线性卡尔曼公式推导证明注解(射影定理)

        论起自己的卡尔曼水平,恐怕还离卡尔曼殿堂隔着三十三重天。这也是自己的第一篇博客,后续也会基于自己的理解更新对卡尔曼学习与应用,同样也是督促与激励自己。至于卡尔曼提出背景以及现阶段的应用领域直接各种搜就好了,废话不多说,开始进入这篇博客的正题。(不过本博客主要是对推导过程进行注解,由于公式太多,重要的注解在下面稳当的链接中)

        卡尔曼是一种最优滤波理论,其本质是以最小均方误差为最佳估计准则,采用信号与噪声的状态空间模型来更新对状态变量的估计,求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。其数学上的表达为:基于观测信号,求状态的线性最小方差估计值,其极小化性能指标:         公式(1)  。

其中对于j=k,j>k,j<k,分别称为 的Kalman滤波器、预报器和平滑器   。滤波器一般是对当前状态噪声的处理。预报器即为状态预测,通常在导弹拦截、卫星回收等问题上涉及导弹和卫星轨道预测。平滑器主要用在解决卫星入轨初速度估计或卫星轨道重构问题。

下面开始进行列举公式,其中对必要的知识进行解释,方便大家能够理解,如果实在理解不了,只能看看基础知识。本博客所讨论的得线性系统状态空间模型为:

  • 5
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
可信集合卡尔曼滤波(Covariance Intersection Kalman Filter)是一种用于融合多个传感器数据的滤波算法。它通过将不同传感器的测量结果进行融合,得到更准确和可信的估计值。 卡尔曼滤波是一种递归滤波算法,它通过对系统状态进行估计和预测,来优化对系统状态的估计。可信集合卡尔曼滤波是在卡尔曼滤波的基础上进行改进,用于处理多个传感器的数据融合问题。 可信集合卡尔曼滤波推导过程如下: 1. 定义系统模型:首先需要定义系统的状态方程和观测方程。状态方程描述了系统状态的演化规律,观测方程描述了传感器测量结果与系统状态之间的关系。 2. 初始化滤波器:初始化系统状态的估计值和协方差矩阵。 3. 预测步骤:根据系统模型和上一时刻的状态估计值,进行状态预测。同时更新预测的协方差矩阵。 4. 更新步骤:根据传感器的测量结果,计算测量残差和残差协方差矩阵。然后使用可信集合算法,将多个传感器的测量结果进行融合,得到最终的状态估计值和协方差矩阵。 可信集合算法的核心思想是将多个传感器的测量结果进行加权平均,权重由传感器的可信度决定。可信度可以根据传感器的精度、稳定性等指标进行评估。 以上就是可信集合卡尔曼滤波推导过程。通过融合多个传感器的数据,可信集合卡尔曼滤波可以提高系统状态的估计精度和可靠性。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值