卡尔曼滤波

关于卡尔曼滤波的简单解释

卡尔曼滤波直观解释：

假设两个传感器，测的是同一个信号。可是它们每次的读数都不太一样，怎么办？

取平均。

假设已知其中贵的传感器器应该准一些，便宜的那个应该差一些。那有比取平均更好的办法吗？

加权平均。

怎么加权？假设两个传感器的误差都符合正态分布，假设知道这两个正态分布的方差，用这两个方差值，可以得到一个“最优”的权重。

接下来，重点来了：假设只有一个传感器，但是还有一个数学模型。模型可以帮助算出一个值，但也不是那么准。怎么办？

把模型算出来的值，和传感器测出的值，（就像两个传感器那样），取加权平均。

OK，最后一点说明：模型其实只是一个步长的，也就是说，知道x(k)，可以求x(k+1)。问题是x(k)是多少呢？答案：x(k)就是上一步卡尔曼滤波得到的、所谓加权平均之后的那个、对x在k时刻的最佳估计值。

于是迭代也有了。

这就是卡尔曼滤波。

特性：

卡尔曼滤波器会对含有噪声的输入数据流（比如计算机视觉中的视频输入）进行递归操作，并产生底层系统状态（比如视频中的位置）在统计意义上的最优估计。

卡尔曼滤波利用已知规律预测目标在当前视频帧中的位置，当前帧会给予上一帧的信息。

卡尔曼滤波的两个阶段：

预测：卡尔曼滤波使用由当前点计算的协方差来估计目标的新位置。

更新：卡尔曼滤波记录目标的位置，并为下一次循环计算修正协方差。

拓展卡尔曼滤波：

基本概念：

扩展卡尔曼滤波（Extended Kalman Filter，EKF）是标准卡尔曼滤波在非线性情形下的一种扩展形式，它是一种高效率的递归滤波器（自回归滤波器）。

EKF的基本思想是利用泰勒级数展开将非线性系统线性化，然后采用卡尔曼滤波框架对信号进行滤波，因此它是一种次优滤波。

总结：

EKF滤波通过泰勒展开公式，把非线性方程在局部线性化，使得高斯分布的变量在经过线性变换后仍然为高斯分布，这使得能继续把标准卡尔曼滤波KF的框架拿过来用，总体来说，EKF在函数的非线性不是很剧烈的情形下，能够具有很不错的滤波效果。

不足之处：

其一，它必须求解非线性函数的Jacobi矩阵，对于模型复杂的系统，它比较复杂而且容易出错；

其二，引入了线性化误差，对非线性强的系统，容易导致滤波结果下降。

基于以上原因，为了提高滤波精度和效率，以满足特殊问题的需要，就必须寻找新的逼近方法，于是便有了粒子滤波PF和无迹卡尔曼滤波UKF。
 

参考书籍：

《Open CV 3 计算机视觉 Python语言实现》

参考链接：

https://www.zhihu.com/question/23971601

https://blog.csdn.net/weixin_42647783/article/details/89054641