Data-Based Moving Horizon Estimation for Linear Discrete-Time Systems
针对线性定常离散时间系统，提出了一种基于数据的滚动时域估计方法。该方案仅依赖于收集的数据，而不采用任何系统辨识步骤。基于数据的MHE的鲁棒全局指数稳定性的情况下，在线输出测量被破坏的一些非零测量噪声的标准假设下被证明。仿真例子说明了基于数据的MHE方案的行为。
2022-04-28 cs.SY eess.SY
Approximating arrival costs in distributed moving horizon estimation: A recursive method
本文提出一种基于递归到达代价近似的分布式滚动时域估计方法，从线性无约束系统出发推导解析表达式，进而扩展到受约束非线性系统，并在基准化工过程中验证了其有效性与优越性。
2024-06-10 cs.SY eess.SY
Data-Driven Moving Horizon Estimation Using Bayesian Optimization
针对动态未知系统，提出基于贝叶斯优化的数据驱动移动时域估计方法，通过迭代更新局部线性模型逼近真实动态，并最小化代价函数，仿真验证了其有效性。
2023-11-12 cs.SY eess.SY
Robust Moving-horizon Estimation for Nonlinear Systems: From Perfect to Imperfect Optimization
本文研究受扰非线性离散时间系统的滚动时域估计，分析精确与不完美优化求解下估计误差的鲁棒及实际鲁棒稳定性，并通过数值示例验证设计性能。
2025-01-07 cs.SY eess.SY
A New Identification Framework For Off-Line Computation of Moving-Horizon Observers
CNRS, Gipsa-lab, University of Grenoble（法国国家科学研究中心，吉普萨实验室，格勒诺布尔大学）
提出一种结合非线性逼近器与约束二次规划离线计算移动视界观测器的新框架，并给出估计误差界，通过两个状态估计示例验证有效性。
2012-10-24 cs.SY eess.SY
Moving horizon partition-based state estimation of large-scale systems -- Revised version
针对大规模离散时间划分线性系统，提出三种基于滚动时域估计的降阶子系统状态估计方法，分析了不同方法的特性及估计误差收敛条件。
2024-01-31 cs.SY eess.SY
Multiple Window Moving Horizon Estimation
Mines（矿业学院）
本文提出多窗口移动时间窗估计方法，通过利用约束不活动性减少问题规模，改进传统MHE在长时间窗估计中的性能限制，降低计算时间和数值误差。
2014-02-13 cs.SY eess.SY
Moving-Horizon State Estimation for Power Networks and Synchronous Generators
电力网络和发电机状态估计通常作为单独的问题来处理。我们提出了一个动态的计划，同时估计的网络和发电机的状态。该估计公式化为一个优化问题上的一个移动的地平线上的过去的观察。该框架是静态状态估计的推广，它可以处理不完整的模型知识，并不需要PMU的静态网络可观性。数值结果表明，与静态状态估计相比，该方法提高了估计精度。此外，准确的估计发电机的内部状态没有PMU在其终端上可以实现。最后，我们强调了所提出的估计检测和识别坏数据的能力。
2022-07-25 cs.SY eess.SY
A simple suboptimal moving horizon estimation scheme with guaranteed robust stability
针对一般的非线性系统，提出了一种次优滚动时域估计方法。为此，我们考虑一个MHE配方，优化了一个鲁棒稳定的观察员的轨迹。假设观测器允许一个李雅普诺夫函数，我们证明了这个函数是一个M-步李雅普诺夫函数次优MHE。所提出的充分条件可以很容易地在实践中验证。我们通过标准非线性基准测试示例说明了所提出的次优MHE方案的实用性。在这里，执行单次迭代足以在有效的理论保证下显著改善观测器的估计结果。
2022-07-15 cs.SY eess.SY
Robust Air Data Sensor Fault Diagnosis With Enhanced Fault Sensitivity Using Moving Horizon Estimation
Delft Center for Systems and Control, Delft University of Technology（代尔夫特系统与控制中心，代尔夫特理工大学）
本文研究了风速数据传感器在风的影响下鲁棒性故障诊断，提出基于移动时间窗估计的约束残差生成器，通过利用已知风界来提高故障敏感性，通过分析KKT条件证明其改进源于故障激活的不等式约束，利用空客模拟器验证了方法优势。
2016-02-24 cs.SY eess.SY
Robust Self-Triggered Control Approaches Optimizing Sensors Utilization with Asynchronous Measurements
