Исследование скорости сходимости алгоритма системы расширенный фильтр Калмана — адаптивный цифровой фильтр

Важным фактором обработки информации, выполняемой бортовым вычислителем робота, является скорость сходимости применяемых в системе управления роботом рекуррентных алгоритмов оценивания и фильтрации данных. Рассмотрена скорость сходимости алгоритма работы системы расширенный фильтр Калмана — адаптивный цифровой фильтр (система РФК — АЦФ) в качестве цифрового фильтра входных детерминированных сигналов с целью выяснения возможности ее применения в робототехнике. Критериями определения скорости сходимости являются числа итераций работы алгоритма системы РФК — АЦФ, необходимых для достижения установившегося и медианного значений среднеквадратической ошибки ее работы. Выполнены оценка и сравнение результатов фильтрации сигналов, полученных с помощью системы РФК — АЦФ и аналогичных данных, полученных с использованием алгоритмов РФК и некоторых АЦФ. Для определения влияния организации буферной памяти АЦФ системы РФК — АЦФ на результаты фильтрации сигнала и скорость сходимости алгоритма системы проведено моделирование ее работы с разным количеством ячеек буферной памяти АЦФ. Анализ результатов исследования показал, что к основным достоинствам алгоритма системы РФК — АЦФ относятся высокая скорость сходимости (только алгоритм РФК демонстрирует наибольшую скорость сходимости) и высокая эффективность подавления шума даже при его значительном уровне. Комбинация РФК и АЦФ в системе РФК — АЦФ позволяет компенсировать ошибки работы РФК, что способствует повышению точности оценки систем/процессов. Включение РФК в состав системы РФК — АЦФ дает возможность применять нелинейные, но линеаризуемые модели оцениваемых систем/процессов в системах управления роботами.
EDN: QZXTMB, https://elibrary/qzxtmb

Литература

[1] Urrea C., Agramonte R. Kalman filter: historical overview and review of its use in robotics 60 years after its creation. J. Sens., 2021, vol. 2021, art. 9674015, doi: https://doi.org/10.1155/2021/9674015

[2] Khodarahmi M., Maihami V. A review on Kalman filter models. Arch. Computat. Methods Eng., 2023, vol. 30, no. 1, pp. 727–747, doi: https://doi.org/10.1007/s11831-022-09815-7

[3] Lv M., Wei H., Fu X. et al. A loosely coupled extended Kalman filter algorithm for agricultural scene-based multi-sensor fusion. Front. Plant Sci., 2022, vol. 13, art. 849260, doi: https://doi.org/10.3389/fpls.2022.849260

[4] Feng S., Li X., Zhang S. et al. A review: state estimation based on hybrid models of Kalman filter and neural network. Syst. Sci. Control. Eng., 2023, vol. 11, no. 1, art. 2173682, doi: https://doi.org/10.1080/21642583.2023.2173682

[5] Schmidt S.F. Application of state-space methods to navigation problems. Adv. Control Syst., 1966, vol. 3, pp. 293–340, doi: https://doi.org/10.1016/B978-1-4831-6716-9.50011-4

[6] Безмен П.А. Исследование работы расширенного фильтра Калмана, дополненного адаптивным цифровым фильтром, для комплексирования данных системы управления мобильным роботом. Известия Юго-Западного государственного университета, 2020, т. 24, № 1, с. 68–89, doi: https://doi.org/10.21869/2223-1560-2020-24-1-68-89

[7] Безмен П.А. Цифровой фильтр для нестационарных сигналов. Патент РФ 2747199. Заявл. 05.07.2020, опубл. 29.04.2021.

[8] Безмен П.А. Исследование работы системы расширенный фильтр Калмана — адаптивный цифровой фильтр в качестве фильтра нестационарных сигналов. Известия высших учебных заведений. Машиностроение, 2024, № 10, с. 9–19. EDN: ONANWI

[9] Somefun C.T., Daramola S.A., Somefun T.E. Advancements and applications of adaptive filters in signal processing. JESA, 2024, vol. 57, no. 5, pp. 1259–1272, doi: https://doi.org/10.18280/jesa.570502

[10] Бычков Б.И., Романовский А.С., Хартов В.Я. Моделирование помехозащищенных речевых каналов для технических систем управления. Радиооптика, 2016, № 5, с. 11–25, doi: https://doi.org/10.7463/rdopt.0516.0848125

[11] La Rosa A.B., Pereira P.T., Ücker P. et al. Exploring NLMS-based adaptive filter hardware architectures for eliminating power line interference in EEG signals. Circuits Syst. Signal Process., 2021, vol. 40, no. 5, pp. 3305–3337, doi: https://doi.org/10.1007/s00034-020-01620-6

[12] Khan A.A., Shah S.M., Raja M.A.Z. et al. Fractional LMS and NLMS algorithms for line echo cancellation. Arab. J. Sci. Eng., 2021, vol. 46, no. 4, pp. 9385–9398, doi: https://doi.org/10.1007/s13369-020-05264-1

[13] Kumar K., Pandey R., Karthik M.L.N.S. et al. Robust and sparsity-aware adaptive filters: a review. Signal Process., 2021, vol. 189, art. 108276, doi: https://doi.org/10.1016/j.sigpro.2021.108276

[14] Джиган В.И., Стемпковский А.Л. LMS-алгоритм адаптивной фильтрации сигналов: первый или единственный для использования на практике? Проблемы разработки перспективных микро- и наноэлектронных систем, 2014, № 4, с. 159–166.

[15] Kruse R.L., Ryba A.J. Data structures and program design in C++. Prentice-Hall, 1999. 717 p.

[16] Wang M. Design and implementation of asynchronous FIFO. Appl. Comput. Eng., 2024, vol. 70, pp. 215–221, doi: https://doi.org/10.54254/2755-2721/70/20241023

[17] Jianu M., Dăuş L. A note on the Heaviside step function. Proc. 18th Workshop on mathematics, Computer Science and Technical Education, 2021, vol. 4, pp. 31–38.

[18] Безмен П.А. Набор библиотек «РФК-АЦФ-АРС» реализации системы управления состоянием объекта. Свид. о гос. рег. прог. для ЭВМ № 2022663792 РФ. Заявл. 01.07.2022, опубл. 20.07.2022.