本文是卡尔曼滤波系列的第二部分，介绍了如何将卡尔曼滤波算法具体实施，明确了状态值与测量值的区别以及协方差矩阵的性质，包括过程噪声和量测噪声的协方差矩阵以及状态协方差矩阵的计算方式。
系列文章目录
卡尔曼滤波(1)：状态更新方程的推导
卡尔曼滤波(2)：让算法运转起来
前言
在上一篇文章中，我们展示了卡尔曼滤波状态更新方程的推导思路，并得到状态更新方程：
X ^ ( k + 1 / k + 1 ) = X ^ ( k + 1 / k ) + K ( k + 1 ) Z ~ ( k + 1 / k ) \hat{X}(k+1/k+1) = \hat{X}(k+1/k) + K(k+1) \tilde{Z}(k+1/k) X^(k+1/k+1)=X^(k+1/k)+K(k+1)Z~(k+1/k)
其中，
K ( k + 1 ) = P ( k + 1 / k ) H T ( k + 1 ) S − 1 ( k + 1 / k ) S ( k + 1 / k ) = H ( k + 1 ) P T ( k + 1 / k ) H T ( k + 1 ) + R ( k + 1 ) \begin{aligned} K(k+1) &= P(k+1/k)H^T(k+1)S^{-1}(k+1/k) \\ S(k+1/k) &= H(k+1)P^T(k+1/k)H^T(k+1) + R(k+1) \end{aligned} K(k+1)S(k+1/k)=P(k+1/k)HT(k+1)S−1(k+1/k)=H(k+1)PT(k+1/k)HT(k+1)+R(k+1)
本文，我们给出卡尔曼滤波算法的具体实现流程，让算法能够运转起来！
一、明确变量是否已知
1.状态值与测量值
“状态”是物体固有的变化属性，故状态值是无法直接获得的，只能进行估计。与之相对的，经过工具测量，我们获得的数据为“量测”，故量测值是可以直接通过测量获得的。那么，
| 变量 | 说明 |
|---|---|
| X ( k ) X(k) X(k) | 未知 |
| X ^ ( k / k ) \hat{X}(k/k) X^(k/k) | 在 k k k时刻通过状态更新方程获得，在 k , k + 1 , ⋯ k,k+1,\cdots k< |
最低0.47元/天 解锁文章
1299
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