CRIStAL (Research Center in Computer Science, Signal and Automatic Control of Lille), UMR 9189, CNRS, University of Lille, Centrale Lille（里尔计算机科学与信号与自动控制研究中心（CRIStAL），法国国家科学研究中心，里尔大学，中央理工学院）
本文提出自触发控制方法，通过优化传感器利用率和异步测量，实现网络系统中资源高效的控制。
2025-11-20 cs.SY eess.SY
Data-Driven Moving Horizon Estimators for Linear Systems with Sample Complexity Analysis
State Key Laboratory of CNS/ATM, Beijing Institute of Technology（北京理工大学 CNS/ATM 国家重点实验室）；School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（皇家理工学院电气与计算机科学学院）；Department of Systems Science, School of Mathematics, Southeast University（东南大学数学学院系统科学系）
本文研究了受高斯噪声影响的线性系统状态估计问题，设计了新的数据驱动移动时间窗估计器（DDMHE），并通过采样复杂度分析证明了其估计误差的有界性及与传统移动时间窗估计器的性能差距。
2026-04-09 cs.SY eess.SY
Iterative distributed moving horizon estimation of linear systems with penalties on both system disturbances and noise
针对一般线性系统，提出通过模型与目标函数分区实现的迭代分布式 MHE，覆盖无约束及硬约束情形，并给出收敛与误差稳定性条件。
2024-04-10 cs.SY eess.SY
Robust Stability of Suboptimal Moving Horizon Estimation using an Observer-Based Candidate Solution
本文针对非线性系统提出了一种次优滚动时域估计器。对于稳定性分析，我们转移的“可行性，意味着稳定性/鲁棒性”的范例从模型预测控制的上下文中的滚动时域估计在以下意义上：使用一个适当定义的，可行的候选人的解决方案的基础上的轨迹的辅助观察员，鲁棒稳定性的建议次优估计继承独立的地平线长度，即使没有进行优化。
2021-09-10 cs.SY eess.SY math.OC
Model Predictive Control and Moving Horizon Estimation using Statistically Weighted Data-Based Ensemble Models
Politecnico di Milano（米兰理工大学）；Delft University of Technology（代尔夫特理工大学）
本文提出了一种基于统计加权数据驱动集成模型的MPC框架，通过结合移动时间窗估计开发新型状态观测器，实现复杂系统在多种操作条件下的最优控制。
2025-11-26 cs.SY eess.SY
Robust Variable-Horizon MPC for Landing a Multirotor UAV on a Moving Platform
TU/e, Eindhoven University of Technology（埃因霍温理工大学）
针对多旋翼无人机在移动平台着陆的非平衡目标问题，提出一种计算高效的鲁棒变时域MPC方法，通过限制时域搜索和利用微分平坦性实现实时控制，仿真与实验验证了其鲁棒性和有效性。
2026-09-29 cs.SY eess.SY
Suboptimal nonlinear moving horizon estimation
本文对一般的一类非线性系统提出了一种次优滚动时域估计器。对于稳定性分析，我们转移的“可行性，意味着稳定性/鲁棒性”的范例从模型预测控制的上下文中的滚动时域估计在以下意义上：使用一个适当定义的，可行的候选解决方案的基础上的辅助观测器，鲁棒稳定性的建议次优估计继承独立的地平线的长度，即使没有进行优化。此外，所提出的设计允许在两个结构不同的代价函数之间进行选择：前者以通常在实践中使用的标准最小二乘方法的方式，而后者遵循时间折扣修改，从而得到更好的理论保证。我们提出的次优估计的非线性化学反应器的过程中，验证的理论假设，并表明，即使是几次迭代的优化器是足以显着提高辅助观测器的估计结果。此外，我们说明了所提出的设计的灵活性，采用不同的求解器和比较的性能与两个国家的最先进的快速MHE计划从文献中。
2022-07-15 cs.SY eess.SY
Implementation of real-time moving horizon estimation for robust air data sensor fault diagnosis in the RECONFIGURE benchmark
Delft University of Technology（代尔夫特理工大学）
本文提出了一种稳健的故障诊断与估计方法，用于RECONFIGURE基准中的校准空速和攻角传感器故障。通过引入风动态的低阶纵向模型，并提出约束残差生成器以提高风中的故障灵敏度，采用高效的结构利用算法实现实时迭代，验证了方法的有效性。
2016-06-04 cs.SY eess.SY
