自动驾驶-基础数学知识理解

最新推荐文章于 2024-01-14 13:51:17 发布

AgingMoon

最新推荐文章于 2024-01-14 13:51:17 发布

阅读量1.7k

点赞数 3

分类专栏： Automatic Driving 自动驾驶文章标签：自动驾驶贝叶斯卡尔曼

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/AgingMoon/article/details/108694727

版权

自动驾驶同时被 2 个专栏收录

23 篇文章 60 订阅

订阅专栏

Automatic Driving

21 篇文章 65 订阅

订阅专栏

目录

1.贝叶斯公式

2.卡尔曼滤波

1.贝叶斯公式

首先直接上图上公式

$P(A|B) = \frac{P(A) P(B|A)}{P(B)} = \frac{P(A\cap B)}{P(B)}$

$P(B|A) = \frac{P(B) P(A|B)}{P(A)} = \frac{P(A\cap B)}{P(A)}$

公式的理解：这个公式想干的事情很简单，就是A和B两个事情有关系，我们想知道，假如B这件事发生了，A发生的概率。

从图中和公式中，可以很直观的理解，想要知道当B发生时A发生的概率，那么肯定是A与B的交集比上B，反过来一样理解，因此就有了所谓的贝叶斯公式。

好，我们更加详细理解下公式里面的概念（记不住没关系，理解才是关键）：

P(A|B) 是在 B 发生的情况下 A 发生的概率；

P(A) 是 A 发生的概率；

P(B|A) 是在 A 发生的情况下 B 发生的概率；

P(B) 是 B 发生的概率。

2.卡尔曼滤波

首先说说卡尔曼滤波用来做啥，一句话【 根据当前"测量值" 和上一刻的 "预测量" 和 "误差",计算得到当前的最优值. 再预测下一刻的值】，就是为了在有噪声有干扰下，进一步接近真实的值。

下面我们以测量头发丝的大小为例进行说明。

首先来个假设，咱这把尺子精度一般般，测量有一定误差，同时我们也会根据个人经验进行一定的估计，估计准确度也一般般；

测量和估计误差符合高斯分布，啥是高斯分布，见下图来个直观理解（u期望值 δ^2 方差）

下面举例来直观理解：

【估计值X1】根据经验，我们估计头发丝的大小为100微米；

【测量值Z1】用我们那把差尺去测量头发大小为90微米；

【权重Kx 】那么你更相信估出来的值还是更相信测量的值，好吧，我们得给他们分配一个权重（信任度）；

【递归测量】一次测量估计，我们觉得不太准，因此我们考虑多次估计和测量，为了保证最终估计结果越来越准确，我们按这个方向去做估计：

$X_{i} = X_{i-1} +K_{i}(Z_{i-1} - X_{i-1})$

以上公式一点也不难理解，就是我们每次估计和测量的偏差乘以我们的对其的信任度，就可以得到下一次测量估计的值。

【信任度（实名卡尔曼增益）】这个信任度怎么来呢，当然不能凭感觉，因为我们假设误差或干扰符合高斯分布，例如噪声误差为4微米，上一时刻估计的误差是3微米，那么该时刻的预测误差 = $\sqrt{4^2 +3^2}$ = 5 信任度（也就是协方差） = $\sqrt{\frac{5^2}{5^2 + 4^2}} = 0.78 = K_{i}$ ，而卡尔曼滤波的关键就是这个信任度的求取。

以上，以举例的方式，可以比较直观了解下卡尔曼滤波的原理，下面将进一步说明数学原理。

【系统状态】

$x_{k} = A x_{k-1} + B u_{k-1} + q_{k-1}$

$z_{k} = H x_{k} + r_{k}$

$x_{k}$ 估计纠正值 $z_{k}$ 测量值 $q_{k}$ 估计误差 $r_{k}$ 测量误差 $u_{k}$ 系统控制量 A和B为系统参数 H为测量参数

【卡尔曼滤波更新过程】

step1：估计状态

$x_{k}^{-} = A x_{k-1} + B u_{k-1}$ (注意这里 $x_{k}^{-}$ 仅为估计值，没有纠正项)

step2：计算卡尔曼增益（也就是前文提到的信任度，注意以下三个公式循环）

$P_{k}^{-} = A P_{k-1} A^{T} + Q$ (根据k-1时刻，预测k时刻的协方差)

$K_{k} = P_{k}^{-} H^{T}(HP_{k}^{-} H^{T}+ R)^{-1}$ (卡尔曼增益为预测协方差比上（预测协方差+测量协方差）)

$P_{k} = (1-K_{k}H)P_{k}^{-}$ (估计的协方差纠正，这里的 $P_{k}$ 为k时刻的协方差)

step3：计算下一时刻的准确估计值

$x_{k} = x_{k}^{-} + K_{k}(z_{k} - Hx_{k}^{-})$

3.CNN算法

待更

关注

3
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
自动驾驶-基础数学知识理解

目录1.贝叶斯公式2.卡尔曼滤波3.CNN算法1.贝叶斯公式首先直接上图上公式公式的理解：这个公式想干的事情很简单，就是A和B两个事情有关系，我们想知道，假如B这件事发生了，A发生的概率。从图中和公式中，可以很直观的理解，想要知道当B发生时A发生的概率，那么肯定是A与B的交集比上B，反过来一样理解，因此就有了所谓的贝叶斯公式。好，我们更加详细理解下公式里面的概念（记不住没关系，理解才是关键）： P(A|B) 是在 B 发生的情况下 A 发生的概率；...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。