卡尔曼滤波（Kalman Filter）自我理解（一）

卡尔曼滤波学习

个人总结：卡尔曼滤波的做法是利用上一时刻状态的最优估计值（也被叫做后验），计算得到当前时刻状态的预测值（当前时刻的先验），再利用当前时刻的观测值对预测值进行更新和修正，从而获得当前时刻状态的最优估计值（后验）的一种方法。个人认为，卡尔曼滤波是最优控制的方法。

1 知识基础：

1.1 高斯分布（正态分布）

标准一维正态分布表达式如下

其图形化表示如下

一般一维正态分布表达式如下

曲线如图所示


接下来引入协方差的概念，协方差（covariance）在概率论和统计学中用于衡量两个变量之间的总体误差（wiki），而方差是协方差的一种特殊情况，即两个变量是相同的情况。协方差的公式（协方差与期望值之间的推导）如下

多元（多维）正态分布

参考文章链接（公式太多，以及文章编辑器不支持公式，编辑粘贴上来太麻烦）

https://blog.csdn.net/weixin_45925418/article/details/118494954

2 卡尔曼滤波过程

		简单来说，卡尔曼滤波的使用过程只有两步

1. 预测
   
   

2. 更新
   
   
   

下面将按照卡尔曼滤波的两个步骤，对上述公式(1)~(5)中的符号及表示含义进行具体说明。

2.1 预测

		对卡尔曼滤波的第一步来说，就是要根据自己的应用场景，建立状态方程，也就是公式1。

式（1）完成了根据上一时刻的系统状态和当前时刻的控制变量推测系统当前状态的过程，即完成了当前系统状态的预测。

接下来解释式（2）

对式（2）的理解，最好从公式推导过去，作者在刚接触KF时，也一直不清楚这个公式2到底是怎么来的？到底有什么作用？所以希望自己的理解能帮助更多人在学习KF的过程中少走弯路。共勉。

如果想完全搞清楚式（2）的作用，得具备协方差方面的知识储备，可以去作者多元正态分布小节推荐的链接，或者自己找寻相关的学习链接学习。

式（2）简单来说，就是对式（1）的状态预测值与自身进行协方差运算，从而获得系统在当前时刻的状态预测值（状态的先验）的协方差预测值（状态的协方差的先验）。推导过程如下

式（6）的推导过程需要协方差计算相关知识，请自行寻找。

2.2 更新（修正）

		卡尔曼滤波是根据当前状态的预测值和观测值推导当前状态的最优估计值，
		最优估计值（后验）的获得主要依靠的三个元素：当前时刻状态的预测（先验）、当前时刻状态的观测和当前时刻卡尔曼增益系数。
		式（3）就是推导获得卡尔曼增益系数。

通过式（3）得到当前时刻系统的卡尔曼滤波增益系数，接下来就可以利用该增益系数（多维情况下是矩阵）对当前时刻的系统状态进行最优估计计算。

这里对式（4）作一个简单解释：根据式（1）获得的当前系统的状态预测值（编辑不出符号，望理解）、式（3）获得的卡尔曼滤波增益系数、当前系统实际的观测值和当前系统观测值的预测值对当前系统的状态作最优估计（后验），这就是卡尔曼滤波的思想。其中，卡尔曼滤波增益系数的范围在0~1之间，取值越接近0，表示卡尔曼滤波判断当前系统状态更贴近式（1）的预测值；卡尔曼滤波增益系数更贴近1，表明当前系统状态更依赖实际测量值与预测值的差值。这就是卡尔曼滤波的主要思想，很牛逼，YYDS！！！！

到这里，整个卡尔曼滤波推导过程已经完成。

3 结语（总结）

卡尔曼滤波的推导过程见上述小结，作者本人从前也不是做这个方向，也是刚刚接触这个算法，据我了解，卡尔曼滤波目前在机器人、视觉、导航方面已经是必不可少的技术了。作为最优估计的经典算法，卡尔曼滤波被大量的在这些领域使用，虽然现在接触不算早，但是只要我们想要去学习相关技术，不管是什么时候都不算晚。
谨以此篇文章先给还是菜鸟的自己，文中若有描述不清的概念或错误，欢迎提出，作者会改进的。
最后，有时间的情况下，作者也会继续更新卡尔曼滤波算法的例程帮助自己和各位在学习的小伙伴加深理解。
觉得不错的话，点个赞支持一下哦！