【B站UP DR_CAN学习笔记】Kalman滤波1

最新推荐文章于 2024-01-23 13:34:52 发布

明天已在HiaHia

最新推荐文章于 2024-01-23 13:34:52 发布

阅读量291

点赞数 2

分类专栏：优化与控制文章标签：大数据

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/bear_miao/article/details/125458317

版权

优化与控制专栏收录该内容

13 篇文章 4 订阅

订阅专栏

最优化递归数字处理算法

当我们在描述一个系统时，不确定性主要体现在三个方面：

（1）不存在完美的数学模型

（2）系统的扰动不可控，也很难建模

（3）测量传感器存在误差

估计真实结果，最自然的方法是多次测量取平均值。

$\hat{x}_k= \frac{1}{k}(z_1+z_2+...+z_k))$

$\hat{x}_k= \frac{1}{k} (z_1+z_2+...+z_{k-1})+\frac{1}{k}z_k$

$\hat{x}_k= \frac{k-1}{k} {\color{Red} \frac{1}{k-1} (z_1+z_2+...+z_{k-1})}+\frac{1}{k}z_k$

$\hat{x}_k = \frac{k-1}{k} \hat{x}_{k-1} +\frac{1}{k}z_k$

$\hat{x}_k = \hat{x}_{k-1} + {\color{Red} \frac{1}{k}}(z_k-\hat{x}_{k-1})$

综述，当 $k\rightarrow \infty$ 时， $\frac{1}{k}\rightarrow 0$ ， $\hat{x}_k \rightarrow \hat{x}_{k-1}$ ，再多的测量已不再重要。

另 $K_k=\frac{1}{k}$ ，则

$\hat{x}_k = \hat{x}_{k-1} + {\color{Red} K_k}(z_k-\hat{x}_{k-1})$

即当前的估计值=上一次的估计值+系数×（当前的测量值-上一次的估计值）

${\color{Red} K_k}$ 即为卡尔曼增益。

小结：只需要当前的测量值和上一次的估计值，不需要更早的数据。

如果假设估计误差为 $e_{EST}$ ，测量误差为 $e_{MEA}$ ，则

$K_k=\frac{{e_{EST}}_{k-1}}{{e_{EST}}_{k-1}+{e_{MEA}}_k}$

当估计误差远大于测量误差时，卡尔曼增益为1，估计值为测量值；

当测量误差远大于估计过程时，卡尔曼增益为0，估计值为估计值。

方法分为三步：

步骤（1）计算卡尔曼增益

${\color{Red} K_k}=\frac{{e_{EST}}_{k-1}}{{e_{EST}}_{k-1}+{e_{MEA}}_k}$

步骤（2）更新估计值

$\hat{x}_k = \hat{x}_{k-1} + {\color{Red} K_k}(z_k-\hat{x}_{k-1})$

步骤（3）更新估计误差

${e_{EST}}_k={\color{Red} (1-K_k)}{e_{EST}}_{k-1}$

小结：测量值的误差是固定的，估计值的误差是根据测量误差逐步迭代更新的。

明天已在HiaHia

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
【B站UP DR_CAN学习笔记】Kalman滤波1

最优化递归数字处理算法当我们在描述一个系统时，不确定性主要体现在三个方面：（1）不存在完美的数学模型（2）系统的扰动不可控，也很难建模（3）测量传感器存在误差估计真实结果，最自然的方法是多次测量取平均值。综述，当时，，，再多的测量已不再重要。另，则即当前的估计值=上一次的估计值+系数×（当前的测量值-上一次的估计值）即为卡尔曼增益。小结：只需要当前的测量值和上一次的估计值，不需要更早的数据。如果假设估计误差为，测量误差为，则当估计误差远大于测量误差时，卡尔曼增益为1，估计值为测量值；当测量误差远大于估计过程
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。