卡尔曼滤波
卡尔曼滤波适用于线性高斯系统,即系统满足叠加性、齐次性,噪声满足正态分布。其使用上一次的最优结果预测当前的值(先验估计),同时使用观测值修正当前值,得到最优结果。
卡尔曼、粒子滤波实际应该叫做估计器(Estimator),估计当前值叫滤波(Filtering),估计过去叫平滑(Smoothing),估计未来叫预测(Predicting)。
卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响,得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波),也可以是对于将来位置的估计(预测),也可以是对过去位置的估计(插值或平滑)。
1. 状态空间模型
卡尔曼滤波假设系统状态与噪声是高斯的,可以用均值和方差来描述。则上述状态空间模型可以被表述为:
-
系统状态方程
x k = A x k − 1 + B u k − 1 + w k − 1 x_k = Ax_{k-1} + Bu_{k-1} + w_{k-1} xk=Axk−1+Buk−1+wk−1
- x k x_k xk 是状态分量的 n 维矢量
- A A A 是 n × n n \times n n×n 的状体转移矩阵,也就是目标状态转移的猜想模型,是已知的
- u k − 1 u_{k-1} uk−1是新的,让系统可以接受外部控制
- B B B 是 n × c n \times c n×c 的矩阵,将输入转化为状态的矩阵
- w k − 1 w_{k-1} wk−1 是预测过程中服从高斯分布的噪声,对应了 x k x_k xk 中每个分量的噪声,期望为0,协方差为 Q 的高斯白噪声 w k − 1 ∼ N ( 0 , Q ) w_{k-1} \sim N(0, Q) wk−1∼N(0,Q), Q 即下文过程激励噪声。
-
系统观测方程
z k = H x k + v k z_k = H x_k+v_k zk=Hxk+vk- H H H 是 m × n m \times n m×n 矩阵,是状态变量(观测)的转移矩阵,表示将状态和观测连接起来的关系,卡尔曼滤波里为线性关系,它负责将m维的测量值转换到 n n n 维,使之符合状态变量的数学形式。
- v k v_k vk 观测噪声,服从高斯分布 v k ∼ N ( 0 , R ) v_k \sim N(0, R) vk∼N(0,R), R R R 即下文测量噪声
-
卡尔曼滤波的两个假设
- 信息过程的足够精确的模型,是由白噪声所激发的线性( 也可以是时变的) 动态系统;
- 每次的测量信号都包含着附加的白噪声分量 。当满足以上假设时,可以应用卡尔曼滤波算法。
2. 5个公式
2.1 预测
根据上一时刻(
k
−
1
k-1
k−1 时刻) 的后验估计值来估计当前时刻(
k
k
k 时刻) 的状态,得到
k
k
k 时刻的先验估计值;
x
^
k
‾
=
A
x
^
k
−
1
+
B
u
k
−
1
\hat x_{\overline k} = A\hat x_{k-1} + Bu_{k-1}
x^k=Ax^k−1+Buk−1
- x ^ k ‾ \hat x_{\overline k} x^k: k k k 时刻的先验状态估计值,即根据上一时刻( k − 1 k-1 k−1时刻)的最优估计预测的 k k k 时刻的结果。
- x ^ k − 1 \hat x_{k-1} x^k−1 表示 k − 1 k-1 k−1 时刻的后验状态估计值,也叫最优估计,是滤波的结果之一。
- A A A:状态转移矩阵,实际上是对目标状态转换的一种猜想模型。
- u k − 1 u_{k-1} uk−1:控制向量
- B B B:是将控制向量 u k − 1 u_{k-1} uk−1转换为状态的矩阵
P k ‾ = A P k − 1 A T + Q P_{\overline k} = AP_{k-1}A^T + Q Pk=APk−1AT+Q
- P k ‾ P_{\overline k} Pk: k k k 时刻的先验估计协方差( x ^ k ‾ \hat x_{\overline k} x^k 的协方差)
- A A A:状态转移矩阵,实际上是对目标状态转换的一种猜想模型。
