卡尔曼滤波器(19) -- 多维卡尔曼滤波器(总结)

This blog is translated from https://www.kalmanfilter.net/default.aspx.
It’s an excellent tutorial about Kalman Filter written by Alex Becker.

目录
卡尔曼滤波器(1) – 背景知识
卡尔曼滤波器(2) – α−β−γ滤波器(例1)
卡尔曼滤波器(3) – α−β−γ滤波器(例2)
卡尔曼滤波器(4) – α−β−γ滤波器(例3&例4&总结)
卡尔曼滤波器(5) – 一维卡尔曼滤波器(介绍)
卡尔曼滤波器(6) – 一维卡尔曼滤波器(例5&完整模型)
卡尔曼滤波器(7) – 一维卡尔曼滤波器(例6)
卡尔曼滤波器(8) – 一维卡尔曼滤波器(例7&例8)
卡尔曼滤波器(9) – 多维卡尔曼滤波器(前言&预备)
卡尔曼滤波器(10) – 多维卡尔曼滤波器(状态外推方程)
卡尔曼滤波器(11) – 多维卡尔曼滤波器(线性动态系统模型)
卡尔曼滤波器(12) – 多维卡尔曼滤波器(协方差外推方程)
卡尔曼滤波器(13) – 多维卡尔曼滤波器(测量方程)
卡尔曼滤波器(14) – 多维卡尔曼滤波器(简短总结)
卡尔曼滤波器(15) – 多维卡尔曼滤波器(状态更新方程)
卡尔曼滤波器(16) – 多维卡尔曼滤波器(协方差更新方程)
卡尔曼滤波器(17) – 多维卡尔曼滤波器(卡尔曼增益)
卡尔曼滤波器(18) – 多维卡尔曼滤波器(简化的协方差更新方程)
卡尔曼滤波器(19) – 多维卡尔曼滤波器(总结)
卡尔曼滤波器(20) – 多维卡尔曼滤波器(例9)

---

我们得出了所有 5 个矩阵形式的卡尔曼滤波器方程，让我们将所有内容放到一个页面中。卡尔曼滤波器以“预测－循环”方式运行。 如下图所示。

初始化后，卡尔曼滤波器将在下一个时间点预测系统状态。同样，卡尔曼滤波器提供了预测的不确定性。

一旦接收到测量值，卡尔曼滤波器就会更新（或修正预测）当前状态的不确定性。同样，卡尔曼滤波器预测下一个状态，等等。

下面是卡尔曼滤波器操作的完整示意图：

下面的表格是卡尔曼滤波器方程：

预测：

方程	方程名	又名
${\hat{x}}_{n+1,n}\text{x^n+1,n}{\hat{x}}_{n+1,n}=F\text{F}F{\hat{x}}_{n,n}\text{x^n,n}{\hat{x}}_{n,n}+G{u}_n\text{Gun}G{u}_n$	状态外推 (State Extrapolation)	预测者方程 (Predictor Equation) 过渡方程 (Transition Equation) 预测方程 (Prediction Equation) 动态模型 (Dynamic Model) 动态空间模型 (State Space Model)
$P_{n+1,n}\text{Pn+1,n}{P}_{n+1,n}=F\text{F}F{P}_{n,n}\text{Pn,n}{P}_{n,n}{F\text{F}F}^T+Q\text{Q}Q$	协方差外推 (Covariance Extrapolation)	预测者协方差方程 (Predictor Covariance Equation)

更新（矫正）：

方程	方程名	又名
${\hat{x}}_{n,n}\text{x^n,n}{\hat{x}}_{n,n}={\hat{x}}_{n,n-1}\text{x^n,n−1}{\hat{x}}_{n,n-1}+K_n\text{Kn}{K}_n(z_n\text{zn}{z}_n-H\text{H}H{\hat{x}}_{n,n-1}\text{x^n,n−1}{\hat{x}}_{n,n-1})$	状态更新 (State Update)	滤波方程 (Filtering Equation)
$P_{n,n}\text{Pn,n}{P}_{n,n}=(I\text{I}I-K_{n}H\text{KnH}{K}_{n}H)P_{n,n-1}\text{Pn,n−1}{P}_{n,n-1}(I\text{I}I-K_{n}H\text{KnH}{K}_{n}H{)}^T+K_n\text{Kn}{K}_n{R}_n\text{Rn}{R}_n{K_n\text{Kn}{K}_n}^T$	协方差更新 (Covariance Update)	矫正方程 (Corrector Equation)
$K_n\text{Kn}{K}_n=P_{n,n-1}\text{Pn,n−1}{P}_{n,n-1}{H\text{H}H}^T({H{P}_{n,n-1}H\text{HPn,n−1H}H{P}_{n,n-1}H}^T+R_n\text{Rn}{R}_n{)}^{-1}$	卡尔曼增益 (Kalman Gain)	权重方程 (Weight Equation)

辅助的：

方程	方程名	又名
$z_n\text{zn}{z}_n=H\text{H}H{x}_n\text{xn}{x}_n$	测量方程 (Measurement Equation)
$R_n\text{Rn}{R}_n=E({v_n{v}_n\text{vnvn}{v}_n{v}_n}^T)$	测量不确定性 (Measurement Uncertainty)	测量误差 (Measurement Error)
$Q_n\text{Qn}{Q}_n=E({w_n{w}_n\text{wnwn}{w}_n{w}_n}^T)$	过程噪声不确定性 (Process Noise Uncertainty)	过程噪声误差 (Process Noise Error)
$P_{n,n}\text{Pn,n}{P}_{n,n}=E({e_n{e}_n\text{enen}{e}_n{e}_n}^T)=E\left((x_n\text{xn}{x}_n-{\hat{x}}_{n,n}\text{x^n,n}{\hat{x}}_{n,n})(x_n\text{xn}{x}_n-{\hat{x}}_{n,n}\text{x^n,n}{\hat{x}}_{n,n}{)}^T\right)$	估计不确定性 (Estimation Uncertainty)	估计不确定性误差 (Estimation Error)

下面是符号的总结：

Term	Name	Alternative term	Dimensions
$x\text{x}x$	状态向量（State Vector）		$n_x\times 1$
$z\text{z}z$	输出向量（Output Vector）	$y\text{y}y$	$n_z\times 1$
$F\text{F}F$	状态过渡矩阵（State Transition Matrix）	$\Phi ,A\text{Φ,A}\Phi ,A$	$n_x\times n_x$
$u\text{u}u$	输入变量（Input Variable）	$y\text{y}y$	$n_u\times 1$
$G\text{G}G$	控制矩阵（Control Matrix）	$B\text{B}B$	$n_x\times n_u$
$P\text{P}P$	估计不确定性（Estimate Uncertainty）	$\sum \text{∑}\sum$	$n_x\times n_x$
$Q\text{Q}Q$	过程噪声不确定性（Estimate Uncertainty）		$n_x\times n_x$
$R\text{R}R$	测量不确定性（Measurement Uncertainty）		$n_z\times n_z$
$w\text{w}w$	过程噪声向量（Process Noise Vector）	$y\text{y}y$	$n_x\times 1$
$v\text{v}v$	测量噪声向量（Measurement Noise Vector）		$n_z\times 1$
$H\text{H}H$	观察矩阵（Observation Matrix）	$C\text{C}C$	$n_z\times n_x$
$K\text{K}K$	卡尔曼增益（Kalman Gain）		$n_x\times n_z$
$n\text{n}n$	离散时间序号（Discrete Time Index）