1.3.1 卡尔曼滤波-KalmanFilter

卡尔曼滤波-KalmanFilter

更多内容，请关注：
github：https://github.com/gotonote/Autopilot-Notes.git

一、简介

对于这个滤波器，我们几乎可以下这么一个定论：只要是存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。

因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择。

如果你曾经Google过卡尔曼滤波的教程（如今有一点点改善），你会发现相关的算法教程非常可怕，而且也没具体说清楚是什么。事实上，卡尔曼滤波很简单，如果我们以正确的方式看它，理解是很水到渠成的事。

本文会用大量清晰、美观的图片和颜色来解释这个概念，读者只需具备概率论和矩阵的一般基础知识。

二、机器人实例分析

（一）场景

一个可以在树林里四处溜达的小机器人，为了让它实现导航，机器人需要知道自己所处的位置。

也就是说，机器人有一个包含位置信息和速度信息的状态 ${\vec{x}}_k$ :

$${\vec{x}}_k=(\vec{p},\vec{v})$$

注意，在这个例子中，状态是位置和速度，放进其他问题里，它也可以是水箱里的液体体积、汽车引擎温度、触摸板上指尖的位置，或者其他任何数据。

我们的小机器人装有GPS传感器，定位精度10米。虽然一般来说这点精度够用了，但我们希望它的定位误差能再小点，毕竟树林里到处都是土坑和陡坡，如果机器人稍稍偏了那么几米，它就有可能滚落山坡。所以GPS提供的信息还不够充分。

我们也可以预测机器人是怎么移动的：它会把指令发送给控制轮子的马达，如果这一刻它始终朝一个方向前进，没有遇到任何障碍物，那么下一刻它可能会继续坚持这个路线。但是机器人对自己的状态不是全知的：它可能会逆风行驶，轮子打滑，滚落颠簸地形……所以车轮转动次数并不能完全代表实际行驶距离，基于这个距离的预测也不完美。

这个问题下，GPS为我们提供了一些关于状态的信息，但那是间接的、不准确的；我们的预测提供了关于机器人轨迹的信息，但那也是间接的、不准确的。

但以上就是我们能够获得的全部信息，在它们的基础上，我们是否能给出一个完整预测，让它的准确度比机器人搜集的单次预测汇总更高？用了卡尔曼滤波，这个问题可以迎刃而解。

（二）相关性分析

还是上面这个问题，我们有一个状态，它和速度、位置有关：

$${\vec{x}}_k=\left[\begin{array}{c}p\\ v\end{array}\right]$$

我们不知道它们的实际值是多少，但掌握着一些速度和位置的可能组合，其中某些组合的可能性更高：

卡尔曼滤波假设两个变量（在我们的例子里是位置和速度）都应该是随机的，而且符合高斯分布。每个变量都有一个均值 $\mu$ ，它是随机分布的中心；有一个方差 ${\sigma }^2$ ，它衡量组合的不确定性。

在上图中，位置和速度是不相关的，这意味着我们不能从一个变量推测另一个变量。那么如果位置和速度相关呢？如下图所示，机器人前往特定位置的可能性取决于它拥有的速度。

这不难理解，如果基于旧位置估计新位置，我们会产生这两个结论：如果速度很快，机器人可能移动得更远，所以得到的位置会更远；如果速度很慢，机器人就走不了那么远。

这种关系对目标跟踪来说非常重要，因为它提供了更多信息：一个可以衡量可能性的标准。这就是卡尔曼滤波的目标：从不确定信息中挤出尽可能多的信息！

为了捕获这种相关性，我们用的是协方差矩阵。简而言之，矩阵的每个值是第 $i$ 个变量和第 $j$ 个变量之间的相关程度（由于矩阵是对称的， $i$ 和 $j$ 的位置可以随便交换）。我们用 $\Sigma$ 表示协方差矩阵，在这个例子中，就是 ${\Sigma }_{ij}$ 。

（三）矩阵描述

为了把以上关于状态的信息建模为高斯分布（图中色块），我们还需要 $k$ 时的两个信息：最佳估计 $\widehat{x_k}$ （均值，也就是 $\mu$ ），协方差矩阵 $P_k$ 。（虽然还是用了位置和速度两个变量，但只要和问题相关，卡尔曼滤波可以包含任意数量的变量）

$${\hat{x}}_k=\left[\begin{array}{c}position\\ velocity\end{array}\right]$$

$$P_k=\left[\begin{array}{cc}{\Sigma }_{pp}& {\Sigma }_{pv}\\ {\Sigma }_{vp}& {\Sigma }_{vv}\end{array}\right]$$

