卡尔曼滤波公式总结

引入一个离散控制过程系统:
X ( k ) = A X ( k − 1 ) + B U ( k ) + W ( k ) X_{(k)}=AX_{(k-1)}+BU_{(k)}+W_{(k)} X(k)=AX(k1)+BU(k)+W(k)

系统测量值:
Z ( k ) = H X ( k ) + V ( k ) Z_{(k)}=HX_{(k)}+V_{(k)} Z(k)=HX(k)+V(k)
卡尔曼5个核心公式:

基于上一时刻进行的计算:
(1) 系 统 状 态 值 : X ( k ∣ k − 1 ) = A X ( k − 1 ∣ k − 1 ) + B U ( k ) 系统状态值: X_{(k|k-1)} = AX_{(k-1|k-1)}+BU_{(k)} \tag{1} :X(kk1)=AX(k1k1)+BU(k)(1)

(2) 系 统 协 方 差 : P ( k ∣ k − 1 ) = A P ( k − 1 ∣ k − 1 ) A ′ + Q 系统协方差: P_{(k|k-1)} = AP_{(k-1|k-1)}A'+Q \tag{2} :P(kk1)=AP(k1k1)A+Q(2)

然后对当前时刻进行更新:

(3) X ( k ∣ k ) = X ( k ∣ k − 1 ) + K g ( k ) ( Z ( k ) − H X ( k ∣ k − 1 ) ) X_{(k|k)}=X_{(k|k-1)}+Kg_{(k)}(Z_{(k)}-HX_{(k|k-1)}) \tag{3} X(kk)=X(kk1)+Kg(k)(Z(k)HX(kk1))(3)

(4) 其 中 K g ( k ) = P ( k ∣ k − 1 ) H ’ H P ( k ∣ k − 1 ) H ’ + R 其中Kg_{(k)}=\frac{P_{(k|k-1)}H’}{HP_{(k|k-1)}H’+R} \tag{4} Kg(k)=HP(kk1)H+RP(kk1)H(4)

(5) P ( k ∣ k ) = ( I − K g ( k ) H ) P ( k ∣ k − 1 ) P_{(k|k)}=(I-Kg_{(k)}H)P_{(k|k-1)} \tag{5} P(kk)=(IKg(k)H)P(kk1)(5)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
分布式卡尔曼滤波(Distributed Kalman Filter, DKF)是在多传感器系统中应用卡尔曼滤波的一种扩展形式,主要用于估计和跟踪多个动态目标,同时考虑了传感器网络的结构和信息交互。DKF的核心思想是将单体卡尔曼滤波的过程分布式到网络中的各个节点,每个节点负责处理局部信息,并通过通信共享信息以获得全局最优估计。 基本的分布式卡尔曼滤波公式包括以下几个步骤: 1. **预测(Prediction)**: - 每个节点根据自己的状态方程和过程噪声预测下一个时间步的状态。 - 各节点更新自身的预测误差协方差。 2. **数据融合(Information Fusion)**: - 每个节点接收其他节点的观测信息,并利用它们更新自己的状态估计。 - 数据融合可能通过加权平均、信息增益或其他融合方法进行。 3. **局部测量更新(Local Measurement Update)**: - 每个节点使用自身的传感器测量数据和预测状态,进行局部的卡尔曼增益计算和状态更新。 4. **通信(Communication)**: - 节点间可能需要交换部分状态信息或误差协方差,以达到整体最优估计。 5. **状态传播(State Propagation)**: - 更新后的状态信息传递给其他节点,为下一轮迭代做准备。 相关问题: 1. 分布式卡尔曼滤波的主要应用场景是什么? 2. 如何设计合理的数据融合策略以优化整体性能? 3. 在分布式系统中,如何处理节点间的延迟和不完全同步问题?

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值