卡尔曼滤波

  这篇文章完全是我自己为了记录一下自己对于KF的印象,表层的不能再表层了。如果是需要详细了解KF的请去阅读高手的文章,不要在此篇上浪费时间~
  前言:在读一些文章的时候,总会看到研究方法基于卡尔曼滤波(KF),十分好奇这到底是什么东西?怎么有这么大的魔力?凭借好奇心搜了搜相关的资料,直接挂掉,内容还是很复杂的,需要一段时间才能明白。因为现在没有太大的需求,做个简单的了解,若日后有需,再来深究。

卡尔曼滤波能干什么/卡尔曼滤波用于解决什么问题?

  抽象来说,KF解决的是如何从多个不确定数据中提取相对精确的数据。这个相对精确的数据也可以被称为最优状态估计。从名字上看KF也是一种滤波,从宏观上说滤波就是加权,增大我们感兴趣的权重。比如低通滤波就是信号值和噪声之间加权,前者为1,后者为0。那KF其实是观测值和预测值的加权,求解过程就是为了确定二者的权重。
  以状态估计为出发点,对KF进行理解可以参考下下面这段话(出处已标):

我们通常要对一些事物的状态去做估计,为什么要做估计呢?因为我们通常无法精确的知道物体当前的状态。为了估计一个事物的状态,我们往往会去测量它,但是我们不能完全相信我们的测量,因为我们的测量是不精准的,它往往会存在一定的噪声,这个时候我们就要去估计我们的状态。卡尔曼滤波就是一种结合预测(先验分布)和测量更新(似然)的状态估计算法

  引自原文链接:https://blog.csdn.net/AdamShan/article/details/78248421

卡尔曼滤波的一个应用

  我看KF是从SLAM的相关文章上看到的,其实这是KF的应用之一: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

卡尔曼滤波的优缺点(不是很全面)

  优点:卡尔曼滤波适用面广,滤波效果较好
  缺点:仅能对线性过程和测量模型进行精确的估计,在非线性场景中不能达到最优的估计效果

  卡尔曼滤波的变种:扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等

因作者水平有限,如有错误之处,请在下方评论区指出,谢谢!

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值