接下来，我们要通过查看当前状态（k-1 时）来预测下一个状态（k 时）。这里我们查看的状态不是真值，但预测函数无视真假，可以给出新分布：

我们可以用矩阵 $F_k$ 表示这个预测步骤：

它从原始预测中取每一点，并将其移动到新的预测位置。如果原始预测是正确的，系统就会移动到新位置。

这是怎么做到的？为什么我们可以用矩阵来预测机器人下一刻的位置和速度？下面是个简单公式：

$$P_k=P_{k-1}+△t{v}_{k-1}$$

$$v_k=v_{k-1}$$

转换成矩阵形式：

$$\widehat{x_k}=\left[\begin{array}{cc}1& △t\\ 0& 1\end{array}\right]{\hat{x}}_{k-1}$$

$$=F_k{\hat{x}}_{k-1}$$

这是一个预测矩阵，它能给出机器人的下一个状态，但目前我们还不知道协方差矩阵的更新方法。这也是我们要引出下面这个等式的原因：如果我们将分布中的每个点乘以矩阵A，那么它的协方差矩阵会发生什么变化

$$Cov(x)=\Sigma$$

$$Cov(Ax)=A\Sigma A^T$$

把这个式子和上面的最佳估计 $\hat{x}$ 结合，可得：

$$\hat{x}=F_k{\hat{x}}_{k-1}$$

$$P_k=F_k{P}_{k-1}{F}_k^T$$

1. 外部影响

但是，除了速度和位置，外因也会对系统造成影响。比如模拟火车运动，除了列车自驾系统，列车操作员可能会手动调速。在我们的机器人示例中，导航软件也可以发出停止指令。对于这些信息，我们把它作为一个向量 ${\vec{\mu }}_k$ ，纳入预测系统作为修正。

假设油门设置和控制命令是已知的，我们知道火车的预期加速度 。根据运动学基本定理，我们可得：

$$P_k=P_{k-1}+△t{v}_{k-1}+\frac{1}{2}a△t^2$$

$$v_k=v_{k-1}+a△t$$

把它转成矩阵形式：

$$\widehat{x_k}=F_k{\hat{x}}_{k-1}\left[\begin{array}{c}\frac{△t^2}{2}\\ △t\end{array}\right]a$$

$$=F_k{\hat{x}}_{k-1}+B_k{\vec{u}}_k$$

$B_k$ 是控制矩阵， ${\vec{u}}_k$ 是控制向量。如果外部环境异常简单，我们可以忽略这部分内容，但是如果添加了外部影响后，模型的准确率还是上不去，这又是为什么呢？

2. 外部不确定性

当一个国家只按照自己的步子发展时，它会自生自灭。当一个国家开始依赖外部力量发展时，只要这些外部力量是已知的，我们也能预测它的存亡。

但是，如果存在我们不知道的力量呢？当我们监控无人机时，它可能会受到风的影响；当我们跟踪轮式机器人时，它的轮胎可能会打滑，或者粗糙地面会降低它的移速。这些因素是难以掌握的，如果出现其中的任意一种情况，预测结果就难以保障。

这要求我们在每个预测步骤后再加上一些新的不确定性，来模拟和“世界”相关的所有不确定性：

如图9所示，加上外部不确定性后， ${\hat{x}}_{k-1}$ 的每个预测状态都可能会移动到另一点，也就是蓝色的高斯分布会移动到紫色高斯分布的位置，并且具有协方差 $Q_k$ 。换句话说，我们把这些不确定影响视为协方差 $Q_k$ 的噪声。

这个紫色的高斯分布拥有和原分布相同的均值，但协方差不同，如下图11所示。

我们在原式上加入 $Q_k$ ：

$$\widehat{x_k}=F_k{\hat{x}}_{k-1}+B_k{\vec{u}}_k$$

$$P_k=F_k{P}_{k-1}{F}_k^T+Q_k$$

简而言之，这里：
$新的最佳估计$ 是基于 $原最佳估计$ 和 $已知外部影响$ 校正后得到的预测。

$新的不确定性$ 是基于 $原不确定性$ 和 $外部环境的不确定性$ 得到的预测。

现在，有了这些概念介绍，我们可以把传感器数据输入其中。

(四)通过测量来细化估计值

我们可能有好几个传感器，它们一起提供有关系统状态的信息。传感器的作用不是我们关心的重点，它可以读取位置，可以读取速度，重点是，它能告诉我们关于状态的间接信息——它是状态下产生的一组读数。

