Лекц комплекс СМИОСУ 2017. Конспект лекций для магистрантов специальности 6М070200 Автоматизация и управление
 Скачать 4.07 Mb.
|
Лекция 27 Параметрическая статистическая идентификация (часть 6)Матрица наблюдаемости и фундаментальная матрица Магистрантам радиотехнических специальностей часто читают и даже пытаются объяснять, такой алгоритм фильтрации, как рекуррентный байесовский фильтр, типа фильтр Калмана. На первых порах такой алгоритм крайне тяжело воспринимаются. И, как правило, такой алгоритм магистрантам преподносят абстрактном языке. И пока ты сидишь и вспоминаешь значение того или иного словечка, понимание сути этого алгоритма до тебя так и не доходит. Единственное, что в итоге запоминается, что этот фильтр придуманный Калманом очень хорошая штука, которая почти нигде не используется, потому что он трудно реализуем в аппаратуре. Действительно, реализация фильтра Калмана на борту космического аппарата или в навигационной аппаратуре потребителя была затруднительной, так как требовался достаточно мощный процессор и приличный объем памяти, т.е. значительное увеличение габаритов аппаратуры и, соответственно, массы. Как правило, использовался наиболее простой (и в реализации) метод наименьших квадратов (МНК), алгоритм фильтрации по полной выборке. По сравнению с фильтром Калмана, МНК не использует априорной информации о движении объекта и оценка состояния выполняется на основе выборки измерений. Т.е. до получение первой качественной оценки состояния объекта помимо времени на получение информации от навигационных спутников (альманахи, эфемериды и т.д.) прибавляется время на накопление измерений. Навигаторы с МНК плохо определяют именно движущиеся объекты, но если, с уже включенным приемником, вы постоите минут 5 на одном месте, тогда навигатор может показать ваше местоположение с точностью до сантиметров. Фильтр Калмана, в свою очередь, после получения первых измерений, в состоянии достаточно качественно сделать оценку движение объекта. Априорная информация о движении объекта в алгоритме выражается в матрицах наблюдаемости (H) и фундаментальной матрице (Ф). Итак. Вот, собственно, сам фильтра Калмана (точнее, одно из его представлений):  (27.1)Пример взят из книги Сетевые спутниковые радионавигационные системы Для простоты рассмотрим фильтр для вектора состояния q из шести элементов: три проекции радиус-вектора (радиус-вектор с началом в центре Земли, направленный в центр масс объекта) и три проекции вектора скорости объекта.  Для магистрантов, изучающих такой фильтр, трудности доставляют, в основном, именно эти две матрицы: матрица наблюдаемости и фундаментальная матрица. Попробуем объяснить построение этих матриц как можно проще (в пределах разумного). Начнем с матрицы наблюдаемости. Предположим, что мы находимся на борту космического аппарата. Помимо нас на борту есть такие навигационные средства, как ИНС (инерциальная навигационная система, пусть будет платформенная) и спутниковая навигационная система (какой-нибудь GPS/ГЛОНАСС-приемник). Предположим, что в каждый момент времени нам с помощью ИНС, известны все параметры нашего движения q={Rx, Ry, Rz, Vx, Vy, Vz,}. И вроде бы всё замечательно. Но интуиция, а может эхо давно забытых лекций, подсказывает нам, что эти платформенные ИНС имеют обычай «уходить», т.е. накапливать ошибку. И, значит, со временем станет не очень понятно, как мы вообще движемся. Чтобы скорректировать ИНС к нам на помощь приходит достаточно точный GPS/ГЛОНАСС – приемник. (Правда слегка недоделанный: Нам еще самим нужно будет высчитывать псевдодальности и псевдоскорости.) Но и приемник не может выдавать абсолютно точные оценки. А если вспомнить, что наш космический аппарат находится в агрессивной среде, где на него воздействуют нецентральные гравитационные силы Земли, Луны и Солнца. Может быть там еще есть и верхняя атмосфера Земли. Короче говоря, сплошные ошибки и погрешности. Но чтобы отфильтровать эти ошибки нам как раз пригодится фильтр Калмана. Но вот беда: в алгоритме фильтрации нужно реализовать некую матрицу наблюдаемости (Н), которая связывает измерения GPS/ГЛОНАСС – приемника и вектор состояния, получаемый с помощью ИНС. В, общем-то, это некая матрица перехода связывающая наши реальные (по ИНС) местоположение и скорость с измерениями GPS/ГЛОНАСС – приемника. Есть такая функция y=A*x, так вот, если сопоставить эту функцию с тем, что я написал выше, получится: [вектор состояния (навигационный (по ИНС))] = А* [измерения приемника]. Так вот A – это и есть Н, матрица наблюдаемости. Размерность этой матрицы nх6. 