Kalman Filter的假设:
1、状态转换(Transition)和观察模型(Observation Model)皆为线性
Transition:
xt=Atxt−1+Btut+ϵt
Observation Model:
zt=Ctxt+δt
2、噪音模型(
ϵt以及δt
)均为高斯白噪音(Zero Mean Gaussian Noise)
At
是一个(
n×n
)的矩阵,用以描述在没有Control和Noise的情况下,如何从状态t-1转换到状态t。n为变量的数量。譬如,对于位置pose,若用
(x,y,z,θ)
来描述,那么n=4。
Bt
是一个(
n×l
)的矩阵,用以描述控制量(Control)
ut
是如何把状态从
xt−1
转化到
xt
的。
l
是控制量的数目。
若是u和x之间或者z和x之间非线性,则需要进行泰勒分解,而分解后各个子项为独立变量
若是独立变量过多,则会提升复杂度,在Inference的时候会消耗大量的computation power。若是泰勒子项过多,则需换Particle Filter。