请注意，读数的规模和状态的规模不一定相同，所以我们把传感器读数矩阵设为 $H_k$ 。

把这些分布转换为一般形式：

$${\vec{\mu }}_{expected}=H_k{\hat{x}}_k$$

$${\Sigma }_{expected}=H_k{P}_k{H}_k^T$$

卡尔曼滤波的一大优点是擅长处理传感器噪声。换句话说，由于种种因素，传感器记录的信息其实是不准的，一个状态事实上可以产生多种读数。

我们将这种不确定性（即传感器噪声）的协方差设为 $R_k$ ，读数的分布均值设为 $z_k$ 。

现在我们得到了两块高斯分布，一块围绕预测的均值，另一块围绕传感器读数。

如果要生成靠谱预测，模型必须调和这两个信息。也就是说，对于任何可能的读数 $(z_1,z_2)$ ，这两种方法预测的状态都有可能是准的，也都有可能是不准的。重点是我们怎么找到这两个准确率。

最简单的方法是两者相乘：

两块高斯分布相乘后，我们可以得到它们的重叠部分，这也是会出现最佳估计的区域。换个角度看，它看起来也符合高斯分布：

事实证明，当你把两个高斯分布和它们各自的均值和协方差矩阵相乘时，你会得到一个拥有独立均值和协方差矩阵的新高斯分布。最后剩下的问题就不难解决了：我们必须有一个公式来从旧的参数中获取这些新参数。

(五) 结合高斯

让我们从一维看起，设方差为 ${\sigma }^2$ ，均值为 $\mu$ ，一个标准一维高斯钟形曲线方程如下所示：

$$\mathcal{N}(x,\mu ,\sigma )=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$

那么两条高斯曲线相乘呢？

$$\mathcal{N}(x,{\mu }_0,{\sigma }_0)\cdot \mathcal{N}(x,{\mu }_1,{\sigma }_1)\stackrel{?}{=}\mathcal{N}(x,{\mu }^{\prime },{\sigma }^{\prime })$$

把这个式子按照一维方程进行扩展，可得：

$${\mu }^{\prime }={\mu }_0+\frac{{\sigma }_0^2({\mu }_1-{\mu }_0)}{{\sigma }_0^2+{\sigma }_1^2}$$

$${{\sigma }^{\prime }}^2={{\sigma }_0}^2-\frac{{\sigma }_0^4}{{\sigma }_0^2+{\sigma }_1^2}$$

如果有些太复杂，我们用k简化一下：

$$k=\frac{{\sigma }_0^2}{{\sigma }_0^2+{\sigma }_1^2}$$

$${\mu }^{\prime }={\mu }_0+k({\mu }_1-{\mu }_0)$$

$${{\sigma }^{\prime }}^2={{\sigma }_0}^2-k{{\sigma }_0}^2$$

以上是一维的内容，如果是多维空间，把这个式子转成矩阵格式：

$$K={\Sigma }_0({\Sigma }_0+{\Sigma }_1{)}^{-1}$$

$${\mu }^{\prime }=\overrightarrow{{\mu }_0}+K(\overrightarrow{{\mu }_1}-\overrightarrow{{\mu }_0})$$

$${\Sigma }^{\prime }={\Sigma }_0-K{\Sigma }_0$$

这个矩阵 $K$ 就是我们说的卡尔曼增益。

六、把它们结合在一起

截至目前，我们有用矩阵 $({\mu }_0,{\Sigma }_0)=(H_k-{\hat{x}}_k,H_k{P}_k{H}_k^T)$ 预测的分布，有用传感器读数 $({\mu }_1,{\Sigma }_1)=({\vec{z}}_k,R_k)$ 预测的分布。把它们代入上节的矩阵等式中：

$$H_k{\hat{x}}_k^{\prime }=H_k{\hat{x}}_k+K(\overrightarrow{z_k}-H_k{\hat{x}}_k)$$

$$H_k{P}_k^{\prime }{H}_k^T=H_k{P}_k{H}_k^T-K{H}_k{P}_k{H}_k^T$$

相应的，卡尔曼增益就是：

$$K=H_k{P}_k{H}_k^T(H_k{P}_k{H}_k^T+R_k{)}^{-1}$$

考虑到 $K$ 里还包含着一个 $H_k$ ，我们再精简一下上式：

$${\hat{x}}_k^{\prime }={\hat{x}}_k+K^{\prime }(\overrightarrow{z_k}-H_k{\hat{x}}_k)$$

$$P_k^{\prime }=P_k-K^{\prime }{H}_k{P}_k$$

$$K^{\prime }=P_k{H}_k^T(H_k{P}_k{H}_k^T+R_k{)}^{-1}$$

最后，${\hat{x}}_k^{\prime }$ 是我们的最佳估计值，我们可以把它继续放进去做另一轮预测：