卡尔曼滤波原理及其在RSSI测距中的应用

       卡尔曼滤波（Kalman filter）是一种高效的自回归滤波器，它能在存在诸多不确定性情况的组合信息中估计动态系统的状态，是一种强大的、通用性极强的工具。它的提出者，鲁道夫.E.卡尔曼，在一次访问NASA埃姆斯研究中心时，发现这种方法能帮助解决阿波罗计划的轨道预测问题，后来NASA在阿波罗飞船的导航系统中确实也用到了这个滤波器。最终，飞船正确驶向月球，完成了人类历史上的第一次登月。

一、卡尔曼滤波用到的线性代数基本知识

方差：一维特征空间的状态分布，衡量一组数据的离散程度，在统计描述中，方差用来计算每一个变量（观察值）与总体均数之间的差异。

其中，σ2为样本方差，X为变量，µ为样本均值，N为样本例数。

标准差：方差的平方根，在概率统计中最常使用作为统计分布程度上的测量依据

其中，σ为标准差，X为变量，µ为样本均值，N为样本例数，标准差越小表明数据越集中。

协方差：二维特征空间的状态分布，用于衡量两个变量的总体误差。

注：

1.协方差可以反应两个变量的协同关系，变化趋势是否一致，同向还是反向变化。

2.X变大，同时Y也变大，说明两个变量是同向变化的，这时协方差就是正的。

3.X变大，同时Y变小，说明两个变量是反向变化的，这时协方差就是负的。

4.从数值来看，协方差的数值越大，两个变量同向程度也就越大。反之亦然

相关系数：协方差的归一化，消除了两个变量量纲/变化幅度不同的影响。单纯反映两个变量在每单位变化的相似程度。

二、卡尔曼滤波(KF)基本原理

       一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

前提：使用卡尔曼滤波算法有两个基本假设：

a、信息过程是由白噪声所激发的线性( 也可以是时变的) 动态系统，即系统满足状态方程：

状态方程是根据上一时刻的状态和控制变量来推测当前时刻的状态， 是服从高斯分布的噪声，是预测过程的噪声，它对应了  中每个分量的噪声，是期望为 0，协方差为 Q 的高斯白噪声  , Q即下文的过程激励噪声Q 。

b、每次的测量信号都包含着附加的白噪声分量 ，即系统满足观测方程：

观测方程是当前时刻的量测信息， 是观测的噪声，服从高斯分布  ,R即下文的测量噪声R 。

当满足以上两个假设时，可以应用卡尔曼滤波算法进行线性滤波。

目的：得出准确的下一时刻的状态真值

本质：参数化的贝叶斯模型

核心：先验估计(预测) + 测量反馈 = 后验估计(无限接近真实值)

必须理解的几个基本概念：