卡尔曼滤波

李牧勋

已于 2022-12-11 10:58:02 修改

阅读量89

点赞数

分类专栏：机器学习

于 2022-09-30 16:25:24 首次发布

本文链接：https://blog.csdn.net/leeshineCSDN/article/details/127125623

版权

目标检测

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1.一维情形下

1.1.常用术语

$K_g$ :卡尔曼增益
$E_{EST}$ :估计偏差
$E_{MEA}$ :测量偏差
$EST_{t}$ :t时刻的估计值
$M E A$ :测量值

1.2.计算过程

1.第一步，计算卡尔曼增益
$K_g =\frac{E_{EST}}{E_{MEA} + E_{EST}}$
$K_g$ 越大，说明测量误差越小，说明测量越准确
2.第二步计算t时刻的估计值，从这个公式，我们可以看出，卡尔曼增益越大，估算值误差越大，下一时刻，取测量值的比例越大。
$EST_{t}=EST_{t-1} + K_g(MEA_t－ EST_{t-1})$
3.第三步，计算t时刻的估计误差，B者这里没有搞清楚，这个估计误差的关系是如何建立的。
$E_{EST_{t}}=(1-K_G)E_{EST_{t-1}}$

2.多维情形下

2.1 常用术语

X:状态向量
$u$ :控制变量
$w$ :噪声
Y:测量值向量
$\overline{x}$ :测量值的平均值
$\sigma$ :测量值均方差，计算公式： $\sqrt{\frac{\sum_{i=0}^N(\overline{x} -x_{i})^2}{N}}$
R:协方差矩阵

2.2 计算过程

状态转换方程
$X_{k}=AX_{k-1} +Bu_{k}+w_{k}$
偏差转换方程
$P_{k}=AP_{k-1}A^T + Q$
计算卡尔曼增益
$K_{k}=\frac{P_{k}H^T}{HP_{k}H^T + R}$

2.3 协方差矩阵

卡尔曼增益计算的R就是代表协方差矩阵

2.3.1 二维

$\begin{bmatrix} {\sigma_{x}}^2 & {\sigma_{x}{\sigma_{y}}}\\ {\sigma_{y}}{\sigma{x}}& {\sigma_{y}^2} \end{bmatrix} }$

2.3.2 三维

$\begin{bmatrix} {\sigma_{x}}^2 & {\sigma_{y}{\sigma_{y}}} & {\sigma_{x}{\sigma_{z}}}\\ {\sigma_{y}}{\sigma{x}}& {\sigma_{y}^2} & {\sigma_{y}{\sigma_{z}}}\\ {\sigma_{x}{\sigma_{z}}}& {\sigma_{y}{\sigma_{z}}} & {\sigma_{z}^2} \\ \end{bmatrix} }$