卡尔曼滤波器

 

　　　　　　　　　　　  卡尔曼滤波器

这一周都在看一篇综述性运动分析的论文．因为论文里多处提到卡尔曼滤波器，从星期四开始看卡尔曼滤波器．因此我的每周总结就打算把我看的卡尔曼滤波器简单总结一下，我还有很多不懂的地方，如果我们小组有谁比较懂一些的话还希望结我讲讲，因为看起来它在视频分析还是用的很广的．因为看到网上介绍说卡尔曼滤波器主要用在控制领域，一开始我还以为是机械控制方面的理论，后来看的多了才知道是信号处理方面的理论．在网上找了好多的文章都没讲清楚，后来在姚旭晨的个人网站上看到他翻译的一篇北卡罗来纳大学教堂山分校的两位教授写的论文，稍微看懂了一点．以下是一些纯理论方面的介绍．

卡尔曼滤波器来源维纳滤波器，来从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，卡尔曼把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。

卡尔曼滤波器用递归方法解决离散数据线性滤波问题．它分为两个部分：时间更新方程和测量更新方程。时间更新方程负责及时向前推算当前状态变量和误差协方差估计的值，以便为下一个时间状态构造先验估计。测量更新方程负责反馈——也就是说，它将先验估计和新的测量变量结合以构造改进的后验估计。时间更新方程也可视为预估方程，测量更新方程可视为校正方程。最后的估计算法成为一种具有数值解的预估－校正算法．简单的说就是时间更新方程将当前状态变量作为先验估计及时地向前投射到测量更新方程，测量更新方程校正先验估计以获得状态的后验估计。

数字上的特征是：卡尔曼滤波器以最小均方差为估计的最佳准则（即卡尔曼增益的计算是计算后验估计误差的协方差的最小值求出来的，也就是E[e(k)e(k)^T]的最小值．）卡尔曼滤波器认为后验概率在任何时刻都是高斯分布的，这样由均值和方差就可以完全确定其概率分布．如果P(x(k-1)|z(1:k-1))是高斯分布的，要使P(x(k-1)|z(1:k))也是高斯分布的，那么过程激励噪声(process noise)Ｗ观测噪声Ｖ是参数已知的高斯分布．（这一段红色的话要复杂的证明，我现在还没证明出来）

卡尔曼滤波器由五个公式组成．时间更新方程是：

状态更新方程是：

这里的关键是求出卡尔曼增益即K(k)，也可以说是整个卡尔曼滤波器的关键的计算点．有了以上的五个公式以后就可以递归的计算．整个卡尔曼滤波器要运行需要两个初始值，

就是两个零时刻的初始值，是X(0|0)和P(0|0)。随着卡尔曼的工作，X会逐渐的收敛。但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X(0|0)是系统最优的，从而使算法不能收敛。（这一段话也还没证明出来）．　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

我在看卡尔曼滤波器的时候感觉理解的关键有两个，一个是从理论上，一个是从计算上．理论上的关键点是卡尔曼滤波器概率原型：

 

它的原理是来源于贝叶斯规则： x(k)^ (即后验状态估计)的更新取决于在已知先前的测量变量z(k)的情况下x(k) 的先验估计ˆ x(k)`的概率分布。

   计算上的难点是指我上面提到的卡尔曼增益的计算．它把上面的1.7式代入下式：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

然后再代入上面提到的E[e(k)e(k)^T]，求出期望以后，对Ｋ求一阶异就可以算出来：

然后就可以推动整个的卡尔曼滤波器的运作了．

在计算机上实现卡尔曼滤波器相比理论上的推导来说要容易多了．