卡尔曼滤波

 

卡尔曼滤波算法
        首先引入一个离散控制过程的系统，用一个线性随机微分方程来描述：X(k) = A X(k - 1 ) + B U(k) + W(k)，系统的测量值： 
Z(k) = H X(k) + V(k) 。X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H 是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 
        利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态： 
X(k | k - 1 ) = A X(k - 1 | k - 1 ) + B U(k) ……….. ( 1 ) 
式( 1 )中，X(k | k - 1 )是利用上一状态预测的结果，X(k - 1 | k - 1 )是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 
到现在为止，系统结果已经更新了，可是，对应于X(k | k - 1 )的covariance还没更新。我们用P表示covariance： 
P(k | k - 1 ) = A P(k - 1 | k - 1 ) A’ + Q ……… ( 2 ) 
式( 2 ) 中，P(k | k - 1 )是X(k | k - 1 )对应的covariance，P(k - 1 | k - 1 )是X(k - 1 | k - 1 )对应的covariance，A’表示 A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 
现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k | k)： 
X(k | k) =  X(k | k - 1 ) + Kg(k) (Z(k) - H X(k | k - 1 )) ……… ( 3 ) 
其中Kg为卡尔曼增益(Kalman Gain)： 
Kg(k) =  P(k | k - 1 ) H’  /  (H P(k | k - 1 ) H’  +  R) ……… ( 4 ) 
到现在为止，我们已经得到了k状态下最优的估算值X(k | k)。但是为了要另卡尔曼滤波不断的运行下去直到系统过程结束，我们还要更新k状态下X(k | k)的covariance： 
P(k | k) = （I - Kg(k) H）P(k | k - 1 ) ……… ( 5 ) 
其中I 为1的矩阵，对于单模型单测量，I = 1 。当系统进入k + 1状态时，P(k | k)就是式子( 2 )的P(k - 1 | k - 1 )。这样，算法就可以自回归的运算下去。