卡尔曼滤波器 Kalman Filter(Part 1)

#本篇文章创作灵感来自B站up主DR_CAN博士的卡尔曼滤波教程

卡尔曼滤波器本质上是一种, Optimal Recursive Data Processing Algorithm.(最优化递归数字处理算法)。

卡尔曼滤波器的应用非常广泛，常常应用在导航当中。其广泛应用往往是由于我们的生活中存在着大量的不确定性，主要体现在三个方面：

1. 是不存在完美的数学模型

2. 是系统的扰动往往是不可控的，也很难建模

3. 测量传感器存在着误差

---

为了便于说明，我们举一个例子，（在视频中DR_CAN恰恰也是这么做的）：

比如我们来测量一枚硬币的直径，可以用来表示第k次的测量结果，由于每个人的测量是主观的，而且尺子也有误差，所以测量的结果可能也不尽相同，这个时候在一组数字中，我们想要取得一个较为精确的结果，很容易想到的就是取平均值。

这个时候我们把估计得到的数据称为，其中等于：

---

对此公式分析，得到随着k的而增加，测量结果逐渐收敛，k-1测量得到的和k次测量得到的值可以认为相等了，那么测量值Z其实并不是那么重要。

相反的，如果测量次数k比较小，那么测量值比较重要。

在这里，令为,得到

进一步分析这个式子：

当前的估计值=上一次的估计值+系数x(当前的测量值-上一次的估计值)

这里的系数就是卡尔曼增益/系数，这里同样也可以分析得出，当前的估计值和上一次的估计值有关，上一次的估计值和上上次的估计值有关，这就是递归思想。

---

关于卡尔曼增益，这里做一点简要的介绍：

首先引入两个参数：

：估计误差，估计值和真实值之间的差距

：测量误差，测量值和真实值之间的差距

这个公式是卡尔曼滤波的核心公式，下一节我会具体说明👆。我们先来做一个具体的分析：

在k时刻：

1. >>时，卡尔曼因数趋近于1，带入到上面式子中可以得到，，当k-1时刻的估计误差远大于k时的测量误差，那么第k时候的估计值就很接近测量值了（这个很好理解，测量更准确，估计的相当不准确了）
2. <<时，卡尔曼因数趋近于0，带入到上面式子中可以得到，，当k-1时刻的估计误差远小于k时的测量误差，那么第k时候的估计值就很接近上一时刻的估计了（这个也很好理解，测量误差很大，我们选择相信估计）

---

下次会给出一个例子，便于大家理解，但是解决一个问题的思路我先列出来，各位可以先记住：

1. 首先计算  
2. 计算  
3. 更新估计误差(这个公式下一篇文章讲)