非线性条件下卡尔曼滤波器的 NEES/NIS 诊断

在非线性和非高斯噪声下诊断卡尔曼滤波器：KF、UKF 和粒子滤波器的 NEES/NIS 分析

卡尔曼滤波器仍是导航、机器人和信号处理任务中状态估计的基本工具。然而，其经典形式假设线性动力学和高斯噪声——这些条件在实际系统中很少满足。本文考察了三种流行方法——线性卡尔曼滤波器 (KF)、无迹卡尔曼滤波器 (UKF) 和粒子滤波器 (PF)——在这些假设被违反时的表现，以及哪些指标可以客观评估其性能。

为什么高斯假设重要——何时并非必需

卡尔曼滤波器仅在线性-高斯条件下才能在最小化均方误差方面达到最优。这源于正态分布的两个关键性质：仿射变换下的闭合性和贝叶斯更新中似然的共轭性。当高斯假设被违反时，这些性质丢失，但均值和协方差的递归计算仍具计算可行性。因此，KF 继续工作，但其估计不再最优，协方差矩阵可能无法准确反映真实不确定性。

在实践中，这表现为滤波器估计的过度自信或自信不足，这在决策系统中尤为关键。例如，在测量值存在异常点时，KF 可能会“卡住”并开始偏离真实轨迹，而自适应方法则保持鲁棒性。

实验设置：2×2 因子设计

使用仅 NumPy 和 SciPy 的 Python 模拟器进行了系统分析。该架构确保实验纯净：滤波器仅接收噪声测量值，无法访问真实状态。

模拟场景组织为完全因子实验：

• 线性动力学 + 高斯噪声——基准情况。
• 线性动力学 + 非高斯噪声——针对异常的鲁棒性检查。
• 非线性动力学 + 高斯噪声——非线性处理测试。
• 非线性动力学 + 非高斯噪声——所有算法的压力测试。

非线性模型专为放大效应而设计：

x₁[k+1] = x₁[k] + x₂[k] + 0.5·sin(x₁[k])
x₂[k+1] = 0.8·x₂[k] + 0.2·cos(x₁[k])

测量包括二次依赖：y₂ = x₂² + η₂，这会丢失速度符号信息并产生局部双峰性。

过程噪声建模为高斯混合（背景 + 异常点），测量噪声为重尾拉普拉斯分布。

评估指标：RMSE、NEES 和 NIS

使用三种指标进行全面评估：

• RMSE（均方根误差）——整体精度度量，但对不确定性一致性无信息。
• NEES（归一化估计误差平方）——显示经验误差与预测协方差的匹配程度。对于正确滤波器，NEES 应服从具有 n 个自由度（n = 状态维数）的 χ² 分布。
• NIS（归一化创新平方）——无真实值操作模式下的 NEES 类似物。基于创新（测量与预测的差值）。

结果显示：

• 在线性-高斯情况下，所有滤波器 RMSE 值相似，NEES 在 χ² 置信区间内。
• 在非高斯噪声下，KF 保持功能，但 NEES 系统性超出界限，表明不确定性低估。
• UKF 更好地处理非线性，但对非高斯测量噪声敏感，因为保留了高斯假设。
• PF 在所有场景下 NEES 一致性最佳，尤其在多模和重尾噪声下。

滤波器选择的实用建议

基于实验，以下建议可供参考：

• 使用 KF，如果系统接近线性且噪声仅轻微偏离高斯性（例如，弱异常点）。这确保计算成本最低。
• 切换到 UKF，如果非线性显著但噪声仍为高斯或近似高斯。UKF 有效逼近非线性变换，而不增加维数。
• 选择 PF，当噪声明显非高斯（异常点、多模性）或可观测性受损（例如，二次测量）。缺点：计算复杂度高和粒子耗尽风险。

在实际系统中，定期监测 NIS 至关重要：持续超出 χ² 阈值表明需修正噪声模型或切换到更灵活的滤波器。

关键要点

• 卡尔曼滤波器在非高斯噪声下不会“崩溃”，但失去最优性和一致性。
• NEES 是仿真中滤波器验证的关键指标；NIS 用于实时诊断。
• UKF 可补偿非线性，但无法解决非高斯性。
• 粒子滤波器最通用，但需仔细调参和大量资源。
• 非线性和非高斯噪声的组合对所有方法构成最大挑战。

— Editorial Team