卡尔曼增益推导过程:
前面我们已经得到了状态预测方程:
(1)
观测方程:
(2)
:状态值
:状态转移矩阵
:控制矩阵
:控制变量
:过程噪声
:观测值
:测量噪声
作为过程噪声是不可预测,现在我们假设它是一个理想的符合正态分布的噪声,
则有
:
的概率分布
0:的期望,因为
符合正态分布,故数学期望为
0
:
的协方差矩阵
根据概率论协方差矩阵计算方式,我们可以得到 。
假设那么
,则
由和
的期望
可得:
同理,我们假设测量噪声也符合正态分布,则
因为过程噪声和测量噪声是随机噪声,所以是无法进行建模的,也就是公式(1)和(2)只有前半部分是已知可控的,即:
(3)
(4)
根据公式(4)可得
:先验估计值
:根据测量值计算得到的值
在卡尔曼学习(1)中得到过这个式子,下面我们来详细推导它产生的过程。
设 (5)
其中,
:后验值
G:增益值
当时,
;
当时,
。
令,则公式(5)可化为:
(6)
当时,
当时,
现在我们目标就是寻找一个合适使得
,其中
是真实值。我们希望当过程噪声
较大时,更相信测量结果,而测量噪声
较大时,更相信估计结果,所以
的取值就应该和
、
相关。
现在我们量化和
之间的误差,设
,同样
也是符合正态分布的,则
要使趋近于
,就是
和
之间的误差最小,即
最小,要使
最小,只需满足
的协方差矩阵
的迹最小,即
最小。
那么我们上面的目标就可以转化为,寻找合适的,使得
最小。方差之和最小,就说明
的分布更接近于0,那么
和
就更接近,它们之间的误差就最小。
下面我们先来求解,上面给出
,根据公式(6)和(4)可得
(7)
在公式(7)中的可以用
表示,即
的先验值,也称为先验误差。
接下来我们将公式(7)代入中,可以得到如下公式:
(8)
注:
当A和B相互独立时
因为和
是常量,所以公式(8)可写为:
(9)
又因为和
相互独立,一个是先验误差,一个是测量误差,两个没有相关联系,所以公式(9)可写为:
(10)
是符合正态分布,即
,所以由公式(10)可得:
(11)
因为所以公式(11)中的
可以写为
(先验误差的协方差矩阵),而
就是
(测量误差的协方差矩阵)。
将和
代入公式(11)并展开可得:
(12)
由公式(12)求的迹,即:
注:
矩阵和矩阵转置的迹相等,
为堆成矩阵,
接下来对对
求导,极值点即是
的最小值点:
即 :
当特别大时,
当特别小时,
至此,卡尔曼增益系数推导完毕。
注:
设,
则
,可用上面的方法进行推导。
学习笔记,参考资料【【卡尔曼滤波器】3_卡尔曼增益超详细数学推导 ~全网最完整】 https://www.bilibili.com/video/BV1hC4y1b7K7/?p=3&share_source=copy_web&vd_source=c29456ffa88bc7559f8ffbe6f8e8f7a5