Data-based Moving Horizon Estimation under Irregularly Measured Data
Leibniz University Hannover（汉诺威莱布尼茨大学）
本文提出一种基于样本和数据的移动时间窗估计框架，用于线性系统状态估计，利用不规则测量数据，并通过隐式系统表示实现鲁棒稳定性。
2026-05-07 cs.SY eess.SY
Robust Data-Driven Moving Horizon Estimation for Linear Discrete-Time Systems
针对受有界持续噪声影响的线性离散时间系统，提出一种无需系统辨识、仅依赖离线数据的鲁棒数据驱动 MHE 方案，并证明其实用鲁棒指数稳定性，仿真表明其可与基于模型的 MHE 相比。
2024-02-28 cs.SY eess.SY
Robust Stability of Gaussian Process Based Moving Horizon Estimation
本研究提出基于高斯过程的滚动时域估计框架，用高斯过程后验均值替代系统模型、后验方差调整代价权重，证明其鲁棒指数稳定性并通过非线性系统验证性能。
2023-06-14 cs.SY eess.SY
A moving horizon state and parameter estimation scheme with guaranteed robust convergence
提出一种移动时域估计方案，用于非线性不确定离散系统的联合状态与参数估计，并证明其在扰动和噪声下具有鲁棒指数收敛性，通过数值示例验证。
2023-12-22 cs.SY eess.SY
On Adaptive Measurement Inclusion Rate In Real-Time Moving-Horizon Observers
University of Grenoble（格勒诺布尔大学）
本文研究了实时移动时间窗口状态估计算法中新测量数据纳入速率的自适应机制，通过示例验证了所提更新规则的相关性。
2013-09-19 cs.SY eess.SY math.OC
Partial Extended Observability Certification and Optimal Design of Moving Horizon Estimators Under Uncertainties
本文讨论了在测量噪声和参数不确定性的情况下，系统的可观测性分析和观测参数的最优设计。主要的基本框架是非线性约束的滚动时域估计设计和概率认证通过随机优化。由于完美的可观性的概念是不相关的考虑不确定和噪声的背景下，几乎$ε$ -可观性的概念被引入和系统的程序来评估其满意度为一个给定的系统与先验已知的测量噪声统计和参数的差异勾勒。一个很好的特点，在所提出的框架是，可观测性不一定被定义为重建整个状态的能力，而是，更一般的概念，观察目标量使用，以便人们可以分析的精度与具体选择的状态和参数的表达式可以被重建。通过一个说明性的例子暴露和验证的整体框架。
2021-02-04 cs.SY eess.SY
Sample-based detectability and moving horizon state estimation of continuous-time systems
Leibniz University Hannover（汉诺威莱布尼茨大学）
提出非线性连续时间系统在非规则输出测量下的可检测性条件（采样增量输入/输出至状态稳定性），并设计采样移动时域估计方案，通过生物医学仿真验证其鲁棒稳定性。
2026-07-07 cs.SY eess.SY
Nonlinear Moving Horizon Estimation and Model Predictive Control for Buildings with Unknown HVAC Dynamics
我们提出了一种解决方案，建模和在线识别的供暖，通风和空调（HVAC）控制在建筑物中。我们的方法包括：（a）基于一阶能量平衡的电阻-电容（RC）模型，用于导出区域温度动态，以及（b）神经网络，用于对HVAC动态进行建模。利用非线性滚动时域估计（MHE），在系统状态物理约束下，同时进行状态估计和模型辨识。我们利用模型预测控制（MPC）的乘员舒适度满意度和暖通空调节能的识别模型，并使用仿真验证的方法。我们的系统仅依赖于建筑管理系统数据，不需要大量的数据存储，也不需要详细的建筑模型。这可以显著地帮助MPC的大规模采用，以用于未来网格交互式建筑物的以居住者为中心的控制。
2022-11-18 cs.SY eess.SY
Robust stability of moving horizon estimation for continuous-time systems
针对一般非线性连续时间系统，提出基于折扣最小二乘的移动时域估计方案，证明i-iIOSS条件下长时域可保证估计误差鲁棒指数稳定，给出可通过线性矩阵不等式验证的李雅普诺夫构造方法与灵活MHE框架。
2024-01-31 cs.SY eess.SY
Data-driven Moving Horizon Estimation for Angular Velocity of Space Noncooperative Target in Eddy Current De-tumbling Mission
Chang’an University（长安大学）；Northwestern Polytechnical University（西北工业大学）；South China University of Technology（华南理工大学）
