卡尔曼滤波学习(2)

「已注销」

已于 2024-03-08 13:16:22 修改

阅读量531

点赞数 13

分类专栏：卡尔曼滤波文章标签：学习

于 2024-03-07 22:39:37 首次发布

本文链接：https://blog.csdn.net/lglrkx/article/details/136546725

版权

卡尔曼滤波专栏收录该内容

6 篇文章

订阅专栏

本文介绍了数据融合在卡尔曼滤波中的应用，通过结合系统模型预测和传感器测量，优化状态估计。以称重物体为例，展示了如何利用卡尔曼增益求得最优估计值，最终使得数据分布更集中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据融合：

数据融合是指将来自不同传感器或源的信息整合在一起，以提高对系统状态的估计精度。在卡尔曼滤波中，数据融合通常涉及到两个主要来源的信息：预测（系统模型）和测量（传感器数据）。

在数据融合中，卡尔曼滤波通过结合系统模型的预测和传感器测量的信息，以最优的方式更新对系统状态的估计。这是通过计算卡尔曼增益来实现的，该增益确定了如何将预测值与测量值进行组合，以获得最优的状态估计。

下面举例说明：

假设用两个秤去称量同一个物体重量，分别的得到重量 $z_{1} = 30g$ 、 $z_{2} = 32g$ ，已知这两个秤都有误差，标准差分别为 $\sigma_{1} = 2$ 、 $\sigma_{2} = 4$ ，这两个秤误差都符合正态分布。

现在来估计该物体的最优估计值，就需要上一次提到卡尔曼增益， $\hat{z} = z_{1} + K*(z_{2}-z_{1}),K\in [0,1]$ ，当 $K = 0$ 时 $\hat{z} = z_{1}$ ，当 $K = 1$ 时 $\hat{z} = z_{2}$ 。

由上述式子我们来求最优估计值，则需要使 $\hat{z}$ 的标准差 $\sigma_{\hat{z}}$ 最小，即方差 $Var(\hat{z})$ 最小，那么就有式子：

$Var(\hat{z}) = Var(z_{1}+K*(z_{2}-z_{1}))=Var((1-K)*z_{1}+K*z_{2})$ (1)

因为 $z_{1}$ 、 $z_{2}$ 相互独立，且 $(1-K)$ 和 $K$ 是乘数，所有式子(1)可以转换为：

$Var(\hat{z}) = (1-K)^{2}*Var(z_{1}) + K^2*Var(z_{2})$ (2)

即 $\sigma_{\hat{z}}^{2}= (1-K)^2*\sigma_{1}^{2} + K^2*\sigma_{2}^{2}$ (3)

要使 $\sigma_{\hat{z}}$ 最小，就需要求得 $K$ 的极值点，即 $\frac{\mathrm{d} \sigma_{\hat{z}}}{\mathrm{d} K} = 0$ 时， $K$ 的值，求 $\frac{\mathrm{d} \sigma_{\hat{z}}}{\mathrm{d} K} = -2*(1-K)*\sigma_{1}^{2} + 2*K*\sigma_{2}^{2} = 0$ (4)

将 $\sigma_{1} = 2$ 、 $\sigma_{2} = 4$ 代入(4)可得 $K = \frac{\sigma_{1}^{2}}{\sigma_{1}^{2}+\sigma_{2}^{2}} = 0.2$ ，将 $K = 0.2$ 代入式子(3)可得 $\sigma_{\hat{z}} = 1.79$ ，代入 $\hat{z} = z_{1} + K*(z_{2}-z_{1})$ 可得 $\hat{z} = 30.4$ ，由此就得到该物体质量的最优估计值，这就是过程就是数据融合。

将上述 $z_{1} z_{2} \hat{z}$ 在正态分布图中分别表示出来，我们可以看到 $\hat{z}$ 数据分布的更加集中，更接近于 $z_{1}$ 。

参考资料【【卡尔曼滤波器】2_数学基础_数据融合_协方差矩阵_状态空间方程_观测器问题】 https://www.bilibili.com/video/BV12D4y1S7fU/?share_source=copy_web&vd_source=c29456ffa88bc7559f8ffbe6f8e8f7a5