卡尔曼滤波是对系统的状态(如汽车的速度、加速度等)进行最优估计,因为观测数据中包含噪声和干扰,所以最优估计也可看作是滤波过程。下面是卡尔曼滤波的两个例子。
例1 估计发动机内部温度
如果想要测量火箭发动机内部的温度,可以将传感器放入发动机内部测出内部温度
T
i
n
T_{in}
Tin,但是传感器在内部会损坏无法正常工作。只能将传感器放在发动机外面,通过测量外部温度
T
e
x
t
T_{ext}
Text推算内部温度
T
i
n
T_{in}
Tin
例2 估计汽车的位置
GPS可接收卫星信号,对汽车位置进行定位。但是当汽车进入一个很长的隧道,GPS的信号较弱难以实现准确定位。此时我们可以根据IMU、Odometer结合GPS对汽车位置进行定位。通过三个有误差的值,估算出最正确的值。
IMU,惯性测量单元,测量汽车的加速度,通过对加速度二次积分算出骑车前进的距离,但是误差将不断累积,使得测量结果的误差随着汽车的前进变得越来越大。
Odometer,汽车里程表会记录行驶的距离,但是由于轮胎压力和道路状态,里程表的数据也并非准确。
该文章 通过估计小车的位置来讲解卡尔曼滤波。
铁轨上沿直线行驶的小车,我们可以通过车顶上的天线对其位置进行测量,但这个值存在干扰;同时我们也可根据小车的运动模型对其位置进行预测,比如上一时刻小车行驶了5m,而小车当前的速度为2m/s,那么下一秒小车应该行驶了7m,但这个值同样不准确。
假设我们对小车位置的测量符合正态分布(橙色部分)。
对于小车位置的估计也符合正态分布(蓝色部分),但是它们两者并不重合,那该怎么办呢?
见证奇迹的时刻到了,我们对估计和测量部分的正态分布进行处理,就得到了绿色部分的正态分布。而此时小车的位置就可以用绿色的部分来表示。
知乎上有很多大佬对卡尔曼滤波进行解释,更加深入的了解可以再去看看其他的文章 。