卡尔曼滤波学习-01

对于今天的我来说，我认为下文就是对卡尔曼滤波最通俗最棒的解释

假设你有两个传感器，测的是同一个信号。可是它们每次的读数都不太一样，怎么办？

取平均

再假设你知道其中贵的那个传感器应该准一些，便宜的那个应该差一些。那有比取平均更好的办法吗？

加权平均

怎么加权？假设两个传感器的误差都符合正态分布，假设你知道这两个正态分布的方差，用这两个方差值，（此处省略若干数学公式），你可以得到一个“最优”的权重。

接下来，重点来了：假设你只有一个传感器，但是你还有一个数学模型。模型可以帮你算出一个值，但也不是那么准。怎么办？

把模型算出来的值，和传感器测出的值，（就像两个传感器那样），取加权平均

OK，最后一点说明：你的模型其实只是一个步长的，也就是说，知道x(k)，我可以求x(k+1)。问题是x(k)是多少呢？答案：x(k)就是你上一步卡尔曼滤波得到的、所谓加权平均之后的那个、对x在k时刻的最佳估计值。

于是迭代也有了。

这就是卡尔曼滤波。

作者：Kent Zeng

笔记

卡尔曼滤波适用系统 ： 线性高斯系统

线性 ：叠加性，齐次性

高斯 ： 噪声满足正态分布

理想状态下 ：信号*1 + 噪声*0

低通滤波 ：设定一个截止频率（数字信号），让低频信号全部通过，高于截止频率的频域赋值为0。（低为1，高为0）

卡尔曼滤波 ：对估计值和观测值的加权修正

例 ： 机器人需要判断自身距离障碍物的距离

这时，该机器通过传感器测得当前自身离障碍物的距离是9m（这个数据称为观测值）

也通过自身上一时刻距离障碍物的距离（15m）和自己当前时刻的速度（7m/s）算出与障碍物间的距离为8m （称这个数据为估计值）

这时机器人到底该认为自己离障碍物的距离是多少就需要一个最终估计值

再有传感器测量的准确度为90%，通过速度距离估算的准确值为80%

则

 而 0.9/(0.8+0.9) 就是卡尔曼增益，表示传感器数据相对于根据速度计算出的估计值的靠谱程度

 因为无论观测还是通过模型进行估算在过程中都会产生误差（噪声），所以我目前理解的卡尔曼滤波就是通过加权运算得到一个最优估计值。

卡尔曼直观图解

今天主要是对卡尔曼滤波的一个初步认识、了解

 第二天计划

了解贝叶斯滤波算法（卡尔曼滤波是对贝叶斯滤波算法的一个实现）

卡尔曼滤波的参数

方差、协方差矩阵、正态分布