卡尔曼滤波学习(1)

最新推荐文章于 2024-07-11 17:26:33 发布

ylzy

最新推荐文章于 2024-07-11 17:26:33 发布

阅读量710

点赞数 18

分类专栏：卡尔曼滤波文章标签：学习

本文链接：https://blog.csdn.net/lglrkx/article/details/136424117

版权

卡尔曼滤波专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本文介绍了卡尔曼滤波的基本概念，强调其在动态系统和有噪声测量中的状态估计优势。通过递归更新和权重调整，滤波器能处理不确定性和测量误差。实例演示了如何用卡尔曼滤波法估计物体长度，显示了预测结果逐渐逼近真实值的过程。

摘要由CSDN通过智能技术生成

卡尔曼滤波（Kalman Filtering）是一种用于估计系统状态的数学方法，特别适用于动态系统和含有噪声的测量。该滤波器由数学家Rudolf E. Kálmán于1960年提出，被广泛应用于控制系统、导航、信号处理等领域。

卡尔曼滤波的主要目标是通过融合系统的动态模型和实际测量，提供对系统状态的最优估计。它假设系统的状态是线性动态的，且测量中可能存在噪声。卡尔曼滤波器通过递归地更新状态估计，动态地调整权重以平衡系统模型和测量之间的不确定性。

实际场景的应用场景是充满不确定性：

1、不存在完美的数学模型；

2、系统的扰动是不可控的，同时也很难建模；

3、传感器的测量值是存在误差的。

在对一个物体进行 $k$ 次测量，每次测量结果记为 $Z_{k}$ ，希望通过这 $k$ 次测量数据，估计一个接近物体实际的值 $\hat{x_{k}}$ ，最容易想到最简单的就是对多次测量结果求平均值，那么就有一下公式：

$\hat{x_{k}} = \frac{1}{k} * \left ( z_{1} + z_{2} + z_{3} + ... + z_{k} \right ) = \frac{1}{k} * \frac{k-1}{k-1} * \left ( z_{1} + z_{2} + z_{3} + ... + z_{k-1} \right ) + \frac{1}{k} * z_{k} = \frac{k-1}{k}*\hat{x_{k-1}} + \frac{1}{k} * z_{k} = \hat{x_{k-1}} + \frac{1}{k} * (z_{k} - \hat{x_{k-1}})$

随着测量次数 $k$ 的增加，测量值 $Z_{k}$ 将变的不再重要，当 $k$ 趋近于无穷大时， $\frac{1}{k} * (z_{k} - \hat{x_{k-1}})$ 趋近于0，当 $k$ 较小时，测量值 $Z_{k}$ 的作用将对较大，当 $k$ 等于1时 $\hat{x_{k}} = Z_{k}$ 。若使用 $K_{k}$ 替换 $\frac{1}{k}$ ，则上述公式整理可得：

$\hat{x_{k}} = \hat{x_{k-1}} + K_{k} * (z_{k} - \hat{x_{k-1}})$

此时 $K_{k}$ 就是所谓的卡尔曼增益（Kalman Gain），由上述公式可知卡尔曼滤波的本次预测结果仅与上次预测值有关，与更早之前的预测值并没有直接关系。

一个系统中，对结果进行估计，使用传感器测量均会引入误差，估计误差： $e_{EST}$ ，测量误差： $e_{MEA}$ ，则卡尔曼增益： $K_{k} = \frac{e_{EST}}{e_{EST} + e_{MEA}}$ 。

在 $k$ 时刻， $e_(EST) >> e_(MEA)$ 时， $K_{k} \rightarrow 1$ 则， $\hat{x_{k}} = Z_{k}$ ；在 $k$ 时刻， $e_{EST} << e_{MEA}$ 时， $K_{k} \rightarrow 0$ 则， $\hat{x_{k}} = \hat{x_{k-1}}$ 。

此时我们得到3个公式，

$K_{k} = \frac{e_{EST}}{e_{EST} + e_{MEA}}$ （1）

$\hat{x_{k}} = \hat{x_{k-1}} + K_{k} * (z_{k} - \hat{x_{k-1}})$ （2）

$e_{ESTk} = (1 - K_{k}) * e_{ESTk-1}$ （3）

公式（1）和（3）在后面学习中会有详细的推导过程。

由上面3个公式我们就可以做一些对结果估计的事情了，例如，一个物体实际长度50cm，现在有一把尺子来测量其长度，每次测量误差为±3cm，我们来使用上述公式对该物体长度进行估计。

k	Z(k)	e(MEAk)	x(hatk)	K(k)	e(ESTk)
0			35		5
1	51	3	45	0.625	1.875
2	53	3	48.07692308	0.384615385	1.153846154
3	47	3	47.77777778	0.277777778	0.833333333
4	49	3	48.04347826	0.217391304	0.652173913
5	52	3	48.75	0.178571429	0.535714286
6	47	3	48.48484848	0.151515152	0.454545455
7	51	3	48.81578947	0.131578947	0.394736842
8	48	3	48.72093023	0.11627907	0.348837209
9	49	3	48.75	0.104166667	0.3125
10	53	3	49.1509434	0.094339623	0.283018868
11	47	3	48.96551724	0.086206897	0.25862069
12	48	3	48.88888889	0.079365079	0.238095238
13	48	3	48.82352941	0.073529412	0.220588235
14	52	3	49.04109589	0.068493151	0.205479452
15	51	3	49.16666667	0.064102564	0.192307692
16	47	3	49.03614458	0.060240964	0.180722892
17	49	3	49.03409091	0.056818182	0.170454545
18	53	3	49.24731183	0.053763441	0.161290323
19	52	3	49.3877551	0.051020408	0.153061224
20	52	3	49.51456311	0.048543689	0.145631068

由上述表格和折线图可见，预测结果随着次数不断增加在不断靠近物体长度的真实值。

学习笔记，参考资料【【卡尔曼滤波器】1_递归算法_Recursive Processing】 https://www.bilibili.com/video/BV1ez4y1X7eR/?share_source=copy_web&vd_source=c29456ffa88bc7559f8ffbe6f8e8f7a5

ylzy

关注

18
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
卡尔曼滤波学习(1)

卡尔曼滤波（Kalman Filtering）是一种用于估计系统状态的数学方法，特别适用于动态系统和含有噪声的测量。卡尔曼滤波的主要目标是通过融合系统的动态模型和实际测量，提供对系统状态的最优估计。它假设系统的状态是线性动态的，且测量中可能存在噪声。由上面3个公式我们就可以做一些对结果估计的事情了，例如，一个物体实际长度50cm，现在有一把尺子来测量其长度，每次测量误差为±3cm，我们来使用上述公式对该物体长度进行估计。由上述表格和折线图可见，预测结果随着次数不断增加在不断靠近物体长度的真实值。
复制链接

扫一扫