卡尔曼滤波
文章平均质量分 71
ylzy
这个作者很懒,什么都没留下…
展开
-
卡尔曼学习(6)
误差协方差矩阵的计算原创 2024-03-14 16:05:27 · 558 阅读 · 0 评论 -
卡尔曼滤波学习(5)
卡尔曼增益公式推导原创 2024-03-14 00:30:25 · 1465 阅读 · 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。原创 2024-03-09 18:00:48 · 374 阅读 · 0 评论 -
卡尔曼滤波学习(3)
当协方差小于0时,表明两个变量变化呈现负相关,变量变化方向相反。而协方差的绝对值的大小反应了,两个变量的相关程度,越大相关程度越高。矩阵P一定程度上反应了,球员的身高、年龄、体重的相关程度,可以看出身高和体重的相关程度较高,而年龄和身高/体重的相关程度均较低。下面举例说明协方差矩阵求解和作用,下面是球员的信息,来求解身高、体重、年龄的协方差矩阵。协方差大于0,x、y变化呈现正相关,我们可以观察每一对x、y都是同时大于或小于平均值。下面列出使用矩阵求解协方差矩阵的计算过程,首先求解过渡矩阵。原创 2024-03-09 16:01:38 · 463 阅读 · 0 评论 -
卡尔曼滤波学习(2)
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。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)。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,,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。原创 2024-03-07 22:39:37 · 447 阅读 · 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。原创 2024-03-05 23:17:05 · 710 阅读 · 0 评论