本文提出一种数据驱动的移动时间窗估计方法，用于估计涡流去扭任务中非合作目标的角速度，通过仅需一个满足秩条件的历史轨迹数据实现无模型状态估计，并利用局部线性近似扩展Willems基本引理，设计基于M步Lyapunov函数的算法，保证时间折扣鲁棒稳定性。
2026-04-02 cs.SY eess.SY
MAP moving horizon state estimation with binary measurements
Università degli Studi di Firenze（佛罗伦萨大学）；Istituto Nazionale di Fisica Nucleare (INFN)（意大利国家核物理研究所）
本文提出基于MAP方法和移动时间近似优化的二值测量系统状态估计方法，针对线性系统和对数凹概率密度分布，证明在每个采样间隔内可解凸优化问题，并通过扩散场动态估计验证方法有效性。
2018-04-06 cs.SY eess.SY
Distributed Model Predictive Control for Asynchronous Multi-agent Systems with Self-Triggered Coordinator
针对带外部干扰的异步非线性多智能体系统，提出结合自触发生成器与预测时域调节器的分布式模型预测控制方法，实现控制性能与能耗的平衡及异步通信下的协调，验证了可行性与稳定性。
2024-05-17 cs.SY eess.SY nlin.AO
Moving horizon estimation for nonlinear systems with time-varying parameters
针对非线性时变参数系统，提出含自适应正则化项的滚动时域估计方案，在参数可观测性依赖系统激励且可能缺失的情况下，保证估计误差鲁棒有界性，可观测频率越高性能越优，仿真验证了理论结果。
2025-08-20 cs.SY eess.SY
Moving-Horizon Dynamic Power System State Estimation Using Semidefinite Relaxation
Beijing Institute of Technology（北京理工大学）；University of Minnesota（明尼苏达大学）
本文提出一种基于半正定松弛的移动时间窗动态状态估计方法，以解决非线性测量模型带来的局部最优问题，提升电力系统状态估计的准确性与预测性。
2014-01-20 cs.SY eess.SY
Moving Horizon Estimation for ARMAX process with t-Distribution Noise
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）；University of Cambridge（剑桥大学）
本文提出基于t分布噪声的ARMAX过程最大似然估计器，通过影响函数实现高效递归解，具有更强的鲁棒性且计算效率更高。
2017-06-20 cs.SY eess.SY
Moving Horizon Estimation of Hybrid Systems Using Hybrid Zonotopes and Mixed-Integer Quadratic Programs
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种基于混合zonotope和混合整数二次规划的混合系统移动时域估计方法，通过可达性计算构建可行空间并提升状态空间估计动态模式，求解速度较标准混合逻辑动态系统方法提升数个数量级。
2026-10-09 cs.SY eess.SY
Primal-dual Estimator Learning: an Offline Constrained Moving Horizon Estimation Method with Feasibility and Near-optimality Guarantees
本文提出了一个原始-对偶框架，利用滚动时域方法学习线性约束估计问题的稳定估计器。为了避免大多数现有方法中的在线计算负担，我们离线学习参数化函数来近似原始估计。同时，训练一个对偶估计器来检查原始估计器在执行时的次优性。原始估计量和对偶估计量都是使用监督学习技术从数据中学习的，并且提供了明确的样本大小，这使我们能够保证每个学习估计量在可行性和最优性方面的质量。这反过来又允许我们限制学习估计器不可行或次优的概率。此外，我们分析了所得到的估计的稳定性与有界误差的最小化的代价函数。由于我们的算法不需要在运行时的优化问题的解决方案，状态估计几乎可以立即在线生成。仿真结果表明，所提出的框架相比，在线优化的滚动时域估计和卡尔曼滤波器的准确性和时间效率。据我们所知，这是第一个基于学习的状态估计器的可行性和近最优性保证线性约束系统。
2022-04-06 cs.SY eess.SY
Adaptive arrival cost update for improving Moving Horizon Estimation performance
Research Institute for Signals, Systems and Computational Intelligence, sinc(i), FICH-UNL/CONICET（信号、系统与计算智能研究所）
本文提出一种自适应更新到达成本参数的方法，以改进移动视界估计的性能，在保证估计稳定性和收敛性的同时显著降低优化问题规模。
2026-06-02 cs.SY eess.SY
Nonlinear moving horizon estimation for robust state and parameter estimation -- extended version
Leibniz University Hannover（汉诺威莱布尼茨大学）
本文提出了一种非线性移动时间窗估计方法，用于鲁棒估计离散时间系统状态和参数，通过在线激励信息自动调整正则化项，确保误差有界并实现鲁棒稳定性。
2025-12-19 cs.SY eess.SY
Moving horizon estimation for discrete-time linear systems with binary sensors: algorithms and stability results
Università di Firenze（佛罗伦萨大学）；CSDC, Università di Firenze, INFN, and LENS（CSDC、佛罗伦萨大学、INFN和LENS）；QSTAR
本文针对具有二进制测量的离散时间线性系统提出移动时间估计算法，通过不同的成本函数和约束条件探讨稳定性与性能。
2018-04-04 cs.SY eess.SY
Self-tuning moving horizon estimation of nonlinear systems via physics-informed machine learning Koopman modeling
本文提出物理信息学习的库普曼建模方法，结合状态提升与噪声表征网络建立随机线性模型，并据此设计权重矩阵在线自校正的滚动时域估计方案，在化工过程仿真中验证了其有效性与计算效率。
2024-10-12 cs.SY eess.SY
Real-time Battery State of Charge and parameters estimation through Multi-Rate Moving Horizon Estimator
针对电池非线性参数导致荷电状态（SOC）与参数联合估计困难的问题，提出一种结合多速率与降阶MHE的并行化鲁棒估计方法，有效实现了实时SOC与参数估计并在Simulink模型上验证。
2023-10-22 cs.SY eess.SY
Learning-based data-enabled moving horizon estimation with application to membrane-based biological wastewater treatment process
Nanyang Technological University（南洋理工大学）；Nanyang Environment and Water Research Institute, Nanyang Technological University（南洋理工大学南洋环境与水研究院）
本文提出了一种无需显式建模的非线性系统数据增强移动时间窗估计方法，通过结合Koopman算子理论和Willems基本引理，利用神经网络直接从数据中学习提升函数和调度映射，构建轨迹表示，从而实现对非线性系统状态的实时估计和重构，并保证估计误差的稳定性。
2026-05-18 cs.SY eess.SY
Strong nonlinear detectability and moving horizon estimation for nonlinear systems with unknown inputs
Chemnitz University of Technology（开姆尼茨工业大学）
本文提出强非线性可检测性概念，设计了基于移动时间窗估计的未知输入状态估计器，通过仿真验证其在非线性系统中处理未知输入的有效性。
2025-11-28 cs.SY eess.SY
Sub-Optimal Moving Horizon Estimation in Feedback Control of Linear Constrained Systems
本文针对计算能力受限平台，提出以固定迭代次数次优求解MHE优化问题，并利用小增益定理给出保证闭环系统输入到状态稳定的迭代次数条件。
2023-04-13 cs.SY eess.SY
Observer-based Event-triggered Boundary Control of the One-phase Stefan Problem
本文针对单相Stefan问题提出基于观测器的事件触发边界控制策略，利用移动界面位置和速度测量，通过backstepping方法设计观测器和控制器，并证明闭环系统全局指数收敛且无Zeno行为。
2023-08-11 cs.SY eess.SY
Sample-based Moving Horizon Estimation
Leibniz University Hannover, Institute of Automatic Control（汉诺威莱布尼茨大学，自动控制研究所）
本文提出一种基于样本的移动时间窗估计方法，用于估计非线性系统当前状态，利用不规则或不频繁的测量数据，并通过样本基于的i-IOSS条件证明了该方法的鲁棒全局指数稳定性。
2026-03-23 cs.SY eess.SY
Metamorphic Moving Horizon Estimation
Australian Centre for Field Robotics, The University of Sydney（澳大利亚悉尼大学野外机器人中心）
本文提出一种方法，将预估计器与参数λ结合到MHE的二次成本函数中，通过调整λ逐步提升估计性能。
2018-07-05 cs.SY eess.SY
