卡尔曼滤波的matlab仿真
前言
毕业设计时选择了超宽带定位设计的硬件电路设计,但苦于硬件难以取得大的进步,开始对算法的实现进行研究。通过阅读论文发现,很多人都对卡尔曼滤波进行各种各样的改进,以达到对数据的最好处理,本着对算法更好的理解,然后在MATLAB上对卡尔曼滤波进行了仿真。
1. 结果
本文对匀速运动进行仿真,先看一下实验结果
细节处,目测结果确实还可以,黑线(预测值)比白线(估计值)更逼近红线(真实路径)
并进行蒙特卡洛实验,得到结果。红色尖峰由于运动突然发生变化后,模型不够完善。
2.仿真程序
- 模拟运动
Xtrue = zeros(4,simTime);%simTime次仿真,4行simTime列
Xtrue(:, 1) = [100,100,10,15]';%初始位置
for simscan = 2:simTime
if simscan < 100 %第100秒处转弯
Xtrue(:, simscan) = F_x * Xtrue(:, simscan-1);
else
Xtrue(:, simscan) = F_y * Xtrue(:, simscan-1);
end
end
Xtrue = Xtrue + mvnrnd(zeros(4,1), Q, simTime)'; %加入噪声
- 观测运动
%% 观测结果
Xupd = zeros(4, simTime);
Xupd(:,1) = Xtrue(:, 1);
Z = zeros(2,simTime);%x y
for simscan = 1:simTime
Z(:, simscan) = H * Xtrue(:,simscan);
end
Z = Z +mvnrnd(zeros(2,1),R,simTime)';
- 卡尔曼滤波
%% 卡尔曼处理
%Xtrue是真实值
%现在是根据Z和估计值对
%当前的测量值和前一个采样周期的估计值,对下一状态进行估计
Xupd = zeros(4, simTime);
Xupd(:,1) = [Z(:,1);0;0];
Pupd = [R,zeros(2,2);
zeros(2,2),40^2/4*eye(2)];
for simscan = 2:simTime
Xpre = F * Xupd(:, simscan-1);% 算法根据上一时刻估计的值,后期对其进行优化
Ppre = F * Pupd * F' + Q;%同样 算法根据上一时刻得到的值对协方差矩阵进行估计,后期对其进行优化
Zpre = H * Xpre;% 这是测量值
Sk=H * Ppre * H' + R;% 以及测量值的协方差矩阵
K = Ppre * H' * inv(Sk); % PH'/H*Ppre*H'+R
Xupd(:,simscan) = Xpre + K*(Z(:,simscan)- Zpre);%对状态的估计
Pupd=(eye(4)-K * H)*Ppre;% 以及滤波后的协方差矩阵
end
- 进行蒙特卡洛实验后计算RMSE
RMSE_Z_Rec(1,simscan,mtclInd) =sum((Z(1:2,simscan)-Xtrue(1:2,simscan)).^2,1);
RMSE_Rec(1,simscan,mtclInd) =sum((Xupd(1:2,simscan)-Xtrue(1:2,simscan)).^2,1);
总结
- 根据实验结果,预测误差明显小于观测误差,但还是存在5 个单位的误差,接下来继续努力,希望能够将其变得更小!!!
源码:https://download.csdn.net/download/cry_smile/15533627