卡尔曼（kalman）滤波器概述

最新推荐文章于 2024-07-19 10:51:07 发布

托沃斯-勒夫

最新推荐文章于 2024-07-19 10:51:07 发布

阅读量3.1k

点赞数 1

分类专栏：算法分析图像处理 opencv 文章标签： opencv 图像处理算法

本文链接：https://blog.csdn.net/gdut2015go/article/details/48228551

版权

卡尔曼滤波器是一种递归滤波器，用于从噪声数据中估计动态系统的状态。常见于雷达、计算机视觉和控制理论，如目标跟踪。通过预测和观测值的结合，提供最优化状态估计。其基本公式包括系统预测、covariance更新、最优估算、卡尔曼增益计算和covariance更新。广泛应用于温度等状态估计和实际工程中。

摘要由CSDN通过智能技术生成

（1）卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。斯坦利·施密特(Stanley Schmidt)首次实现了卡尔曼滤波器。卡尔曼在NASA埃姆斯研究中心访问时，发现他的方法对于解决阿波罗计划的轨道预测很有用，后来阿波罗飞船的导航电脑使用了这种滤波器。关于这种滤波器的论文由Swerling（1958），Kalman（1960）与Kalman and Bucy（1961）发表。

（2）卡尔曼滤波已经有很多不同的实现，卡尔曼最初提出的形式一般称为简单卡尔曼滤波器。除此以外，还有施密特扩展滤波器、信息滤波器以及很多Bierman,Thornton开发的平方根滤波器的变种。最常见的卡尔曼滤波器是锁相环，它在收音机、计算机和几乎任何视频或通讯设备中广泛存在。

（3）卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度。在很多工程应用(雷达、计算机视觉)中都可以找到它的身影。同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要话题。比如，在雷达中，人们感兴趣的是跟踪目标，但目标的位置、速度、加速度的测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑)。

扩展卡尔曼滤波（EKF）；EXTENDKALMANFILTER；扩展卡尔曼滤波器，是由kalmanfilter考虑时间非线性的动态系统，常应用于目标跟踪系统。

（4）状态估计是卡尔曼滤波的重要组