Dynamic Model
0.引言
1.State-Space Model
x
t
x_t
xt:隐状态,待估计量;纯视觉SLAM中即为
(
ξ
i
,
p
i
)
(\xi_i,p_i)
(ξi,pi) 6个自由度自由度。
y
t
y_t
yt:观测量;纯视觉SLAM中即为
L
a
n
d
m
a
r
k
Landmark
Landmark.
2.Dynamic Model
徐老师从State-Space Model出发引出了三种常用的Dynamic Model,将隐马尔科夫、卡尔曼滤波、粒子滤波根据适用的系统模型不同进行归纳总结。
- HMM用于离散模型;
- KalmanFilter用于线性模型,高斯噪声;(EKF另讲)
- ParticleFilter用于非线性模型,噪声也非高斯模型;
暂时关注KalmanFilter后面有需要再补充。
3.KalmanFilter
对于Kanlman,有平滑、滤波、预测三种模式吧,暂且叫三种模式。国外有一本书Smoothing, Filtering and Prediction: Estimating The Past, Present and Future States
,稍有遗憾的是目前还没有中译版。名字就很明显了,其实三种Estimation也都可以看作denoising的过程。
利用 k k k时刻的观测值,根据状态方程和观测方程,求取 j j j时刻的状态向量 X j X_j Xj的最佳估值。
-
1、当 j = k j=k j=k时,对 X ^ ( k / k ) \hat{X}(k / k) X^(k/k)的估计称为滤波估计(filtered estimate),即依据过去直至现在的观测量估计现在的状态。
-
2、当 j < k j<k j<k时,对 X ^ ( j / k ) \hat{X}(j / k) X^(j/k)的估计称为平滑估计(smoothed estimate),即依据过去直至现在的观测值去估计过去的历史状态。
-
3、当 j > k j>k j>k时,对 X ^ ( j / k ) \hat{X}(j / k) X^(j/k)的估计称为预测估计(predicted estimate),即依据过去直至现在的观测值来预测未来的状态。
. kalmanFilter整个推导过程没有近似处理,其结果是线性系统的最优无偏估计。
系列: