卡尔曼滤波学习(4)

ylzy

已于 2024-03-09 21:13:32 修改

阅读量374

点赞数 11

分类专栏：卡尔曼滤波文章标签：学习

于 2024-03-09 18:00:48 首次发布

本文链接：https://blog.csdn.net/lglrkx/article/details/136586668

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

状态空间表达：

下面用一个例子来说明状态空间表达

上图为一个弹簧震动阻尼系统，该系统的动态方程表达式：

$F = K*x+B*\dot{x}+m*\ddot{x}$

其中

$K$ ：弹簧的胡克系数；

$B$ ：该系统阻尼系数；

$m$ ：物体质量；

$F$ ：施加的外力；

$x$ ：物体位移；

$\dot{x}$ ： $x$ 关于t时刻的导数，即t时刻的速度；

$\ddot{x}$ ： $x$ 关于t时刻的二阶导数，即t时刻的加速度。

下面设 $x_1=x$ ， $x_2=\dot{x}$ ， $u$ 作为这个系统的输入，即 $u = F$ ，则有

$\dot{x}_1 = x_2$ （ $x_1$ 求导即 $x$ 求导） (1)

$\dot{x_2} = \ddot{x} = \frac{1}{m}*u-\frac{B}{m}*x_2-\frac{K}{m}*x_1$ (2)

上述方程(1)和(2)为该系统的状态变化方程，体现了该系统物体的速度和加速度随时间的变化量。

设 $z_1$ ， $z_2$ 分别为测量到的物体的位置和速度，则有

$z_1 = x = x_1$ (3)

$z_2 = \dot{x} = x_2$ (4)

将方程(1)和(2)，(3)和(4)使用矩阵形式表达：

$\begin{bmatrix}\dot{x_1} & \\ \dot{x_2} & \end{bmatrix} = \begin{bmatrix}0,1 & \\ -\frac{K}{m},-\frac{B}{m} & \end{bmatrix}*\begin{bmatrix}x_1 \\ x_2 \end{bmatrix} + \begin{bmatrix}0 \\ \frac{1}{m} \end{bmatrix}*u$

即： $\dot{X(t)} = A*x(t) + B*u(t)$ ，

可以看出 $\dot{X(t)}$ 是 $X(t)$ 对时间的导数，反应出在连续时间上的变化，即系统状态变化。

$\begin{bmatrix}z_1 \\ z_2 \end{bmatrix} = \begin{bmatrix}1,0 & \\ 0,1 & \end{bmatrix}*\begin{bmatrix}x_1 \\ x_2 \end{bmatrix}$

即： $Z(t) = H*X(t)$ ，

$Z(t)$ 是在连续时间上对 $X(t)$ 的观测值，即测量值。

$\dot{X(t)}$ ， $Z(t)$ 在离散采样时间上进行表达，则有：

$x_k = A*x_{k-1}+B*u_{k-1}$ (5)

$z_{k}=H*x_{k}$ (6)

在之前的卡尔曼学习(1) http://t.csdnimg.cn/0lXcb中提到过，系统的估计和测量都不可避免的存在误差，在方程(5)和(6)中分别引入过程噪音 $w_{k-1}$ 和测量噪音 $v_k$ ，即：

$x_k = A*x_{k-1}+B*u_{k-1}+w_{k-1}$ (7)

$z_{k}=H*x_{k}+v_{k}$ (8)

$x_k$ ：系统状态值，预测值

$z_k$ ：测量值

现在整个系统的的预测值和测量值都引入了噪音，导致两个结果均不准确，那么如何从这两个不准确的值中得到最优解呢？这就是卡尔曼滤波要解决的问题。

根据 $x_k$ 和 $z_k$ 去得到最优解，就和之前卡尔曼学习(2) http://t.csdnimg.cn/LXzek中根据两个有误差结果去估计一个相对准确的最优解很相似，不过是换做了一个预测值和一个测量值去进行数据融合。

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

11
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
卡尔曼滤波学习(4)

去得到最优解，就和之前卡尔曼学习(2) 中根据两个有误差结果去估计一个相对准确的最优解很相似，不过是换做了一个预测值和一个测量值去进行数据融合。在之前的卡尔曼学习(1) 中提到过，系统的估计和测量都不可避免的存在误差，在方程(5)和(6)中分别引入过程噪音。上述方程(1)和(2)为该系统的状态变化方程，体现了该系统物体的速度和加速度随时间的变化量。对时间的导数，反应出在连续时间上的变化，即系统状态变化。关于t时刻的二阶导数，即t时刻的加速度。关于t时刻的导数，即t时刻的速度；的观测值，即测量值。
复制链接

扫一扫