卡尔曼滤波之最优状态估计和最优状态估计算法

1. 最优状态估计

情景1：假设一个一个比赛中，不同队伍的自动驾驶汽车使用 GPS 定位，在 100 种不同的地形上各行驶 1 公里。每次都尽可能停在终点。然后计算每只队伍的平均最终位置。

第一组输了：因为虽然方差小，但是偏差大。

第二组输了：因为偏差小，但是方差大

第三组赢了：偏差和方差都小

不能仅仅依靠 GPS 数据，因为它可能有噪声。

目的是：0 偏差 + 最小的方差

可以使用 卡尔曼滤波器。

输入是 油门， 输出是 汽车的位置。该系统有多个状态，如下图：

我们简化为：

汽车的输入为 速度，该系统只有一个状态： 汽车的位置。我们正在测量这个状态，因此矩阵 C = 1。

GPS 读数有噪音，用 v 表示测量噪声，这是一个随机变量。用 w 表示 过程噪声，也是随机变量，代表风的影响或者汽车速度的变化。虽然这些随机变量不遵循 模式，但是可以使用概率论描述它们的平均属性。

假设 v 服从 0 均值，协方差 R 的高斯分布。因为是单输出系统，协方差 R 是标量，且等于 测量噪声的方差。

类似的，过程噪声也是随机的，假设 w 服从 0 均值，协方差 Q 的高斯分布。

因为，测量是有噪声的，因此，测量的并不能反映汽车的真实位置。如果我们知道汽车模型，我们可以将输入放到模型中来估计位置 ${\hat{x}}_k$，但是该估计值也不是完美的，因为还有过程噪声也是随机的。卡尔曼滤波结合 测量值 和 模型预测值 来估计汽车的位置。

我们使用概率密度函数来直观讨论卡尔曼滤波器的工作原理。在 初始时间 k-1 ，实际汽车位置可能在 模型估计值 ${\hat{x}}_{k-1}$ 附近的任何位置，这种不确定性由 概率密度函数描述，汽车最可能在该分布的平均值附近。在下一个时间步，估计的不确定性增大（因为：在时间步 k-1 到 k, 汽车可能经过坑洼，可能车轮打滑，因此可能前进了与 模型估计的距离不同的距离。）, 用较大的方差表示。

除了数学模型的预测，还有另外一个信息来源：GPS 测量值。上图橙色的高斯分布表示测量的分布，方差表示测量噪声的不确定性，同样，真正的位置可能是该分布平均值的任何位置。

现在有了 预测值 和测量值，那么汽车位置的最优估计是什么？

结合这两部分信息，通过将 预测和测量的 两个概率密度函数相乘，结果也是高斯函数。该高斯的方差小于之前数学模型估计的方差，该高斯的平均值给了我们汽车位置的最优估计。

卡尔曼滤波器可以计算最优无偏差的汽车位置，且方差最小。

2. 最优状态估计算法

状态观测器:（deterministic system）

$${\hat{x}}_{k+1}=A{\hat{x}}_k+B{u}_k+K\left(y_k-C{\hat{x}}_k\right)$$

卡尔曼滤波器：(stochastic system)

$${\hat{x}}_k=A{\hat{x}}_{k-1}+B{u}_k+K_k\left(y_k-C\left(A{\hat{x}}_{k-1}+B{u}_k\right)\right)$$

卡尔曼滤波器是一种状态观测器，但是是为 随机系统设计的。

$${\hat{x}}_k=\underset{{\hat{x}}_k^{-}:A\text{ Priori Estimate }}{\underbrace{A{\hat{x}}_{k-1}+B{u}_k}}+K_k\left(y_k-C\left(A{\hat{x}}_{k-1}+B{u}_k\right)\right)$$

第一步：通过建立的数学模型，使用前一个时间步的预测状态和当前的输入, 预测当前的状态。${\hat{x}}_k^{-}$ 为先验估计，因为计算它的时候没有使用当前的测量值。简化上面等式：

$${\hat{x}}_k={\hat{x}}_k^{-}+K_k\left(y_k-C{\hat{x}}_k^{-}\right)$$

第二步：等式的第二部分使用的是测量值（$y_k$）, 代入方程来更新 先验估计, 从而得到后验估计。

$$\stackrel{APosterioriEstimate}{\overbrace{{\hat{x}}_k}}=\underset{\text{Predict }}{\underbrace{{\hat{x}}_k^{-}}}+\underset{\text{Update }}{\underbrace{K_k\left(y_k-C{\hat{x}}_k^{-}\right)}}$$

具体原理：

第一步：数学模型预测部分。因为系统状态可能是多个，比如位移、速度等，因为一个系统中大多数的状态信息是相互关联的。对于卡尔曼滤波器这些不同状态的关联性用协方差矩阵(covariance matrix) P 表示。

上图中下面的 $P_k^{-}$ 计算的是 k 时刻的真实状态 $x_k$ 和 k-1 时刻数学模型预测的 k 时刻的状态 ${\hat{x}}_k^{-}$ 之差 的协方差矩阵。

Pk−=cov⁡{xk−x^k−}=cov⁡{Axk−1+Buk+wk−Ax^k−1−−Buk}=cov⁡{A(xk−1−x^k−1−)+wk}=Acov⁡{xk−1−x^k−1−}AT+cov⁡{wk}=APk−1AT+Q

这里会用到：

$$\mathrm{Cov}(AX)=A\mathrm{Cov}(X)A^T$$

推导参考：

1. https://www.zhihu.com/question/51082135/answer/150631891
2. https://zhuanlan.zhihu.com/p/341440139

对于单状态系统，P 是状态预测值的方差。可以把它当作预测状态中的不确定性的度量，不确定性来自过程误差和预测值 ${\hat{x}}_{k-1}$ 的不确定性的影响。

算法的最开始，预测值 ${\hat{x}}_{k-1}$ 和 $P_{k-1}$ 来自初始估计值。

第二步，得到 更新后的状态值 ${\hat{x}}_k$ 和 其 误差协方差 $P_k$。推导见上面公式2。

调整卡尔曼增益 $K_k$ 使得更新后的状态值误差 $P_k$ 最小。

假设上面条表示估算值 ${\hat{x}}_k$ 的计算，通过调整 卡尔曼增益 确定测量值和模型预测值对计算 ${\hat{x}}_k$ 的影响。

如果测量误差很小，那么测量值更可靠，则应对 ${\hat{x}}_k$ 的计算共享更大。

相反，如果模型预测值的误差很小，则模型预测值更可靠，则 ${\hat{x}}_k$ 的计算更多的取决于 模型预测值。

以两种极端情况为例：

情况1： 假设 测量误差的协方差 R 趋近于 0。我们的上面描述的系统中 C=1。因此，计算结果只取决于 测量值。

情况2： 如果预测误差协方差趋近于 0。则卡尔曼增益为 0。因此，计算结果只取决于 模型预测值。

卡尔曼滤波器只需要知道 模型预测状态值 和 前一个时间步以及当前测量误差协方差矩阵。因此 卡尔曼滤波器是递归的。

卡尔曼滤波器 也被称为传感器融合算法。因此可以增加另外一个数据源，比如 IMU。如果有两个测量值 y。K 和 C 的矩阵维度将如上图变化。

将三个概率密度函数相乘来找到汽车位置的最优估计值。

以上讨论都是针对线性系统而言。下面将讨论非线性系统如何使用 卡尔曼滤波器。

参考：

如何通俗并尽可能详细地解释卡尔曼滤波？