概率机器人——卡尔曼滤波

前一篇贝叶斯滤波中提到了贝叶斯滤波不是一种实用的方法，没有办法在计算机中进行表达。是因为贝叶斯是一种抽象的滤波器，其中的置信度表示都是抽象的，没有明确的表达式，没有办法计算积分。尽管如此，贝叶斯给我们提供了一种关于状态最优估计的方法，本篇及后续可能更新的方法皆是贝叶斯滤波的实现方式。

 

---

 

1、高斯滤波

在正式介绍卡尔曼之前，需要先对高斯滤波做一个说明。

高斯滤波是一种递归状态估计器，为了解决贝叶斯滤波器中置信度没有明确表示方法的缺陷，高斯滤波给出了一种置信度用多元正态分布表示的思路，这也是为什么称之为高斯滤波。各种高斯滤波成为连续空间中贝叶斯滤波的有效实现。

置信度用多元正太分布表示：

状态向量x的概率密度用正太分布来表示（即正态分布的均值和方差） ，由于状态是多维的，所以正态分布的均值是一个向量，维数与状态向量维数相同；这里的方差也相应的变成可以衡量多个状态变量同步程度的协方差（后续不再区分，单一变量为方差，多变量为协方差）。

高斯滤波中的参数：均值和方差，称为矩参数。均值为一阶矩，方差为二阶矩。

利用正态分布表示置信度的理解：正态分布的均值即表示最优的状态估计值；方差表示不确定性程度。

 

---

 

2、卡尔曼滤波

 

2.1、线性高斯系统

卡尔曼滤波作为一种线性高斯系统，实现了对连续状态的置信度计算。作为线性系统，为确保后验分布同样是高斯分布，除贝叶斯滤波中的马尔可夫假设之外，还有如下三个假设：

• 状态转移概率必须是带有随机高斯噪声（均值为0，方差为）的参数的线性函数：

该状态转移概率称为线性高斯，状态转移函数与其参数呈线性关系，与带有附加高斯噪声的自变量呈线性 。

At为nxn的方阵，n为状态向量的维数；Bt为nxm的矩阵，m为控制向量的维数。

多元正态分布表示如下：