扩展卡尔曼滤波

学习目标：

提示：这里可以添加学习目标
掌握扩展卡尔曼滤波器技术

---

学习内容：

提示：这里可以添加要学的内容

要应用扩展卡尔曼滤波技术，
（1）需要用一组非线性微分方程来描述真实世界
（2）这些方程也可以用非线性状态空间的形式表示为一阶非线性微分方程。
其中是系统状态的向量，是这些状态的非线性函数，是随机零均值过程。

用表示上述模型随机过程的过程噪声矩阵。

（3）应用扩展卡尔曼滤波所需要的测量方程为

其中v是一个零均值随机过程，由测量噪声矩阵描述，定义为

（4）以上为线性系统，对于测量是离散的系统，我们可以将非线性测量方程改写为
离散测量噪声矩阵Rk由表示每个测量噪声源的方差矩阵组成。由于状态方程和测量方程是非线性的，在连续的Riccati方程中对系统动力学矩阵F和测量矩阵H采用一阶近似

（5）离散的Riccati方程所需的基本矩阵可以用的泰勒级数展开式近似表示，由
是采样时间，是单位矩阵。这个级数通常仅用前两项或来近似

（6）在扩展卡尔曼滤波的应用中，基本矩阵只用于计算卡尔曼增益。由于基本矩阵不会用于状态的传播，在基本矩阵的泰勒级数展开中增加更多的项通常不会改善整个滤波器的性能。对于线性系统，系统动力学矩阵、测量矩阵和基本矩阵都是线性的。然而，这些相同的矩阵对于扩展卡尔曼滤波器可能是非线性的，因为它们依赖于系统状态估计。计算卡尔曼增益所需的Riccati方程与线性情况相同，此时预测值为

标量情况下的实际值为

状态估计中的误差为

Pk是表示更新后状态估计中的误差的协方差矩阵

令误差最小，即协方差矩阵最小，可得

其中Pk是表示更新后状态估计中的误差的协方差矩阵，Mk是表示更新前状态估计中的误差的协方差矩阵。由于Fk和H是状态估计的非线性函数，卡尔曼增益不能像使用线性卡尔曼滤波器那样在离线情况下计算。根据，离散过程噪声矩阵Qk仍然可以从连续过程噪声矩阵中得到。
如果线性卡尔曼滤波器的动力学模型与现实世界相匹配，那么协方差矩阵Pk不仅可以用来计算卡尔曼增益，还可以用来预测状态估计中的误差。而扩展卡尔曼滤波器则没有这样的保证，事实上，在滤波器性能较差甚至是坏掉的情况下，扩展卡尔曼滤波器协方差矩阵可以显示出很好的性能。正如已经提到的，前面的基本矩阵和测量矩阵的近似只需要在计算卡尔曼增益时使用。实际的扩展卡尔曼滤波方程不需要使用这些近似，而是可以用非线性状态方程和测量方程来表示。

---

学习时间：

提示：这里可以添加计划学习的时间
2022.5.29
例如：

• 周一至周五晚上 7 点—晚上9点
• 周六上午 9 点-上午 11 点
• 周日下午 3 点-下午 6 点

---

学习产出：

提示：这里统计学习计划的总量

例如：
技术学习1

• 技术笔记 2 遍
• CSDN 技术博客 3 篇
• 习的 vlog 视频 1 个