色为状态%kalman滤波的作用就是 由绿色的波形得到红色的波形， 使之尽量接近蓝色的真实状态。t=1:N;plot(t,x_update,'r',t,z,'g',t,x_true,'b');legend('kalman','测量值','真值');xlabel('Iteration');​

🔗 参考文献

[1]于洪波,王国宏,孙芸,等.一种融合UKF和EKF的粒子滤波状态估计算法[J].系统工程与电子技术, 2013(07):29-33.DOI:10.3969/j.issn.1001-506X.2013.07.04.

🍅更多免费数学建模和仿真教程关注领取