卡尔曼滤波(1)：状态更新方程的推导

系列文章目录

卡尔曼滤波(1)：状态更新方程的推导

---

---

摘要

卡尔曼滤波作为一种重要的技术，在许多领域得到广泛应用，本系列文章旨在梳理卡尔曼滤波相关知识点，用于知识结构整理，以便加深理解。作为系列文章的开篇，本文将整理卡尔曼滤波状态更新方程推导的知识。

---

一、卡尔曼滤波的基本数学模型

$$\{\begin{array}{rl}X(k+1)& =\Phi (k)X(k)+\Gamma (k)u(k)+G(k)V(k)\\ Z(k)& =H(k)X(k)+W(k)\end{array}$$
其中，$k$代表时刻，$X(k)$为状态值，$Z(k)$为量测值，$\Phi (k)$为状态转移矩阵，$\Gamma (k)$为输入矩阵，$u(k)$为输入的控制信号，$G(k)$为过程噪声分布矩阵，$V(k)$为过程噪声矩阵，$H(k)$为量测矩阵，$W(k)$为量测噪声。
为便于推导，做以下定义：
X ^ ( j / k ) = E [ X ( j ) / Z k ] X ~ ( j / k ) = X ( j ) − X ^ ( j / k ) Z ^ ( j / k ) = E [ Z ( j ) / Z k ] Z ~ ( j / k ) = Z ( j ) − Z ^ ( j / k ) , j ≥ k Z k = { Z ( i ) , i = 1 , ⋯   , k } \begin{aligned} &\hat{X}(j/k) = E\left[ X(j) / Z^k\right] \\ &\tilde{X}(j/k) = X(j) - \hat{X}(j/k) \\ &\hat{Z}(j/k) = E\left[ Z(j) / Z^k\right] \\ &\tilde{Z}(j/k) = Z(j) - \hat{Z}(j/k) , j \geq k \\ &Z^k = \left\{ Z(i), i =1,\cdots,k \right\} \end{aligned} ​X^(j/k)=E[X(j)/Zk]X~(j/k)=X(j)−X^(j/k)Z^(j/k)=E[Z(j)/Z<