6 - это число элементов вектора состояния, n – число измерений. Предположим, что наш GPS/ГЛОНАСС – приемник наблюдает в данный момент только 3 навигационных спутника. Тогда от этих спутников мы можем получить максимум 6 измерений: псевдодальность и псевдоскорость от одного спутника, псевдодальность и псевдоскорость от другого и т.д. Следовательно, размерность матрицы 6х6. Вот нужно теперь определить эту матрицу. Роясь в карманах, находим маленькую книжечку. Нам её, незаметно, засунули в центре управления полетами. В ней находим главу «Модель измерений». Как правило, такая модель описывается формулой (в данном случае двумя: для псевдодальности и псевдоскорости). Из чего эти формулы состоят, разбирать не будем. Предположим, что эти формулы есть, и все их компоненты нам понятны. Заполним первую строку матрицы наблюдаемости. Если перевести текст по заполнению матрицы, из умных книг, и адаптировать для его для среднего магистранта получится приблизительно следующее: возьмем формулу модели измерения для псевдодальности и продифференцируем сначала по Rх, таким образом получим первый элемент матрицы наблюдаемости, потом по Ry – получим второй элемент матрицы наблюдаемости, первой строки и т.д. до Vz. Для заполнения второй строки необходимо взять уравнение модели измерения для псевдоскорости и проделать с ней такие же операции. Таким образом, вперемежку, аналитически заполнится вся матрица наблюдаемости. Останется только запрограммировать её. Правильно ли вы составили матрицу наблюдаемости? Её строки, по сути, будут единичными векторами, направленными на навигационный спутник. Так что, если модуль строки матрицы наблюдаемости равен 1, то скорее всего вы правильно продифференцировали. Теперь фундаментальная матрица. Эта матрица, описывающая динамику состояния объекта. На пальцах её суть можно объяснить следующим образом: Ваш вестибулярный аппарат задаёт, связанную с вами, систему координат. Вот вы стоите неподвижно в углу. Угол комнаты задает инерциальную систему координат. В какой-то момент вы решили развернуться на 180 градусов и делаете это(долго разворачиваетесь, секунд 5). Так вот фундаментальная матрица - это некое описание вашего движения, относительно угла комнаты, с момента времени начала вашего поворота до его окончания, т.е. движение связанной системы координат (в проекциях на оси инерциальной) относительно инерциальной в заданном интервале времени. Более менее разобрались, что это за матрица такая. Теперь её нужно заполнить… Примени метод Рунге-Кутта для формирования фундаментальной матрицы. Заполнение фундаментальной матрицы. Берется “истинный” вектор состояния на момент времени начала вашего поворота и численно интегрируется на интервале времени в 5 секунд (интегрируется формула, выражающая модель нашего движения). Полученный вектор состояния запоминается. Назовем его Х. Берется “истинный” вектор состояния до вашего поворота и к первой компоненте вектора прибавляется некоторое приращение (100 метров). Пример: Rx+100 метров (если Rx в метрах). Остальные компоненты вектора не трогаем. Полученный вектор состояния интегрируется на 5 секунд. В результате получаем вектор Х*. Покомпонентно из вектора состояния Х вычитаем Х* и делим на приращение (также покомпонентно). В результате получаем 1-й столбец фундаментальной матрицы. Для получения остальных столбцов фундаментальной матрицы выполняются 2,3 пункты. (Номер элемента вектора состояния, к которому осуществляется приращение, соответствует номеру столбца фундаментальной матрицы). Если модель движения выражается формулой для кругового движения и ваш космический аппарат представлен материальной точкой, тогда очевидно на протяжении всего вашего полета, пересчитывая фундаментальную матрицу её значения будут практически постоянными. Методы идентификации с настраиваемыми адаптивными моделями См. [2, 4,] Основная литература Ахназарова С.Л., Кафаров В.В. Методы оптимизации эксперимента в химической технологии: Учебное пособие для вузов. - 2-е изд., перераб. и дополненное. -М.: Высшая школа, 1985. -327с. Современные методы идентификации систем. Под ред. П. Эйкгоффа, М.: Мир, 1983. Дополнительная литература Практикум по автоматике и системам управления производственными процессами: учеб. пособие для вузов /под ред. И.М.Масленникова. -М.: Химия, 1986. -336с. Гроп Д. Методы идентификации систем. - М.: Мир, 1979 |