Efficient Fault Diagnosis in Lithium-Ion Battery Packs: A Structural Approach with Moving Horizon Estimation
本文提出一种利用电池组结构特性的分层滑窗估计（MHE）方法，用于估计内外短路及传感器故障，在保证有效性的同时显著降低了计算复杂度与传感器需求。
2025-03-01 cs.SY eess.SY
Multi-Agent Event-Triggered LQG Control under Shared Communication Constraints
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文针对共享通信容量受限的多智能体系统，提出基于MILP的滚动时域调度器及拍卖启发式调度器，实现事件触发LQG控制，在性能与通信成本间取得最佳权衡。
2026-09-21 cs.SY eess.SY
Gaussian Process-Based Nonlinear Moving Horizon Estimation
本文针对未知非线性系统提出一种基于高斯过程的移动地平线估计框架，利用GP后验均值近似系统动态并用后验方差设计代价函数权重矩阵，证明了该方案的鲁棒稳定性及增量输入/输出到状态稳定性的充分条件，仿真表明其性能优于标准代价函数。
2025-06-30 cs.SY eess.SY
Local Observability and Moving Horizon Estimation-based Training of Feedforward Neural Networks
Leibniz University Hannover（汉诺威莱布尼茨大学）
从控制理论角度，将前馈神经网络重新表述为以权重为状态的动态系统，通过局部可观性分析设计持续激励输入，提出基于移动视界估计的训练方法，并给出收敛保证。
2026-05-27 cs.SY eess.SY
Trade-Offs in Stochastic Event-Triggered Control
Paderborn University（帕德博恩大学）；University of Notre Dame（圣母大学）
本文研究了线性时不变系统中随机事件触发调度下的最优输出反馈控制，旨在通过减少传感器到控制器的通信量来提高网络能耗效率，并设计控制策略以最小化二次成本函数。
2017-08-09 cs.SY eess.SY
MAP moving horizon estimation for threshold measurements with application to field monitoring
本文研究了分布在空间域上的时间和空间阈值传感器给出噪声测量的空间分布系统的状态估计。最大后验概率（MAP）的方法进行和移动地平线（MH）近似的MAP成本函数。证明了在系统线性和噪声概率密度函数为对数分布的情况下，所提出的MH-MAP状态估计器在每个采样间隔上都是一个凸优化问题的解。此外，一个合适的大规模系统的集中式解决方案，提出了一个显着降低的计算复杂度。后一种算法被证明是可行的状态估计的空间依赖的动态场所描述的偏微分方程（PDE）通过使用有限元（FE）空间离散化方法。一个模拟的案例研究有关的扩散场的估计，以证明所提出的方法的有效性。非常值得注意的是，数值试验显示出所提出的方法的噪声辅助行为，在存在具有非零方差的测量噪声的情况下，估计精度结果是最佳的。
2019-09-20 cs.SY eess.SY
Learning-based Moving Horizon Estimation through Differentiable Convex Optimization Layers
为了控制动力系统，必须根据不确定的传感器测量和现有的系统知识获得当前系统状态的准确估计。基于优化的移动时域估计（MHE）方法使用系统的动态模型，并且进一步允许对系统状态和不确定性的物理约束的集成，以获得状态估计的轨迹。在这项工作中，我们解决的问题，状态估计的情况下，约束线性系统的参数不确定性。所提出的方法利用可微凸优化层制定的MHE状态估计器的不确定参数的系统。该公式允许我们获得平方和正则化输出误差的梯度，基于传感器测量和状态估计，相对于未知系统参数的当前置信度。然后可以使用随机梯度下降（SGD）在线更新MHE问题中的参数，以提高MHE的性能。在一组制造机器的温度估计的数值例子中，我们示出了调整未知系统参数的性能和在MHE制定中集成物理状态约束的好处。
2022-05-02 cs.SY eess.SY
Nonlinear Full Information and Moving Horizon Estimation: Robust Global Asymptotic Stability
在本文中，我们提出了时间折扣计划的充分信息估计（FIE）和滚动时域估计（MHE）是鲁棒的全局渐近稳定（RGAS）。本文研究了一般非线性系统的动态特性，其中非线性过程和输出扰动是先验未知的。对于FIE是RGAS，我们唯一的假设是系统是时间折扣增量输入-输出-状态稳定（i-IOSS）的，并且时间折扣的FIE代价函数与i-IOSS估计兼容。由于对于i-IOSS系统这样一个兼容的代价函数总是可以设计的，我们表明，i-IOSS是足够的RGAS观察员的存在。基于FIE的稳定性结果，我们提供了充分的条件，使得诱导MHE计划是RGAS以及足够大的视野。对于这两种方案，我们可以保证收敛的估计误差的情况下，干扰收敛到零，而无需结合先验知识。最后，我们提出了明确的收敛速度，并显示如何验证MHE结果接近FIE结果增加视野。
2023-01-18 cs.SY eess.SY math.OC
