30、工业系统的分布式控制与滤波：自调卡尔曼滤波的深入解析

工业系统的分布式控制与滤波：自调卡尔曼滤波的深入解析

1. 分布式控制与滤波的背景问题

在工业系统的分布式控制与滤波中，当所有节点之间没有直接通信时，会引入一个新问题，即如何仅结合相邻节点的估计值。为了最优地结合两个估计值，需要知道这些估计值之间的互信息。然而，对于一般的通信图，计算这个量是一项困难的任务，需要对拓扑结构有全局的了解。

在无环图的情况下，通过引入通道滤波器解决了这个问题，该方法还应用于协调搜索策略中。如果假设状态是恒定的，这个问题可以看作是一个分布式平均问题。而对于时变状态，使用共识滤波器将该问题进行了推广。此外，还有一个密切相关的领域是如何结合多个非通信估计器的估计值，即所谓的航迹关联融合算法。这个问题的不同之处在于，融合后的估计值仅被传送到中央节点用于某些任务，而不用于在各个节点计算新的估计值。

2. 多传感器数据融合与卡尔曼滤波架构

2.1 多传感器数据融合的概念

多传感器数据融合是工业中采用的一种协同方法，涉及融合来自各种本地资源（如本地传感器和各个子单元）的数据。收集到的数据被集中化，用于监测工厂的健康状况、控制各种场景以及根据本地条件做出即时决策。开发多传感器数据融合的一个关键问题是如何结合和收集来自各种本地资源的信息，以获得系统状态向量的准确联合估计。

2.2 两种基本融合架构

多传感器数据融合有两种基本架构：集中式和分布式（或分散式）。这两种架构都适用于特定场景。

当处理中心能够及时从本地传感器接收所有测量值时，可以使用集中式卡尔曼滤波（CKF）。这种方法适用于关键任务场景，每个本地传感器的本地信息都很重要，本地信息将处理后的数据（本地状