- P k − 1 P_{k-1} Pk−1: k − 1 k-1 k−1 时刻后验估计协方差(即 x ^ k − 1 \hat x_{k-1} x^k−1 的协方差,表示状态的不确定度),是滤波的结果之一。
- Q Q Q: 过程激励噪声协方差(系统过程的协方差)。该参数被用来表示状态转换矩阵与实际过程之间的误差。因为我们无法直接观测到过程信号, 所以 Q Q Q 的取值是很难确定的。是卡尔曼滤波器用于估计离散时间过程的状态变量,也叫预测模型本身带来的噪声。状态转移协方差矩阵
2.2 更新
使用当前时刻的测量值来更正预测阶段先验估计值,得到当前时刻的后验估计值。
K
k
=
P
k
‾
H
T
H
P
k
‾
H
T
+
R
K_k = \frac{P_{\overline k }H^T}{HP_{\overline k}H^T + R}
Kk=HPkHT+RPkHT
- K k K_k Kk:滤波增益矩阵,是滤波的中间计算结果,卡尔曼增益,或卡尔曼系数。
- P k ‾ P_{\overline k} Pk: k k k 时刻的先验估计协方差( x ^ k ‾ \hat x_{\overline k} x^k 的协方差)
- H H H:是状态变量到测量(观测)的转换矩阵,表示将状态和观测连接起来的关系,卡尔曼滤波里为线性关系,它负责将 m 维的测量值转换到 n 维,使之符合状态变量的数学形式,是滤波的前提条件之一。
- R R R:测量噪声协方差。滤波器实际实现时,测量噪声协方差 R一般可以观测得到,是滤波器的已知条件。
x ^ k = x ^ k ‾ + K k ( z k − H x ^ k ‾ ) \hat x_k = \hat x_{\overline k} + K_k(z_k- H\hat x_{\overline k}) x^k=x^k+Kk(zk−Hx^k)
- x ^ k \hat x_{k} x^k 表示 k k k 时刻的后验状态估计值,也叫最优估计,是滤波的结果之一。
- x ^ k ‾ \hat x_{\overline k} x^k: k k k 时刻的先验状态估计值,即根据上一时刻( k − 1 k-1 k−1时刻)的最优估计预测的 k k k 时刻的结果。
- K k K_k Kk:滤波增益矩阵,是滤波的中间计算结果,卡尔曼增益,或卡尔曼系数。
- z k z_k zk:测量值(观测值),是滤波的输入。
- H H H:是状态变量到测量(观测)的转换矩阵,表示将状态和观测连接起来的关系。
- z k − H x ^ k ‾ z_k- H\hat x_{\overline k} zk−Hx^k:实际观测和预测观测的残差,和卡尔曼增益一起修正先验(预测),得到后验。
P k = ( I − K k H ) P k ‾ P_k = (I - K_kH) P_{\overline k} Pk=(I−KkH)Pk
-
P k P_{k} Pk: k k k 时刻后验估计协方差(即 x ^ k \hat x_{k} x^k 的协方差,表示状态的不确定度),是滤波的结果之一。
-
I I I:单位矩阵
-
K k K_k Kk:卡尔曼增益,或卡尔曼系数。
-
H H H:是状态变量到测量(观测)的转换矩阵。
-
P k ‾ P_{\overline k} Pk: k k k 时刻的先验估计协方差( x ^ k ‾ \hat x_{\overline k} x^k 的协方差)
3. 代码实现
prediction
x
′
=
F
x
+
u
P
′
=
F
P
F
T
+
Q
x^\prime = Fx + u \\ P^\prime = FPF^T + Q
x′=Fx+uP′=FPFT+Q
update
y
=
z
−
H
x
′
S
=
H
P
′
H
T
+
R
K
=
P
′
H
T
S
−
1
x
=
x
′
+
K
y
P
=
(
I
−
K
H
)
P
′
y = z-Hx^\prime \\ S = HP^\prime H^T + R \\ K = P^\prime H^T S^{-1} \\ x = x^\prime + Ky \\ P = (I - KH)P^\prime
y=z−Hx′S=HP′HT+RK=P′HTS−1x=x′+KyP=(I−KH)P′
code