理解卡尔曼滤波

星光2020

已于 2022-07-19 18:01:59 修改

阅读量7.8k

点赞数 4

分类专栏：算法研究文章标签：卡尔曼滤波

于 2015-09-25 10:29:16 首次发布

本文链接：https://blog.csdn.net/mbdong/article/details/48729711

版权

卡尔曼滤波是一种实时估计对象状态的无延时滤波器，常用于运动估计和飞行器控制。与普通滤波器不同，它基于对象的数学模型进行设计，通过比较模拟系统和实际对象输出，不断修正状态变量估计，实现最优估计。本文介绍了卡尔曼滤波的原理、公式和工程应用，帮助开发者理解和应用卡尔曼滤波。

摘要由CSDN通过智能技术生成

卡尔曼滤波被广泛的应用于运动估计中，在飞行器中多有应用，区别于普通滤波如低通滤波，卡尔曼滤波具有不延时的优点，即普通的低通滤波在过滤噪声的同时也会引入信号滞后，而卡尔曼滤波则可以实时估计对象状态，不产生滞后。与普通滤波不同，卡尔曼滤波基于对象的数学模型进行设计。

关于卡尔曼滤波的介绍参考如下

https://zh.wikipedia.org/wiki/卡尔曼滤波

或者英文网站

https://en.wikipedia.org/wiki/Kalman_filter

列出应用于对象的卡尔曼滤波的全部公式

1. 对象模型

假设对象符合如下模型

${\textbf {x}}_{{k}}={\textbf {F}}_{{k}}{\textbf {x}}_{{k-1}}+{\textbf {B}}_{{k}}{\textbf {u}}_{{k}}+{\textbf {w}}_{{k}}$
${\textbf {z}}_{{k}}={\textbf {H}}_{{k}}{\textbf {x}}_{{k}}+{\textbf {v}}_{{k}}$

其中， ${\textbf {x}}_{{k}}$ 为状态变量， ${\textbf {z}}_{{k}}$ 为输出， ${\textbf {w}}_{{k}}$ 和 ${\textbf {v}}_{{k}}$ 分别为状态和输出的噪声。并假定它们符合一定协方差 ${\textbf {Q}}_{k}$ 和 ${\textbf {R}}_{k}$ 的多元正态分布